L’intelligence artificielle physique (Physical AI) fait rapidement évoluer les attentes dans le domaine de la robotique industrielle. Les robots mobiles autonomes (AMR), les robots collaboratifs (cobots), les systèmes de vision intelligents et autres machines autonomes doivent faire face à des situations réelles de plus en plus complexes, en s’appuyant sur des capacités avancées de perception et de raisonnement adaptatif, rendues possibles par une intelligence locale à faible latence.
La combinaison de l’AI, des capteurs et de l’interaction physique impose de nouvelles exigences aux plateformes d’edge computing embarqué. Cependant, pour les OEM de la robotique, les architectures sous-jacentes doivent également accompagner la transition entre les premières phases de développement et le déploiement à l’échelle industrielle de machines hétérogènes.
Un AMR, par exemple, peut privilégier un traitement AI économe en énergie, des caméras, des capteurs LiDAR et une connectivité sans fil, tandis qu’un cobot peut nécessiter une combinaison différente de vision industrielle, de réseaux industriels et de capacités de commande déterministe des moteurs en temps réel. Même au sein d’une même famille de produits, les exigences en matière de traitement et d’interfaces E/S peuvent varier considérablement.
À mesure que les exigences des systèmes évoluent, il devient de plus en plus difficile de justifier le développement de nouvelles plateformes de calcul pour chaque machine. Le calcul modulaire offre une solution évolutive qui contribue à prolonger les cycles de vie industriels et à soutenir le développement de futurs produits.
Pourquoi le calcul modulaire est essentiel pour la Physical AI et la robotique
Dans les architectures de calcul embarqué, les ressources de traitement, la mémoire et les interfaces E/S sont souvent étroitement liées aux exigences spécifiques des applications. Si l’une de ces exigences évolue, la mise à niveau de l’architecture système sous-jacente peut s’avérer considérablement plus complexe que la simple sélection d’un processeur plus récent.
La Physical AI nécessite souvent des ressources de traitement supplémentaires pour assurer une Edge AI efficace, une capacité et une bande passante mémoire accrues pour prendre en charge des systèmes de vision toujours plus complexes, ainsi que de nouvelles interfaces E/S pour les capteurs et les réseaux modernes. Cependant, le principal défi pour les ingénieurs réside dans l’augmentation rapide et continue de ces exigences.
En adoptant des architectures système modulaires, les ingénieurs peuvent dissocier les ressources de calcul du matériel spécifique à chaque application et réduire les difficultés de mise à niveau lorsque les exigences du système évoluent.
Pendant le prototypage, les ingénieurs peuvent définir les besoins de l’application en matière de traitement, de capteurs et d’AI avant de choisir définitivement le matériel destiné à la production. Lors de la conception des modèles de production, les interfaces E/S spécifiques à l’application peuvent ensuite être développées autour d’une plateforme de calcul modulaire adaptée, potentiellement réutilisable dans différentes variantes de produits et générations futures.
La modularité va donc au-delà de la simple possibilité de remplacer un composant. Pour les OEM industriels qui développent plusieurs types de machines intelligentes, elle permet de faire de l’architecture de calcul elle-même un élément réutilisable dans les feuilles de route produits à long terme.
Développer des plateformes robotiques évolutives avec les SOM et les standards COM ouverts
Les System-on-Modules (SOM) et les Computer-on-Modules (COM) offrent une solution pratique pour dissocier les plateformes de calcul de la conception spécifique à chaque application.
Les principales ressources de calcul, telles que le processeur et la mémoire, sont intégrées au module, tandis qu’une carte porteuse fournit les interfaces et les autres fonctionnalités nécessaires à chaque machine. Dans la robotique industrielle, cela permet d’adapter précisément les caméras, les capteurs, les contrôleurs de moteurs, les interfaces réseau et les autres composants matériels aux exigences de chaque machine, sans lier les conceptions à des implémentations spécifiques de processeurs.
En intégrant les ressources de calcul au moyen de modules compatibles avec les cartes porteuses, les concepteurs peuvent s’adapter aux évolutions des performances de traitement, des besoins énergétiques et des capacités d’AI sans devoir repenser entièrement la plateforme de calcul ou le matériel applicatif environnant. Cela permet également aux OEM d’adapter les machines intelligentes à l’évolution des besoins de traitement sans considérer chaque nouvelle génération comme une conception entièrement nouvelle.
