Aller au contenu principal
IndustrielRobotics & Automation News 

Comau développe un système robotisé de préparation de commandes pour l'e-commerce de Decathlon

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Comau, groupe italien d'automatisation industrielle, a conçu et validé un système de préparation de commandes testé dans les opérations logistiques e-commerce de Decathlon. Les essais s'inscrivent dans MASTERLY, une initiative européenne qui vise à faire passer l'industrie de la production de masse classique à des systèmes flexibles et personnalisés. La solution repose sur le cobot MyCo de Comau, piloté par une architecture logicielle ROS2, et associe des capteurs intelligents à une couche de perception. Le communiqué disponible ne donne ni cadence, ni taux de prise réussie, ni nombre de références manipulées, ni durée ou site précis du test. Il s'agit donc d'un pilote validé en conditions d'essai, pas d'un déploiement commercial annoncé.

L'intérêt est moins technologique que démonstratif. La préparation de commandes e-commerce, avec ses milliers de références hétérogènes et ses pics saisonniers, reste l'un des derniers maillons peu automatisés de l'entrepôt. Un cobot standard sur une pile logicielle ouverte ROS2 laisse espérer un coût d'intégration plus faible que des cellules propriétaires, un point à surveiller pour les intégrateurs. Sans métriques publiées, la question de l'écart entre démonstration et exploitation reste entière.

Côté contexte, Comau s'appuie sur sa gamme de cobots et sur des programmes européens pour valider des cas d'usage hors de l'automobile. Decathlon, enseigne française, fournit un terrain logistique réel. Le segment du picking robotisé est déjà occupé par des acteurs comme Exotec (France, systèmes goods-to-person), RightHand Robotics ou Dexterity. La suite dépendra d'éventuels résultats chiffrés et d'un passage à l'échelle sur plusieurs sites, aucun n'étant annoncé à ce stade.

Impact France/UE

Un pilote logistique e-commerce chez Decathlon, enseigne française, dans le cadre du programme européen MASTERLY, illustre l'usage de cobots sur pile ROS2 ouverte pour le picking en Europe.

À lire aussi

Un cadre d'apprentissage par renforcement neuromorphique pour la planification de chemin efficace dans les systèmes robotisés de préparation de commandes
1arXiv cs.RO 

Un cadre d'apprentissage par renforcement neuromorphique pour la planification de chemin efficace dans les systèmes robotisés de préparation de commandes

Une équipe de chercheurs a publié sur arXiv (référence 2606.20031) le framework SDQN-RMFS, une chaîne de traitement complète qui associe apprentissage par renforcement et calcul neuromorphique pour la navigation de robots mobiles dans les systèmes d'exécution d'entrepôts (RMFS, Robotic Mobile Fulfillment Systems). Le pipeline fonctionne en deux temps : une politique est d'abord entraînée sur un réseau de neurones artificiel (ANN) classique, en pleine précision, via une stratégie d'entraînement autorisant les collisions afin de densifier les trajectoires informatives. Elle est ensuite convertie en réseau de neurones impulsionnels (SNN, Spiking Neural Network) grâce à une distillation de connaissance à labels durs (hard-label knowledge distillation), technique qui compense le décalage de distribution entre les deux architectures. Déployé sur puce neuromorphique, le système atteint jusqu'à 11 281 fois d'économies d'énergie par rapport à une baseline GPU haute performance, avec une réduction de latence de près de 2×, sans dégradation mesurable de la qualité de décision. Ces résultats sont significatifs pour quiconque opère un entrepôt automatisé à grande échelle : l'énergie consommée par les unités de calcul embarquées constitue un poste de coût non négligeable dès que la flotte dépasse quelques centaines d'AMR (autonomous mobile robots). La contribution technique principale est de démontrer, sur matériel réel et non en simulation, qu'une politique RL peut survivre à la conversion ANN-vers-SNN sans effondrement de performance, un point de friction longtemps considéré comme rédhibitoire pour le déploiement neuromorphique industriel. Le travail valide également l'approche sim-to-real dans un contexte d'entrepôt dense et dynamique, là où les méthodes classiques de planification de chemin (A*, règles heuristiques) peinent à répondre en temps réel sous contrainte de ressources. Les RMFS sont au coeur des entrepôts d'Amazon Robotics (issu de l'acquisition de Kiva Systems), de Geek+ ou d'Hai Robotics, mais aussi du français Exotec, dont le système Skypod mobilise des flottes de plusieurs milliers de robots. Le calcul neuromorphique mobilise des acteurs comme Intel (puce Loihi 2) et des laboratoires académiques européens autour de BrainScaleS. Ce preprint n'a pas encore été soumis à révision par les pairs, et les conditions exactes des expériences matérielles (type de puce, taille de l'entrepôt simulé, densité de flotte) mériteraient d'être précisées avant tout benchmark concurrentiel. Les prochaines étapes logiques seraient un pilote en entrepôt réel et une évaluation sur flottes hétérogènes.

