🤖 IA

Industrial Internet Robot Collaboration System and Edge Computing Optimization

Cet article présente un système de collaboration de robot industriel qui intègre un réseau de neurones à trois couches avec le recuit simulé pour la planification de trajectoire globale et un contrôleur flou pour l'exécution locale, optimisé via l'informatique en périphérie pour parvenir à une navigation robuste, sans collision, avec une haute précision et une faible latence.

Auteurs originaux : Haopeng Zhao, Dajun Tao, Tian Qi, Jingyuan Xu, Zijie Zhou, Lipeng Liu

Publié 2026-01-30

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Haopeng Zhao, Dajun Tao, Tian Qi, Jingyuan Xu, Zijie Zhou, Lipeng Liu

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez un entrepôt très fréquenté où une flotte de robots de livraison doit circuler entre les étagères, éviter les chariots élévateurs et déposer des colis sans rien percuter. Ce document traite de la manière dont on apprend à ces robots à naviguer dans cet environnement chaotique de façon sûre et efficace.

Voici l'histoire de la façon dont les auteurs ont résolu ce problème, décomposée en concepts simples :

1. Le Problème : Un robot avec une « volonté propre »

Dans le monde réel, les robots ne sont pas parfaits. Si vous dites à un robot d'aller tout droit, il peut dériver légèrement parce que le sol est glissant ou que les roues ne sont pas parfaitement rondes. Dans un entrepôt encombré, si un robot dérive ne serait-ce qu'un peu, il pourrait percuter une étagère ou un autre robot.

Les auteurs ont réalisé que pour corriger cela, on ne peut pas simplement dire au robot « va là ». Il faut comprendre comment le robot se déplace (sa physique) et ensuite lui donner un plan qui tient compte de ses imperfections.

2. La Stratégie : Diviser le trajet en trois « modes »

Au lieu d'essayer de résoudre tout le trajet d'un coup, les auteurs ont divisé le mouvement du robot en trois comportements simples, comme changer de vitesse dans une voiture :

Évitement d'obstacles : « Je vois un mur ! Tourne ! » (Cela utilise l'angle de l'obstacle pour décider de la force du virage).
Approche de la cible : « Je suis loin de l'objectif ; accélérons, mais pas trop vite. » (Cela ajuste la vitesse en fonction de la distance de la destination).
Rotation vers la cible : « Je suis proche de l'objectif ; ralentissons et tournons avec précision pour lui faire face. »

En passant d'un mode à l'autre, le robot peut gérer des situations complexes de manière plus naturelle.

3. Le Créateur de Cartes : Le planificateur d'« Énergie »

Pour déterminer le meilleur itinéraire du point A au point B, l'équipe a utilisé un cerveau numérique (un réseau de neurones) combiné à une méthode de recherche astucieuse appelée Recuit Simulé (Simulated Annealing).

Voyez cela comme un randonneur essayant de trouver le point le plus bas dans une vallée montagneuse brumeuse :

L'Objectif : Trouver le chemin avec l'« énergie » la plus basse. Dans ce contexte, l'« énergie » est un mélange de deux choses : la distance courte (marcher moins) et la sécurité (rester loin des obstacles).
L'Astuce : Parfois, le randonneur peut rester coincé dans une petite dépression en pensant avoir atteint le fond. Le Recuit Simulé est comme si l'on donnait un petit « secousse » ou un « saut » au randonneur de temps en temps. Cela permet au robot de sortir des petits pièges et de trouver le véritable meilleur chemin (le minimum global) plutôt que de simplement se contenter d'un chemin « assez bon ».

4. Le Volant : Le contrôleur « Flou »

Une fois que le robot a une carte, il doit encore conduire. C'est là qu'intervient le Contrôleur Flou (Fuzzy Controller).

Imaginez que vous conduisez une voiture et que vous commencez à dériver vers la voie de droite. Vous n'avez pas besoin d'un diplôme en mathématiques pour savoir que vous devez tourner légèrement le volant vers la gauche. Vous « ressentez » simplement l'erreur.

Le robot fait la même chose. Il vérifie constamment deux choses : Est-ce que je fais face à la bonne direction ? (Erreur d'angle) et Suis-je au milieu de ma voie ? (Erreur latérale).
Si le robot est décalé de quelques degrés ou de quelques centimètres, le contrôleur flou agit comme les mains d'un conducteur expérimenté, effectuant de petits ajustements fluides sur la vitesse des roues gauche et droite pour ramener le robot sur sa trajectoire.

