Teaching Industry 4.0: An Open-Source Framework for Cooperative Robotics in the Learning Factory
Cet article présente la conception, l'implémentation et la validation d'un banc d'essai éducatif open-source et à bas coût au sein d'une Usine Intelligente (Learning Factory) qui intègre des robots mobiles coopératifs, des bras collaboratifs et une vision pilotée par l'IA afin d'enseigner efficacement les principes de l'Industrie 4.0 par l'apprentissage par projet.
Article original sous licence CC BY 4.0 (https://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
Les usines modernes sont en train de changer. Elles deviennent des lieux où les machines se parlent, prennent leurs propres décisions et se déplacent sans conducteurs humains. Ce changement, souvent appelé la quatrième révolution industrielle, repose sur trois idées principales travaillant de concert. Premièrement, il y a les « systèmes cyber-physiques », ce qui signifie simplement des machines physiques comme des robots qui sont connectés à des cerveaux numériques. Deuxièmement, l'« Internet des Objets » permet à ces machines d'envoyer des données sur leur état et leur environnement via Internet. Troisièmement, l'intelligence artificielle aide les machines à voir et à comprendre ce qu'elles regardent. Pour les ingénieurs du futur, apprendre comment construire et gérer ces machines qui parlent et qui pensent n'est plus une option ; c'est essentiel. Cependant, enseigner ces compétences complexes dans une salle de classe est difficile. Les vrais robots d'usine sont coûteux, et le logiciel qui les fait fonctionner est souvent trop compliqué pour que les étudiants puissent s'en amuser. Les écoles ont besoin d'un moyen de montrer aux étudiants comment ces différentes parties s'assemblent sans se ruiner.
Une équipe de chercheurs de l'Institut technologique de Monterrey et de l'enseignement supérieur au Mexique a construit une solution à ce problème. Ils ont créé un modèle fonctionnel d'une cellule d'usine intelligente que les étudiants peuvent construire, casser et réparer. Ce projet n'est pas seulement une simulation sur un écran d'ordinateur ; c'est une installation physique où de vrais robots déplacent de vrais objets. L'objectif était de prouver qu'un système open-source à bas coût pouvait gérer une tâche complexe : ramasser des objets, identifier leur couleur et les trier dans différents bacs, tout en tenant un registre numérique de chaque mouvement. Les chercheurs voulaient voir si ce genre de projet pratique pouvait réellement enseigner aux étudiants comment intégrer la robotique, la connectivité Internet et l'intelligence artificielle.
Le système qu'ils ont construit repose sur deux robots principaux travaillant en équipe. L'un est un robot mobile, un véhicule intelligent autonome (AIV) Omron LD-60, qui roule de lui-même sur le sol. L'autre est un robot collaboratif stationnaire Omron TM5-900 qui est assis à une table. Pour les faire travailler ensemble, les chercheurs les ont connectés par un réseau qui agit comme un système nerveux, permettant aux robots d'envoyer des messages instantanément. Lorsque le robot mobile arrive à la table, il s'arrête et attend. Le bras robotique tend la main pour saisir un bloc. Avant que le bras ne déplace le bloc, une caméra prend une photo de celui-ci. C'est ici que l'intelligence artificielle intervient. Au lieu d'utiliser une règle simple et préprogrammée pour deviner la couleur, le système envoie l'image à un service d'IA puissant basé sur le cloud. L'IA examine l'image et dit au système exactement quelle est la couleur du bloc.
Une fois la couleur connue, le système prend une décision. Si le bloc est vert, le robot mobile reçoit l'ordre de rouler vers le point de passage vert. S'il est bleu, il va vers le point de passage bleu. Le bras robotique ramasse ensuite le bloc et le place sur le robot mobile, qui roule vers l'emplacement correct pour le déposer. Tout au long de ce processus, chaque action est enregistrée dans une base de données cloud. Cela signifie que toute personne disposant d'un accès Internet peut regarder un tableau de bord en direct montrant exactement où se trouvent les robots, ce qu'ils font et si des erreurs se sont produites. Les chercheurs ont conçu les pièces du robot, comme la pince qui tient les blocs, en utilisant des imprimantes 3D, maintenant ainsi le coût du matériel très bas. Ils ont rendu tout le code informatique et les plans de conception gratuits, afin que d'autres écoles puissent copier exactement l'installation.
L'équipe a testé ce système de manière rigoureuse. Ils ont exécuté le processus de tri cent fois de suite pour voir à quelle fréquence il fonctionnait sans échouer. Les robots ont accompli la tâche avec succès quatre-vingt-quatorze pour cent du temps. Lorsqu'ils ont examiné spécifiquement la capacité de l'intelligence artificielle à identifier les couleurs, elle était correcte quatre-vingt-quatorze virgule deux pour cent du temps. Le système était également rapide ; le temps nécessaire pour que les robots s'envoient des messages a été mesuré à trente-deux millisecondes, ce qui est une fraction de seconde. Les chercheurs ont également mesuré ce que les étudiants ont appris. Avant le projet, les étudiants ont évalué leur compréhension de ces technologies sur une échelle. Après avoir construit et exploité le système, leur confiance et leurs connaissances auto-déclarées ont bondi de manière significative.
Le projet a révélé certaines limites qui sont importantes pour l'apprentissage futur. Bien que le système fonctionne bien, les chercheurs ont noté que compter sur Internet pour la vision par IA crée un risque. Si la connexion Internet échoue, les robots ne peuvent plus « voir » les blocs. Ils ont également constaté que le temps nécessaire à l'IA pour traiter une image était d'environ une virgante huit secondes, ce qui est rapide pour une salle de classe mais pourrait être trop lent pour une usine à haute vitesse. Ces problèmes n'ont pas été considérés comme des échecs, mais comme des leçons précieuses. Ils fournissent un exemple concret pour que les étudiants discutent de la manière de rendre les systèmes plus fiables, par exemple en ajoutant des systèmes de secours ou en traitant les données localement sur le robot plutôt que dans le cloud.
Ce travail démontre qu'il est possible de construire un système robotique coopératif sophistiqué qui soit assez abordable pour une salle de classe universitaire. En combinant un véhicule autonome, un bras robotique, une intelligence basée sur le cloud et un système de suivi numérique, les chercheurs ont créé un outil d'apprentissage complet. Le système a atteint une fiabilité de tri de quatre-vingt-dix-huit pour cent et une précision de vision de quatre-vingt-quatorze virgule deux pour cent, prouvant que des composants à bas coût peuvent accomplir des tâches industrielles complexes. Plus important encore, cela a montré que lorsque les étudiants construisent ces systèmes eux-mêmes, ils acquièrent une compréhension beaucoup plus profonde de la façon dont la fabrication du futur fonctionnera réellement. Le projet offre un modèle pour que les écoles enseignent à la prochaine génération d'ingénieurs comment gérer les usines intelligentes et connectées de demain.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.