UEExotec (Skypod) et les laboratoires européens autour de BrainScaleS sont directement concernés par cette avancée en calcul neuromorphique qui pourrait réduire drastiquement les coûts énergétiques des flottes AMR à grande échelle.

IndustrielOpinion
1 source
Décision séquentielle par apprentissage multi-échelle pour la préparation de commandes en robotique de manutention
2arXiv cs.RO 

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.

UEExotec (France, Skypod) et AutoStore (Norvège) opèrent des déploiements massifs confrontés exactement aux problèmes de coordination ordres-bacs-robots adressés par ce framework, en faisant une piste de R&D directement pertinente pour l'intralogistique européenne.

IndustrielPaper
1 source
Locus Robotics déploie Locus Array pour l'automatisation complète des entrepôts
3Robotics & Automation News 

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.

UEExotec (Roubaix, France) est directement en compétition sur ce créneau de préparation autonome et devra défendre sa position si Locus Array produit des métriques opérationnelles convaincantes à l'échelle.

IndustrielOpinion
1 source
Comment Locus s'attaque à la préhension, l'un des plus grands défis de la robotique
4Robotics Business Review 

Comment Locus s'attaque à la préhension, l'un des plus grands défis de la robotique

Locus Robotics, spécialiste des robots mobiles autonomes (AMR) crédité de plus de 6 milliards de picks réalisés en entrepôt, s'attaque désormais à la préhension robotique. L'entreprise était entrée sur ce marché en mars 2025 avec Array, un manipulateur mobile équipé d'un bras de picking guidé par vision et d'une ventouse standard. Plus d'un an après, Locus a racheté Nexera Robotics, société basée à Vancouver connue pour sa technologie de préhension NeuraGrasp, des pinces souples capables de saisir aussi bien de petits contenants que des sacs en polybag poreux ou des articles en tissu. Selon Roy Belak, ancien PDG de Nexera et désormais vice-président senior en charge de la préhension robotique chez Locus, NeuraGrasp en était déjà à sa sixième génération de produit au moment de la rencontre entre les deux entreprises, lors du salon MODEX en 2025. Locus avait alors déjà largement avancé le développement d'Array, mais l'architecture existante, alimentation pneumatique et électrique notamment, s'est révélée compatible avec l'intégration de la technologie Nexera. Belak n'a pas communiqué de calendrier précis, mais anticipe que la prochaine présentation publique d'Array intégrera NeuraGrasp. Cette acquisition illustre un enjeu central pour l'industrie de la logistique automatisée: la préhension universelle reste le principal goulot d'étranglement du picking robotisé, bien plus que la navigation ou la localisation, déjà largement maîtrisées par les AMR. D'après Belak, la ventouse seule couvre 60 à 70% des cas d'usage en entrepôt, mais échoue sur les 30 à 40% restants, articles déformables, poreux ou irréguliers, qui nécessitent une approche hybride combinant succion et pince. Pour les intégrateurs et décideurs B2B, ce mouvement confirme une tendance de fond du secteur: la préhension pinch gagne du terrain face à la succion pure pour atteindre des taux de couverture élevés sur des catalogues de SKU hétérogènes. Il s'agit toutefois pour l'instant d'une annonce de feuille de route et non d'un déploiement massif: Array circule encore chez les premiers clients avec sa ventouse d'origine, et les données d'usage nécessaires pour optimiser NeuraGrasp à grande échelle restent à collecter. Le rapprochement s'inscrit dans la course plus large à la manipulation robotique généraliste en entrepôt, où plusieurs acteurs développent des grippers universels ou des bras dotés de modèles vision-langage-action pour élargir la couverture SKU au-delà de la ventouse classique. Nexera apportait des années de R&D sur ses effecteurs souples mais cherchait un partenaire capable d'industrialiser et déployer sa technologie à grande échelle, un besoin auquel répond directement le réseau client de Locus, où une longue liste d'entreprises attend déjà l'accès à Array. Belak décrit une fenêtre d'opportunité étroite: un an de retard supplémentaire dans l'acquisition aurait rendu l'intégration technique beaucoup plus difficile compte tenu de l'avancement du développement d'Array. Les prochaines étapes attendues sont l'intégration effective de NeuraGrasp dans les unités Array déployées, la remontée de données terrain permettant d'affiner les algorithmes de préhension, puis une diffusion progressive de la technologie combinée auprès des clients existants et futurs de Locus.

IndustrielActu
1 source