Découvrez comment l’Edge AI et l’infrastructure cloud transforment la Physical AI et la robotique industrielle, en permettant des déploiements edge-to-cloud évolutifs, sécurisés et en temps réel.
Le secteur industriel utilise depuis longtemps des plateformes robotiques pour des tâches telles que la manutention des matériaux, la fabrication de produits et la gestion des stocks. Aujourd’hui, les robots mobiles autonomes (AMR), les robots collaboratifs (cobots) ainsi que les lignes avancées d’assemblage et d’inspection exploitent l’intelligence artificielle (IA) pour atteindre de nouveaux niveaux d’autonomie opérationnelle dans le cadre d’un nouveau domaine connu sous le nom de « Physical AI ».
Historiquement, de nombreuses charges de travail d’IA ont été associées au cloud computing, en raison de l’importante disponibilité de ressources qu’il offre et des contraintes traditionnelles de puissance et de performance du matériel embedded. À mesure que les tâches basées sur l’IA ont évolué, de la reconnaissance optique de caractères (OCR) à la détection automatisée des défauts, par exemple, les besoins en puissance de calcul ont continué d’augmenter.
Cependant, les plateformes de traitement modernes permettent désormais d’exécuter de nombreuses charges de travail d’IA sophistiquées directement sur le matériel edge. Par conséquent, ces technologies modifient la manière dont les ingénieurs abordent la conception des systèmes de robotique industrielle.
Les avantages opérationnels de l’intelligence locale
Bien que le cloud computing offre d’importantes ressources pour le traitement de l’IA, il peut introduire certaines problématiques pour la robotique industrielle:
La première concerne la latence de traitement, qui combine la latence réseau, la planification des tâches au sein des serveurs cloud et le temps de traitement dans le cloud. Les opérations à grande vitesse et hautement coordonnées — par exemple, l’inspection robotisée des produits et leur rejet sur les lignes d’assemblage — reposent sur des contraintes temporelles strictes afin de maximiser le throughput. Une latence variable réduit le déterminisme et, par conséquent, l’efficacité opérationnelle, car les vitesses doivent être réduites pour compenser.
Le traitement non local peut également constituer un obstacle à la continuité opérationnelle. Lors de pannes réseau, les équipements dépendant du cloud peuvent subir une dégradation de leurs fonctionnalités lorsque les ressources de traitement deviennent indisponibles. Si les temps d’arrêt qui en résultent peuvent être coûteux pour les fabricants, les pannes réseau peuvent également affecter la sécurité du personnel travaillant aux côtés de cobots et d’AMR si des processus sensoriels essentiels sont interrompus.
En outre, la bande passante réseau peut entraîner des préoccupations en matière de coûts et de throughput dans les cas d’usage à forte intensité de données, tels que les cobots d’inspection qualité équipés de caméras haute résolution. Par ailleurs, le fait que des données brutes quittent l’appareil pour être analysées peut accroître les risques liés à la confidentialité et à la sécurité des données. En déplaçant l’intelligence directement sur l’appareil, les développeurs de systèmes robotiques peuvent répondre à ces problématiques liées au traitement non local:
Le traitement des données à proximité de leur source se traduit généralement par une latence plus faible. Les développeurs peuvent également augmenter le déterminisme en utilisant des combinaisons matériel-logiciel conçues pour un fonctionnement en temps réel, permettant ainsi les niveaux élevés de coordination requis par les systèmes robotiques sur les lignes d’assemblage.
De même, le déplacement de tous les processus essentiels directement sur les plateformes robotiques contribue à assurer un fonctionnement sans réseau, réduisant ainsi le risque de temps d’arrêt et de dégradation des performances susceptibles d’affecter la productivité ou la sécurité des robots. Le traitement edge élimine également les contraintes de coût et de bande passante associées à l’analyse des données dans le cloud, tout en améliorant considérablement la confidentialité et la sécurité des données, puisque les données brutes n’ont pas besoin de quitter l’appareil.
Pour les équipes de robotique industrielle, une approche edge-first renforce l’attention portée par l’ingénierie hardware aux exigences de traitement et d’interfaçage des systèmes de Physical AI. Le développement est également complexifié par la mise en œuvre de logiciels applicatifs avancés et de workflows de déploiement de l’Edge AI. Néanmoins, l’intelligence embarquée ouvre la voie à une plus grande autonomie robotique.
