⚡ electrical engineering

Integrated Identification of Collaborative Robots for Robot Assisted 3D Printing Processes

Cet article propose une méthode d'identification intégrée en cinq étapes pour modéliser avec précision la dynamique d'un robot collaboratif utilisé dans l'impression 3D assistée, permettant ainsi d'améliorer la précision, le contrôle et la prédiction des erreurs malgré les limitations des capteurs et de la programmation.

Auteurs originaux : Alessandro Dimauro, Davide Tebaldi, Fabio Pini, Luigi Biagiotti, Francesco Leali

Publié 2026-04-03

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Alessandro Dimauro, Davide Tebaldi, Fabio Pini, Luigi Biagiotti, Francesco Leali

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

🤖 Le Robot Peintre et son "Cerveau" Numérique

Imaginez que vous voulez construire une maison en Lego, mais au lieu de le faire sur une table plate, vous devez le faire en l'air, sur des murs courbes et des formes complexes. C'est ce que fait l'impression 3D assistée par robot. Mais il y a un problème : les robots sont comme des bras humains très musclés mais parfois un peu "tremblants" quand ils bougent vite. Ils ne sont pas aussi rigides qu'une machine-outil classique, et leurs mouvements sont complexes.

Les chercheurs de l'Université de Modène (en Italie) ont voulu résoudre ce problème. Leur but ? Créer un modèle numérique (une sorte de "jumeau virtuel") du robot qui soit si précis qu'il puisse prédire exactement comment le robot va bouger, même avant qu'il ne bouge.

🧩 Le Problème : Le Robot est un Mystère

Normalement, pour programmer un robot, on lui donne des ordres simples : "Va au point A, puis au point B". Mais en réalité, le robot est une machine complexe :

Ses moteurs ont de l'inertie (ils mettent du temps à démarrer ou à s'arrêter).
Ses engrenages ont un peu de jeu (comme une porte qui grince).
Il y a du frottement dans ses articulations (comme quand on frotte deux mains l'une contre l'autre).

Si le robot ne connaît pas parfaitement toutes ces petites imperfections, il peut faire des erreurs de précision, ce qui gâche la pièce imprimée en 3D.

🔍 La Solution : Une Méthode en 5 Étapes (Le "Détective")

Au lieu de deviner tous les paramètres d'un coup (ce qui est très difficile et souvent faux), les chercheurs ont inventé une méthode en 5 étapes, comme un détective qui résout un crime pièce par pièce :

Regarder les plans (CAD) : Ils commencent par regarder les plans 3D du robot pour estimer le poids et la forme de chaque pièce. C'est comme si on pesait un gâteau en regardant la recette avant de le cuire.
Le test de la balance (Statique) : Ils placent le robot dans des positions fixes et mesurent la force que ses moteurs doivent faire pour tenir le coup. Cela leur permet de corriger les poids estimés. C'est comme ajuster le poids d'un sac à dos en sentant si on penche trop à gauche ou à droite.
Le test du patin à glace (Frottement) : Ils font bouger le robot très lentement, en avant et en arrière. En comparant les deux mouvements, ils peuvent isoler la "résistance" (le frottement) qui freine le robot, comme si on mesurait la friction de vos patins sur la glace.
Le test du nerf (Contrôleur) : Les robots collaboratifs (ceux qui travaillent avec des humains) sont prudents et ne peuvent pas faire de mouvements brusques. Les chercheurs ont donc appliqué de petites "poussées" douces pour voir comment le cerveau du robot réagit et se corrige.
Le remplissage des trous (Le reste) : Pour les paramètres qu'on ne peut pas mesurer facilement (comme la rigidité exacte des ressorts internes), ils utilisent des valeurs typiques trouvées dans la littérature scientifique, comme un mécanicien qui connaît le standard des pièces de voiture.

🏁 Le Résultat : Un Robot qui "Sent" ses Mouvements

Une fois ce modèle créé, ils l'ont testé sur un vrai robot (un ABB GoFa) qui imprimait des objets en plastique.

