Comment concevoir des rails de robot et des systèmes à 7ème axe pour les environnements réels

SOAR : optimisation conjointe en temps réel pour l'allocation des commandes et l'ordonnancement des robots mobiles

Des chercheurs, en collaboration avec Geekplus, ont publié SOAR (Simultaneous Order Allocation and Robot Scheduling), un framework d'apprentissage par renforcement profond conçu pour optimiser en temps réel la coordination des robots dans les systèmes de préparation de commandes automatisés (RMFS, Robotic Mobile Fulfillment Systems). Déposé sur arXiv en mai 2026 (arXiv:2605.03842), le système unifie deux sous-problèmes classiquement découplés, l'allocation des commandes et la planification des robots mobiles, en un seul agent décisionnel. Sur des données industrielles réelles fournies par Geekplus, SOAR réduit le makespan global de 7,5 % et le temps moyen de complétion des commandes de 15,4 %, avec une latence de décision inférieure à 100 ms. La viabilité du système a été confirmée par un déploiement en environnement de production via une procédure sim-to-real. Techniquement, le problème est formulé comme un processus de décision de Markov piloté par événements (Event-Driven MDP), où l'agent réagit à des événements asynchrones (fin de tâche, arrivée de commande) grâce à un Heterogeneous Graph Transformer encodant l'état de l'entrepôt, complété par une stratégie de reward shaping pour gérer la rareté du signal de récompense sur les longues séquences. Les RMFS équipent aujourd'hui les grands centres logistiques : des flottes de robots mobiles (AMR) transportent des étagères entières vers des postes de picking humains ou automatisés. Le goulot d'étranglement traditionnel vient du couplage fort entre allocation et ordonnancement : les approches décomposées sacrifient l'optimalité globale pour garantir la réactivité, tandis que les modèles d'optimisation classiques comme les MILP ou CP-SAT sont trop lents pour des environnements à haute cadence. SOAR casse ce compromis en prouvant qu'un agent de deep RL peut raisonner globalement tout en répondant en moins de 100 ms, ce qui constituait un verrou industriel reconnu. Plus significatif encore, la validation sim-to-real en conditions de production distingue ce travail de la majorité des publications académiques qui restent cantonnées à la simulation. Geekplus, fondé en 2015 à Pékin, est l'un des leaders mondiaux des AMR pour la logistique d'entrepôt, avec des déploiements dans plus de 40 pays chez des clients comme Decathlon et JD.com. Sa participation directe à cette recherche signale une intégration croissante entre laboratoires académiques et industriels pour raccourcir le cycle lab-to-production. Sur le marché, Geekplus concurrence Hai Robotics et AutoStore, mais aussi en Europe des acteurs comme Exotec (France), dont le système Skypod adresse des problèmes similaires de coordination multi-robots à grande échelle. SOAR s'inscrit dans un corpus actif de travaux sur le RL multi-agent pour la planification en entrepôt, mais se distingue par son approche unifiée et son ancrage en production confirmé. Le code est disponible en open source sur GitHub, ce qui devrait faciliter son adaptation à d'autres architectures RMFS.

ABB Robotics lance la famille de cobots PoWa pour les tâches industrielles

ABB Robotics a officiellement lancé cette semaine la famille de cobots PoWa, une gamme de six modèles couvrant des capacités de charge utile allant de 7 à 30 kg, avec une vitesse maximale annoncée de 5,8 m/s. Destinés à des applications industrielles comme l'alimentation de machines, la palettisation, le vissage et la soudure à l'arc, ces cobots reposent sur le contrôleur ABB OmniCore et s'intègrent aux logiciels maison RobotStudio et Wizard Easy Programming. ABB met en avant une mise en service inférieure à une heure, une programmation sans code via des boutons sur le bras, et une compatibilité avec un large écosystème d'accessoires tiers. La gamme est présentée comme un produit disponible à la vente, non comme un teaser, bien que les volumes de déploiement initiaux et la tarification n'aient pas été communiqués. Ce lancement répond à un vrai vide de marché : les cobots classiques plafonnent généralement autour de 10 à 16 kg avec des vitesses limitées, insuffisants pour les applications cycle rapide à charge élevée typiques de l'industrie manufacturière dense. ABB positionne PoWa comme une alternative aux robots industriels traditionnels pour les entreprises qui veulent automatiser des tâches lourdes sans la rigidité opérationnelle et les coûts d'intégration associés. Pour un COO industriel ou un intégrateur, le message est lisible : payload de 30 kg à 5,8 m/s dans un encombrement cobot, avec une programmation accessible aux opérateurs non-spécialistes. Le marché des cobots est estimé en croissance de 20 % par an jusqu'en 2028 selon ABB, un chiffre cohérent avec les projections sectorielles, ce qui rend la fenêtre de lancement stratégiquement pertinente. L'intégration annoncée des librairies NVIDIA Omniverse dans RobotStudio (sous le nom RobotStudio HyperReality, attendu en abonnement pour le second semestre 2026) indique une trajectoire vers la simulation haute fidélité et le déploiement sim-to-real, encore au stade de l'annonce à ce stade. ABB Robotics est l'un des quatre grands du robot industriel mondial, aux côtés de FANUC, KUKA et Yaskawa Motoman. Ses quelque 7 000 employés opèrent depuis un QG américain à Auburn Hills, Michigan. En octobre 2025, ABB Group a annoncé la cession de sa division robotique à SoftBank Group pour 5,3 milliards de dollars, une transaction qui n'est pas encore finalisée et dont les implications sur la stratégie produit restent à préciser. Sur le segment des cobots à forte charge, ABB affronte désormais des acteurs comme Universal Robots (UR20, 20 kg), FANUC CRX-25iA (25 kg) et Techman Robot, mais aussi des challengers asiatiques comme Doosan Robotics ou Elephant Robotics montant en gamme. Aucun partenaire FR/EU n'est mentionné dans ce lancement. Les prochaines étapes annoncées se limitent à RobotStudio HyperReality en H2 2026 ; aucun pilote client ni site de déploiement n'a été rendu public à ce stade.

