Dans l’usine de demain, pas de brouhaha chez les robots

Les robots doivent apprendre à mieux communiquer pour gagner leur place dans l’usine de demain. Il s’agit là d’une étape nécessaire vers l’autonomie et la flexibilité des systèmes de production. C’est sur cette problématique que se concentre le projet SCHEIF de l’Académie franco-allemande pour l’industrie du futur. En particulier, les chercheurs doivent choisir les technologies de communications adéquates, et trouver comment organiser la transmission d’information dans un environnement aussi complexe.

« Le système de l’industrie est monolithique pour les robots. Ils sont statiques et spécialisés sur une tâche, mais si nous voulons les respécialiser, notamment en fonction de leur environnement, c’est impossible. » Ce constat est le point de départ du projet SCHEIF^[1]. Mené dans le cadre de l’Académie franco-allemande pour l’industrie du futur, SCHEIF souhaite permettre aux robots de s’adapter plus facilement aux changements de fonctions. Pour y parvenir, le projet associe des chercheurs d’EURECOM, de l’université technique de Munich (TUM) et d’IMT Atlantique. Objectif des scientifiques : « créer un robot ‘plug and play’, qui puisse être déployé n’importe où, comprendre son environnement facilement, et interagir avec des humains ou d’autres robots rapidement » résume Jérôme Härri, chercheur en communications à EURECOM sur ce projet.

Dans la poursuite de ce but, les capacités de communication des robots sont particulièrement critiques. Pour s’adapter, ils doivent être capables d’obtenir des informations de manière efficace.  Les machines doivent aussi pouvoir communiquer sur ce qu’elles font aux autres agents — humains ou robotiques — afin de s’intégrer dans leur environnement sans perturbation. Sans ces dimensions, pas de coordination, et donc pas de flexibilité.

Là réside l’un des grands défis de SCHEIF, car le contexte industriel implique de nombreuses contraintes sur les communications des machines. Elles doivent être rapides en cas d’urgence, et flexibles pour permettre de prioriser les informations selon leur importance pour la sécurité et l’efficacité de la chaîne de production. Elles doivent également être fiables, car les informations transmises sont sensibles. Les machines doivent aussi pouvoir communiquer sur des distances à l’échelle d’une grande usine, et pas seulement sur quelques mètres. Il faut donc allier débit, portée de transmission, adaptabilité et sécurité.

Le casse-tête des technologies

« La solution ne peut pas être fournie par une seule technologie » souligne Jérôme Härri. Les technologies capteurs par exemple, comme Sigfox ou LoRa qui sont dédiées aux objets connectés, ont une bonne fiabilité et une grande portée, mais ne sont pas capables de communiquer entre elles directement. « Il faut un superviseur qui se charge de l’interface, mais s’il tombe en panne c’est problématique, et cela impacte le critère de robustesse des communications » pointe le chercheur. « De plus, ces données remontent en général à l’opérateur des stations de base des réseaux, et l’industriel doit souscrire à une offre pour les obtenir. »

À l’inverse, la 4G fournit la fiabilité et la distance, mais pas forcément le débit et l’adaptabilité envisagés pour l’industrie du futur. Quant à la 5G, elle répond à la question du débit, et elle permet d’envisager des systèmes propriétaires où l’industriel n’aurait plus à passer par un opérateur. En revanche, sa fiabilité dans un contexte industriel est encore en cours de spécification.

Face à ce casse-tête, deux grandes approches sont possibles. La première consiste à partir des technologies capteurs en augmentant leur interopérabilité et leur débit. La seconde est d’étendre la 5G aux besoins de l’industrie, notamment en lui conférant des atouts similaires aux fonctionnalités des technologies capteurs. C’est cette seconde option que les chercheurs ont retenue. « Nous améliorons les protocoles de la 5G en regardant comment allouer les ressources du réseau, afin de gagner en fiabilité et flexibilité » précise Jérôme Härri.