La comparaison : Ils ont comparé ce que le modèle prédisait avec ce que le robot a réellement fait.
Le verdict : C'était une correspondance presque parfaite ! Le modèle savait exactement où le robot allait être, même quand il bougeait vite ou imprimait des formes complexes.

💡 Pourquoi c'est génial ?

Imaginez que vous conduisez une voiture dans le brouillard. Si vous avez une carte très précise (le modèle), vous savez exactement où sont les virages avant de les voir.
Grâce à ce travail :

On peut imprimer des pièces plus précises.
On peut corriger les erreurs en temps réel (le robot se corrige tout seul pendant qu'il imprime).
On peut utiliser des robots moins chers (collaboratifs) pour faire des travaux de haute précision, ce qui ouvre la porte à une production de masse de pièces complexes, par exemple dans l'industrie automobile.

En résumé, les chercheurs ont appris au robot à mieux se connaître lui-même, transformant un bras mécanique un peu "maladroit" en un artiste de précision capable de sculpter le futur, couche par couche.

1. Problématique

L'intégration de la fabrication additive (impression 3D) et de la robotique industrielle offre de nouvelles perspectives pour la production de pièces complexes, notamment dans le secteur automobile, en permettant des dépôts non plans et une flexibilité géométrique supérieure aux systèmes cartésiens traditionnels. Cependant, l'utilisation de bras robotisés collaboratifs (cobots) pour l'impression 3D introduit des défis majeurs :

Limitations dynamiques : Les bras articulés présentent une rigidité inférieure et des dynamiques fortement couplées entre les articulations, affectant la précision positionnelle à haute vitesse.
Complexité de modélisation : La précision, le contrôle et la prédiction des erreurs sont compromis par la complexité dynamique croissante des manipulateurs.
Contraintes des cobots : Les cobots disposent souvent de capteurs limités et de restrictions de programmation (mouvements brusques interdits pour la sécurité), rendant difficile l'identification précise des paramètres dynamiques par les méthodes classiques.
Incohérence physique : Les méthodes d'identification traditionnelles (régression linéaire) ne garantissent pas toujours la cohérence physique des paramètres identifiés (masses, inerties, frottements).

2. Méthodologie

Les auteurs proposent une approche basée sur un modèle dynamique complet incluant le robot, les actionneurs et les contrôleurs, validée par une procédure d'identification intégrée en cinq étapes. Cette méthode découple le problème complexe d'identification en sous-problèmes séquentiels pour garantir la cohérence physique.

Le modèle dynamique (basé sur les équations d'Euler-Lagrange) intègre :

La dynamique du manipulateur (matrice de masse, termes de Coriolis/centrifuges, gravité).
La dynamique des moteurs électriques (inductance, résistance, constante de couple).
La transmission élastique (raideur et amortissement).
Le contrôleur (régulateur PI).
Le frottement (modèle de Stribeck + visqueux).

Les cinq étapes de l'identification :

Analyse géométrique et inertiale initiale (à partir du fichier CAO) :
- Utilisation des données CAD pour calculer les volumes et déduire les densités moyennes.
- Identification des paramètres géométriques (vecteurs de distance, axes de rotation) et des premiers paramètres inertiels (centres de masse, tenseurs d'inertie) pour les 39 paramètres géométriques et 60 paramètres inertiels d'un robot 6-DoFs.
Raffinement des paramètres inertiels (mesures statiques) :
- Réalisation de mesures statiques dans des poses stratégiques pour affiner les masses et les centres de masse.
- Utilisation de coefficients de correction ( $\lambda_k$ ) appliqués aux valeurs CAD pour minimiser l'erreur entre les couples mesurés et estimés, sans nécessiter de procédure itérative lourde.
Identification des paramètres de frottement (mesures à basse vitesse) :
- Utilisation de trajectoires périodiques symétriques à vitesse constante (sens positif et négatif).
- Soustraction des équations dynamiques pour annuler les termes d'inertie, de Coriolis et de gravité, isolant ainsi le couple de frottement.
- Reconstruction de la caractéristique de frottement $\tau_f(\dot{q})$ sans capteur de force/torque externe.
Identification des paramètres du contrôleur (mesures statiques perturbées) :
- Application de perturbations de couple externes sur le robot à l'arrêt pour identifier les gains du contrôleur ( $K_p, T_z$ ).
- Cette étape contourne la limitation des cobots qui empêchent les mouvements rapides nécessaires à l'analyse fréquentielle classique.
Identification des paramètres restants (estimation) :
- Estimation des paramètres difficiles à mesurer directement (rapport de réduction, constantes électriques, inertie rotor, raideur de transmission) en se basant sur des valeurs typiques de la littérature et des hypothèses de conception (ex: $r_i = 1$ pour l'échelle, constantes de temps électriques).