5. L'Avantage de l'« Edge » : Penser localement

Le document mentionne également l'Edge Computing (informatique de périphérie). Imaginez si le robot devait envoyer une photo de chaque obstacle à un serveur géant situé dans une autre ville, attendre que le serveur calcule la réponse, puis la renvoyer. Cela prendrait trop de temps, et le robot pourrait s'écraser entre-temps.

Au lieu de cela, ce système effectue les calculs lourds sur le robot lui-même (ou sur un ordinateur juste à côté de lui). C'est comme avoir un copilote assis dans la voiture avec vous plutôt que d'appeler un expert en navigation au téléphone. Cela permet au robot de réagir instantanément aux changements.

6. Les Résultats : Le Test de Conduite

Les auteurs ont testé ce système dans une simulation informatique (en utilisant le logiciel Matlab 2024) et l'ont comparé à deux autres méthodes courantes.

Précision : La nouvelle méthode a maintenu le robot à moins de 5 centimètres (environ 2 pouces) de la trajectoire parfaite.
Vitesse : Elle a corrigé sa trajectoire en seulement 10 millisecondes (plus vite qu'un clin d'œil humain).
Efficacité : Les chemins choisis étaient plus courts que ceux des autres méthodes. Par exemple, après 500 essais, la nouvelle méthode a trouvé un chemin de 106 mètres, tandis que les autres en ont pris 117–118 mètres.

Résumé

En bref, ce document présente un système de navigation pour robot qui :

Comprend comment le robot se déplace physiquement.
Planifie le meilleur itinéraire en équilibrant « chemin le plus court » et « chemin le plus sûr » grâce à un algorithme de recherche intelligent.
Dirige le robot en temps réel à l'aide d'un système de logique « floue » qui agit comme un conducteur expérimenté corrigeant de petites erreurs.
Pense localement pour éviter les délais.

Le résultat est un robot capable de naviguer dans un environnement industriel changeant et encombré avec une grande précision et rapidité, évitant les collisions mieux que les méthodes précédentes.

Résumé Technique : Système de Collaboration de Robots pour l'Internet Industriel et Optimisation de l'Edge Computing

Énoncé du Problème
Dans les environnements d'Internet industriel, tels que l'entreposage et la fabrication flexible, les robots mobiles sont confrontés à des défis importants pour générer des itinéraires globaux sans collision. Ces défis découlent de la disposition stochastique des obstacles et des perturbations aléatoires dans les vitesses linéaires et angulaires commandées. Bien que les approches existantes optimisent la distance minimale ou l'énergie, elles peinent souvent face aux minima locaux et aux perturbations d'exécution dans des environnements complexes et encombrés. De plus, une navigation de haute précision nécessite le respect strict des contraintes de mouvement non holonome tout en maintenant un suivi et un évitement de collision stables. Le document traite également des problèmes de latence et de trafic inhérents à la communication robot-serveur, proposant l'edge computing comme moyen d'améliorer la réactivité.

Méthodologie
L'approche proposée intègre la modélisation dynamique, la planification de trajectoire globale basée sur l'énergie et le contrôle flou pour l'exécution, soutenus par un calcul côté edge.

Modélisation Dynamique et Décomposition du Comportement :
Les auteurs modélisent un robot à entraînement différentiel avec des contraintes non holonomes. L'équation dynamique est initialement établie sur la base de la pose ( $x, y, \theta$ ) et des entrées de commande, puis simplifiée en une forme cinématique où la vitesse linéaire ( $\eta$ ) et la vitesse angulaire ( $v$ ) pilotent le mouvement. Pour améliorer la contrôlabilité, le mouvement du robot est décomposé en trois comportements paramétrés :

Évitement d'Obstacles : Ajuste la vitesse angulaire en fonction des angles de déviation et de la position de l'obstacle, tout en modulant la vitesse linéaire selon la distance minimale à l'obstacle.
Approche de la Cible : Limite la vitesse linéaire en fonction de la distance vers l'objectif et de la vitesse maximale, tout en conservant les termes liés aux obstacles.
Rotation vers la Cible : Définit la vitesse angulaire en fonction de la différence entre les positions de l'objectif et de l'obstacle, en plafonnant la vitesse linéaire.