Comment l’infrastructure cloud soutient la robotique industrielle
Bien que le traitement edge offre de nombreux avantages aux plateformes individuelles de robotique industrielle, l’infrastructure cloud continue de jouer un rôle important dans le soutien des opérations à l’échelle du déploiement:
La gestion de flotte basée sur le cloud permet aux équipes de coordonner les opérations quotidiennes comme les opérations planifiées sur un grand nombre de robots. Cela transforme efficacement des systèmes distincts en un réseau évolutif fonctionnant comme une seule entité, réduisant les goulets d’étranglement opérationnels, tels que des AMR bloquant mutuellement leurs itinéraires dans des espaces partagés.
Le cloud fournit également un espace centralisé pour le contrôle de supervision, l’observabilité via la télémétrie des appareils et la visualisation d’insights opérationnels ; par exemple, les taux de détection des défauts et le throughput de production sur une ligne d’assemblage, plutôt que les données brutes. Plus important encore, les plateformes cloud centralisent des tâches essentielles de software lifecycle management, telles que les mises à jour over-the-air (OTA), qui améliorent les performances des robots et permettent de remédier aux vulnérabilités de sécurité.
Combiner l’intelligence locale avec des plateformes cloud globales constitue une stratégie efficace pour la robotique industrielle moderne. Ce processus peut néanmoins être complexe. Les équipes de robotique bénéficient donc de solutions production-ready capables d’accélérer le développement hardware et software au sein d’un framework edge-to-cloud unifié.
Des solutions évolutives pour créer des déploiements robotiques edge-to-cloud
SECO propose un écosystème complet pour développer des systèmes robotiques destinés à des opérations industrielles à l’échelle du déploiement. Toutefois, l’un des principaux défis pour les ingénieurs consiste à trouver des plateformes de traitement capables de prendre en charge des charges de travail Edge AI avancées. SECO répond à ce défi avec ses system-on-modules (SOM) SOM-SMARC-Dragonwing-IQ8, SOM-COMe-CT6-Dragonwing-IQ-X et SOM-SMARC-QCS6490.
Basées respectivement sur les processeurs Qualcomm Dragonwing IQ8, Dragonwing IQ-X et Dragonwing QCS6490, ces plateformes edge hautement intégrées réduisent la dépendance opérationnelle au cloud en permettant l’exécution locale de tâches d’IA exigeantes. Cela est rendu possible par un traitement hétérogène, comprenant:
- Plusieurs cœurs CPU pour le traitement avancé des applications, la localisation et cartographie simultanées (SLAM), ainsi que les communications parallèles entre les périphériques robotiques tels que les sous-systèmes de commande moteur et de détection.
- Un GPU intégré pour les tâches de prétraitement des images et de rendu graphique, par exemple lors de l’inspection de produits ou pour le pilotage d’interfaces homme-machine (HMI).
- Une accélération IA dédiée pour l’exécution locale de la détection de personnes, de la reconnaissance d’objets, de la classification des sons et d’autres tâches essentielles dans les environnements avec cobots.
SECO propose ces processeurs avancés sur des computer-on-modules (COM) basés sur des standards ouverts, simplifiant l’intégration et la fabrication à grande échelle tout en fournissant des interfaces industrielles adaptées aux applications robotiques. Une fois qu’un carrier system approprié a été développé, le support à long terme des SOM et leur interopérabilité avec des COM conformes au même standard réduisent le vendor lock-in et minimisent les efforts de redesign si des solutions alternatives doivent être utilisées ultérieurement.
En complément de ces plateformes hardware, SECO Clea fournit une couche fondamentale sécurisée et de niveau industriel pour des déploiements edge-to-cloud évolutifs. Clea OS offre un framework logiciel modulaire et hautement personnalisable basé sur Yocto Linux, permettant aux développeurs d’exploiter pleinement le traitement hétérogène tout en supprimant les composants logiciels inutiles afin de maximiser le potentiel des ressources edge.
D’autres modules Clea aident les développeurs à construire la couche cloud destinée à la gestion de flotte, à l’orchestration des données et aux mises à jour OTA sécurisées nécessaires aux opérations à long terme de la robotique industrielle à l’échelle du déploiement. En outre, SECO App Hub et Clea Studio AI proposent des modèles d’IA vérifiés et des environnements d’entraînement afin d’accélérer le développement de l’IA.
Les avancées de l’Edge AI transforment la robotique industrielle, mais SECO fournit les solutions et l’expertise nécessaires pour aider les ingénieurs à tirer pleinement parti des avantages du matériel edge lors de la conception de systèmes de Physical AI. Pour en savoir plus, échangez avec nos experts et restez à l’écoute pour le prochain volet de cette série, consacré à l’évolution de la Physical AI et de la robotique industrielle.