3. Contributions Clés

Procédure d'identification intégrée : Une méthodologie en 5 étapes qui assure intrinsèquement la cohérence physique des paramètres identifiés, évitant les solutions non physiques souvent rencontrées avec les méthodes de régression globale.
Modélisation complète : Le modèle ne se limite pas à la dynamique du manipulateur mais inclut explicitement la dynamique des actionneurs électriques, des transmissions élastiques et des contrôleurs PI.
Adaptation aux contraintes des cobots : La méthode est spécifiquement conçue pour fonctionner avec les limitations des robots collaboratifs (impossibilité de mouvements brusques, capteurs limités), en utilisant des perturbations statiques et des trajectoires symétriques lentes.
Validation expérimentale rigoureuse : Application sur un cas réel d'impression 3D thermoplastique avec un robot ABB GoFa CRB15000.

4. Résultats

L'approche a été validée sur un robot collaboratif ABB GoFa CRB15000 utilisé pour l'extrusion de thermoplastique.

Précision du modèle : Une forte concordance a été observée entre les trajectoires simulées du modèle identifié et les acquisitions expérimentales réelles. Les erreurs quadratiques moyennes (RMSE) et les erreurs absolues moyennes (MAE) sur les coordonnées du TCP (Tool Center Point) sont faibles (ex: RMSE-X < 0,3 mm pour la plupart des tests).
Analyse des facteurs d'influence :
- La vitesse d'impression lente ( $v_{slow}$ ) est le facteur dominant dégradant la précision et la qualité d'impression, surtout dans la direction Y.
- La distance par rapport à la base ( $d$ ) influence la dégradation de la précision : les configurations étendues augmentent les erreurs.
- L'accélération ( $a$ ) et la vitesse rapide ( $v_{fast}$ ) ont une influence statistiquement faible sur la précision globale, bien que $v_{fast}$ puisse affecter la qualité d'impression selon le contexte.
Qualité d'impression : Les analyses sur des cubes imprimés montrent que l'augmentation de la vitesse d'impression lente entraîne une augmentation significative des écarts dimensionnels (jusqu'à 2 mm de différence entre les écarts max entrants et sortants pour les vitesses les plus élevées).

5. Signification et Impact

Ce travail démontre qu'il est possible de développer un modèle dynamique fiable pour les robots collaboratifs utilisés en fabrication additive, malgré leurs limitations de capteurs et de programmation.

Amélioration du contrôle : Un modèle dynamique précis permet de mieux prédire et compenser les erreurs dynamiques, améliorant ainsi la précision de dépôt.
Optimisation du processus : La compréhension des facteurs influençant la précision (vitesse, configuration) permet d'optimiser les trajectoires d'impression pour maximiser la qualité des pièces.
Vers le Jumeau Numérique : Cette approche de modélisation et d'identification constitue une base solide pour le développement de jumeaux numériques fiables dans le domaine de l'impression 3D robotisée, facilitant la prédiction des défauts et le contrôle en ligne.

En conclusion, la méthode proposée offre une voie robuste pour surmonter les défis de la dynamique robotique dans l'impression 3D, ouvrant la voie à une production assistée par robot plus précise et fiable.