💬 30 kg à 5,8 m/s dans un encombrement cobot, c'est le genre de fiche technique qui fait relire deux fois. ABB bouche un vrai trou là où Universal Robots et FANUC plafonnent encore à 20-25 kg avec des vitesses qui limitent les cycles rapides, et la mise en service en moins d'une heure c'est pas du marketing si ça tient en prod. Reste quand même la question qui flotte : avec la cession à SoftBank pas encore bouclée à 5,3 milliards, on sait pas vraiment qui tiendra le volant sur la roadmap dans 18 mois.

Locus Robotics déploie Locus Array pour l'automatisation complète des entrepôts

Locus Robotics, spécialiste américain des systèmes d'automatisation d'entrepôts, a officialisé le lancement de Locus Array, une solution qu'elle qualifie de système de préparation de commandes entièrement autonome. La plateforme intègre des robots mobiles autonomes (AMR), un bras de préhension robotisé et un module de perception piloté par IA, avec l'objectif de couvrir l'ensemble du flux de traitement des commandes sans intervention humaine. Des déploiements en accès anticipé sont déjà engagés chez des clients en Amérique du Nord, bien que les détails opérationnels (payload, cadence de cycle, taux de précision) n'aient pas encore été communiqués publiquement. L'enjeu industriel est réel : les AMR de première génération automatisaient le transport inter-zones, mais laissaient le picking, tâche la plus coûteuse en main-d'oeuvre -- à des opérateurs humains. Intégrer un bras de préhension directement sur la plateforme mobile représente un saut architectural vers l'autonomie bout-en-bout. Pour les intégrateurs et les décideurs logistiques, cela change le calcul du ROI : si les métriques tiennent à l'échelle, l'argument pour réduire les effectifs de picking devient structurel. Reste à valider la robustesse hors conditions contrôlées, un point que l'annonce ne documente pas encore. Locus Robotics a levé plus de 400 millions de dollars depuis sa fondation en 2015, mais a traversé une période difficile en 2023, avec des réductions d'effectifs significatives liées à un ralentissement du marché e-commerce. Locus Array s'inscrit donc dans une stratégie de repositionnement vers la valeur ajoutée. Sur ce segment, la concurrence est dense : Exotec (Roubaix, France) avec son système Skypod, Symbotic, Geek+ et Boston Dynamics avec Stretch visent tous le même créneau de préparation autonome. La phase d'accès anticipé devra produire des données opérationnelles convaincantes pour crédibiliser la proposition face à ces acteurs déjà déployés à grande échelle.

Décision séquentielle par apprentissage multi-échelle pour la préparation de commandes en robotique de manutention

Des chercheurs ont publié en mai 2026 sur arXiv (référence 2605.08758) un framework de décision séquentielle baptisé OLSF-TRS, pour Omni-scale Learning-based Sequential Decision Framework for Tote-handling Robotic Systems. Ce système combine optimisation combinatoire structurée et apprentissage par renforcement multi-agent (MARL) pour coordonner simultanément les décisions liées aux commandes, aux bacs de manutention (totes) et aux robots dans les centres de préparation automatisés. En configuration petite échelle, OLSF-TRS affiche un écart d'optimalité moyen inférieur à 3,5% sur deux architectures système distinctes. En configuration grande échelle, il réduit les mouvements de bacs de 8 à 12% par rapport aux baselines heuristiques classiques, et de plus de 30% par rapport aux approches règle-based de l'état de l'art, tout en maintenant une réactivité en temps réel. L'enjeu concret pour les intégrateurs intralogistiques est significatif : la quasi-totalité des frameworks existants sont conçus sur mesure pour un type de système spécifique, tri-sorter, mini-load AS/RS ou AMR grid-based, ce qui rend tout transfert à un autre contexte laborieux. OLSF-TRS propose une couche de pilotage unifiée et scalable, potentiellement applicable à des architectures hétérogènes. La réduction de plus de 30% des mouvements de bacs se traduit directement en gains énergétiques, réduction de l'usure mécanique et meilleure stabilité du throughput, des KPIs centraux pour les COOs industriels. À noter cependant que les résultats reposent sur des simulations et benchmarks comparatifs sans déploiement terrain documenté, ce qui laisse entière la question du sim-to-real gap en production réelle. Ce travail s'inscrit dans une tendance structurelle de fond : la substitution des palettes par les bacs comme unité logistique primaire, portée par l'explosion du e-commerce et la fragmentation des commandes en petites séries. Des acteurs comme Exotec (France, système Skypod), AutoStore (Norvège) ou Geek+ (Chine) opèrent des déploiements massifs en grid-based robotics confrontés exactement à ces problèmes de coordination ordres-bacs-robots à grande échelle. La convergence entre optimisation combinatoire de type VRP et MARL est un champ de recherche en pleine effervescence, porté par des laboratoires industriels en Europe et en Asie. L'article ne mentionne ni partenariat industriel ni timeline de commercialisation, le positionnant comme une contribution académique précompétitive.