Planification de Trajectoire Globale (Fonction d'Énergie et Recuit Simulé) :
La planification de la trajectoire globale est formulée comme un problème d'optimisation sous contraintes. Le modèle est converti en une fonction d'énergie pondérée ( $F$ ) comprenant un terme de longueur de chemin ( $F_l$ ) et un terme de pénalité de collision ( $F_z$ ). Un réseau de neurones à trois couches représente le modèle de planification. Pour résoudre la trajectoire optimale et atténuer les minima locaux, les auteurs emploient le Recuit Simulé (Simulated Annealing). Cet algorithme génère de manière itérative des trajectoires voisines, évalue les changements d'énergie et accepte des solutions inférieures avec une probabilité qui diminue à mesure que la « température » baisse, convergeant ainsi vers une trajectoire globale de faible énergie.
Contrôle de Trajectoire Globale (Logique Floue) :
Lors de l'exécution, un contrôleur flou corrige les écarts. Les entrées sont l'écart d'angle de cap (seuil fixé : $\pm10^\circ$ ) et l'erreur de décalage latéral (seuil fixé : $\pm100$ mm). La sortie est la vitesse différentielle entre les roues gauche et droite. Le contrôleur utilise des fonctions d'appartenance triangulaires pour la correction d'erreur et une défuzzification basée sur des règles d'expert pour produire des actions de commande nettes.
Intégration de l'Edge Computing :
Le document traite du déplacement du calcul vers l'edge pour réduire le trafic robot-serveur et la latence, facilitant le partage opportun de l'information environnementale entre les robots collaboratifs.

Contributions Clés

Paramétrage Basé sur le Comportement : Une décomposition novatrice du mouvement du robot en comportements d'évitement d'obstacles, de rotation vers la cible et d'approche de la cible pour paramétrer les variables de commande sous contraintes non holonomes.
Architecture de Planification Hybride : La combinaison d'un modèle de planification basé sur les réseaux de neurones avec le Recuit Simulé pour rechercher des minima globaux proches dans des paysages énergétiques complexes.
Contrôleur Flou de Correction d'Erreur : Une stratégie de contrôle flou spécifique qui utilise les erreurs de cap et de décalage latéral pour ajuster rapidement les différentiels de vitesse des roues, garantissant que le robot reste dans les seuils de déviation définis.
Exécution Optimisée par l'Edge : Un cadre qui intègre l'edge computing pour répondre aux contraintes de latence et de bande passante dans la collaboration industrielle.

Résultats Expérimentaux
La méthode a été évaluée à l'aide de simulations Matlab 2024, comparant l'approche proposée à deux bases de référence : un planificateur de contraintes généralisées par asservissement visuel et un planificateur de champ de sécurité dynamique/statique.

Déviation de Trajectoire : La méthode proposée a maintenu les déviations à moins de $\pm5$ cm et a atteint la convergence en 10 ms, surpassant les bases de référence tant en stabilité qu'en vitesse de convergence.
Longueur de Trajectoire : À mesure que les itérations augmentaient (jusqu'à 500), la méthode proposée générait systématiquement des trajectoires plus courtes. À 500 itérations, la méthode proposée a atteint une longueur de trajet de 106 m, contre 118 m (asservissement visuel) et 117 m (champ de sécurité). La longueur moyenne de trajectoire pour la méthode proposée était de 114 m, nettement plus courte que les bases de référence (132 m et 130 m, respectivement).
Robustesse : Les simulations ont démontré une robustesse améliorée de la navigation globale dans des conditions stochastiques.

Signification et Limites
Le document affirme que cette approche améliore la robustesse de la navigation globale dans des contextes industriels réels en équilibrant efficacement l'optimalité de la trajectoire avec l'évitement de collision et la stabilité de suivi. L'intégration de l'edge computing est soulignée comme un facteur critique pour réduire la latence dans les environnements collaboratifs.

Les auteurs reconnaissent modestement les limites, notant la dépendance du système à des hypothèses de modélisation spécifiques, l'utilisation de fonctions d'appartenance et de règles floues conçues manuellement, ainsi que la sensibilité au bruit des capteurs ou aux changements environnementaux brusques. Les travaux futurs consistent à intégrer une détection sensible à l'incertitude, un réglage adaptatif des paramètres flous et une validation par des expériences sur des robots réels.