Comment Kuka et Swisslog utilisent l’IA pour programmer les robots à distinguer le shampoing du gel douche

La robotique et l’intelligence artificielle (IA) jouent un rôle de plus en plus crucial dans l’industrie cosmétique. Kuka et Swisslog, des leaders en automatisation, illustrent parfaitement cette tendance avec des innovations qui simplifient et améliorent les processus de production et de distribution.

Ces entreprises ont ainsi présenté leurs avancées en matière d’IA pour la programmation de robots, visant à faciliter l’accès à l’automatisation pour leurs clients et à augmenter la valeur ajoutée. L’un des principaux objectifs de Kuka est de rendre la programmation de robots accessible au plus grand nombre. Selon Roland Ritter, Platform Program Manager Simulation chez Kuka, “la programmation d’un robot pour une tâche spécifique est souvent réservée aux experts”. Pour pallier cela, Kuka développe un chatbot IA capable de traduire des commandes vocales en code de programmation. Par exemple, une simple instruction comme “Prenez les composants un par un et placez-les en forme de U sur la table” est convertie en code que le robot exécute.

L’IA face aux changements saisonniers des produits

Bien que cette technologie soit actuellement testée dans des environnements simulés, le potentiel est immense. Pour assurer la sécurité, un jumeau numérique vérifie la validité du code généré avant son déploiement sur le robot réel. Ritter note également que le chatbot IA de Kuka a été formé avec un vaste corpus de données de programmation, en utilisant notamment le Kuka Robot Language (KRL).

Parallèlement, Swisslog utilise l’IA pour améliorer la précision de ses systèmes logistiques. Niklas Goddemeier, responsable de la recherche et du développement au Robogistic Product Center de Swisslog, explique que leurs robots doivent reconnaître et distinguer divers produits, comme des bouteilles de shampoing et de gel douche, tout en éliminant les déchets d’emballage. Leur solution, ItemPiQ, combine IA, caméras et robots pour une sélection précise des articles, capable de s’adapter à différents types d’emballage grâce à des préhenseurs autonomes.

Cependant, un défi persiste : maintenir l’efficacité de l’IA face aux changements saisonniers des produits. En été, les articles sont souvent emballés dans des sacs, tandis qu’en hiver, ils sont conditionnés dans des cartons. Assurer que l’IA continue à apprendre et à s’adapter à ces variations est essentiel pour maintenir la performance des systèmes.