Les équipes franco-allemandes de chercheurs peuvent s’appuyer pour cela sur une forte expérience en communications véhiculaires, qui exploitent la 4G et la 5G pour des problématiques liées aux transports et à la mobilité. La technologie cellulaire utilisée dans le cas des véhicules a l’avantage de comporter une spécification d’ordonnanceur coopératif. Il s’agit là d’un composant du système d’information qui décide qui doit communiquer, quel message, à quel moment. Un ordonnanceur coopératif est essentiel dans le cas des flottes de véhicules sur une autoroute, tout comme il l’est dans le cas des flottes de robots évoluant dans une usine. Il assure que tous les robots jouent avec les mêmes règles de priorité. Grâce à lui par exemple, une information urgente pour un robot l’est également pour tous les autres robots, et toutes les machines peuvent s’organiser pour libérer le réseau et laisser la priorité à cette information. « L’un de nos travaux actuels est de mettre au point un ordonnanceur coopératif 5G adapté aux robots dans un contexte industriel » illustre ainsi Jérôme Härri.

Le deep learning pour gagner en flexibilité

Si les machines peuvent se reposer sur l’ordonnanceur pour savoir quand communiquer, il faut tout de même que celui-ci sache quelles règles appliquer. Le but de l’ordonnanceur est de mettre de l’ordre dans le réseau, pour éviter notamment les saturations et les collisions entre paquets de données. Cependant, il ne peut pas simplement prendre en compte la charge du canal de communication pour savoir s’il doit autoriser ou non une communication. Mais procéder avec cette logique reviendrait à communiquer à l’aveugle : le message est envoyé quand il y a de la place sans savoir ce que les autres robots vont faire. Or dans les réseaux critiques, le but est de pouvoir planifier sur du moyen terme afin de fournir des garanties de fiabilité et de délai. Les robots bougent, et l’environnement change. Il faut donc prévoir si dans quelques secondes tous les robots vont se mettre à communiquer soudainement, ou si au contraire il y aura très peu de messages.

Le deep learning est un outil de choix pour enseigner aux réseaux et aux machines à anticiper ces cas de figure. « Nous leur faisons apprendre sur des jeux de données de mobilité la façon dont plusieurs agents en mouvement communiquent. Ils reconnaîtront ensuite des situations similaires dans leur utilisation réelle, et sauront les conséquences qui peuvent découler en matière de qualité du canal, ou du nombre de messages envoyés » détaille le chercheur. « Parfois, il est difficile de garantir que le jeu d’apprentissage corresponde à ce que le réseau va rencontrer réellement par la suite. Nous devons donc compléter par un apprentissage à la volée lors de l’usage. Chaque fois qu’une décision est prise, elle est analysée. Les décisions du système sont ainsi améliorées au fur et à mesure. »

Des premiers résultats sur cette utilisation du deep learning pour optimiser le réseau ont été publiés par les équipes d’EURECOM et de l’université technique de Munich. Les chercheurs sont en effet parvenus à organiser des communications entre agents mobiles autonomes pour éviter les collisions des paquets de données transmis. « Surtout, nous avons pu faire cela sans que chacun ne soit averti si les autres agents allaient communiquer ou non » pointe Jérôme Härri. « Nous sommes parvenus à faire anticiper à un agent quand les autres vont communiquer simplement sur la base de leur comportement qui, dans le passé, précédait une communication. »

Les chercheurs entendent bien poursuivre leur effort, notamment en augmentant le degré de complexité de leurs expérimentations pour les faire se rapprocher des situations réellement rencontrées dans un contexte industriel. Plus il y a d’agents, plus les comportements sont erratiques et difficiles à prévoir. L’enjeu est donc d’arriver à un apprentissage coopératif. Ce serait alors un pas de plus vers des environnements industriels pleinement autonomes.

^[1] SCHEIF et l’acronyme de Smart cyber-physical environments for industry of the future, ou en français : environnements cyber-physiques intelligents pour l’industrie du futur.