Les standards COM ouverts soutiennent cette approche grâce à des architectures de modules standardisées qui peuvent simplifier l’intégration des ressources de calcul et accélérer la mise sur le marché. Ils assurent également l’interopérabilité entre les solutions compatibles, ce qui peut contribuer à réduire la dépendance à un fournisseur unique et à renforcer la résilience de la chaîne d’approvisionnement à long terme.
La conception basée sur des standards COM ouverts est déjà mise en œuvre dans les systèmes industriels de Physical AI grâce à des SOM équipés de plateformes de traitement Qualcomm avancées. Le portefeuille de SECO comprend des solutions basées sur le standard Smart Mobility Architecture (SMARC), telles que SOM-SMARC-Dragonwing-IQ8 et SOM-SMARC-QCS6490, qui offrent un traitement hétérogène haute performance dans un format compact et avec une consommation énergétique limitée. SOM-COMe-CT6-Dragonwing-IQ-X constitue une autre option, basée sur le standard COM Express Type 6 Compact, qui fournit de nombreuses interfaces E/S à haut débit et prend en charge des configurations de calcul plus performantes.
Par ailleurs, SOM-SMARC-Dragonwing-IQ8 utilise la même famille de processeurs Qualcomm Dragonwing IQ8 que la plateforme de développement Arduino VENTUNO Q, spécialement conçue pour les applications d’AI et de robotique. Il constitue ainsi une plateforme orientée vers la production, qui contribue à réduire les efforts de reconception lors du passage des prototypes de Physical AI basés sur VENTUNO Q à la production.
Étendre la modularité à la pile logicielle
Les plateformes de robotique industrielle reposent sur des systèmes d’exploitation, des pilotes, des frameworks d’AI, des fonctions de sécurité et des logiciels de gestion robustes. Cependant, les avantages de la modularité matérielle sont considérablement réduits si les modifications du matériel sous-jacent nécessitent d’importants travaux de redéveloppement logiciel. L’architecture logicielle joue donc un rôle essentiel dans les stratégies efficaces de calcul modulaire.
Le projet Yocto fournit une base configurable et modulaire pour créer des environnements Linux embarqués hautement personnalisés. Plutôt que d’utiliser un système d’exploitation (OS) généraliste, les développeurs peuvent créer et maintenir des images logicielles adaptées aux packages, pilotes et services spécifiques requis par chaque application. Cette approche permet de prendre en charge un éventail plus large de plateformes de traitement, tout en éliminant les composants logiciels inutiles et en réduisant la surface d’attaque globale.
Le framework logiciel Clea de SECO étend les avantages fondamentaux de Yocto Linux en proposant un écosystème edge-to-cloud compatible avec de nombreux systèmes industriels tiers. Grâce à Clea OS et à ses modules logiciels associés, SECO permet aux développeurs de prendre en charge la cybersécurité à long terme et la gestion du cycle de vie logiciel au sein de flottes hétérogènes administrées de manière centralisée. Des outils facilitant l’adoption de l’AI, tels que SECO App Hub, permettent également aux développeurs de déployer des modèles d’AI validés à l’edge sur plusieurs architectures de calcul prises en charge.
Il en résulte une définition plus large de la modularité. Plutôt que de se concentrer uniquement sur la possibilité de remplacer un module de calcul par un autre, SECO démontre comment le matériel, les systèmes d’exploitation, les applications et les infrastructures de gestion peuvent fonctionner ensemble comme des plateformes réutilisables dans les déploiements de Physical AI.
Développer des plateformes de calcul pour la prochaine génération de machines intelligentes
Les AMR et les cobots illustrent l’importance de plateformes de calcul flexibles et modulaires. Ces deux applications s’inscrivent dans l’évolution plus large vers la Physical AI, mais les architectures de calcul nécessaires à chacune peuvent varier considérablement. Il en va de même pour les systèmes de vision intelligents, les équipements industriels autonomes et les nouvelles applications robotiques.
Une architecture modulaire n’a pas pour objectif de rendre ces machines identiques. Elle fournit plutôt une base commune pouvant être adaptée aux exigences de chaque machine. Pour les OEM de la robotique industrielle, la modularité permet aux ingénieurs d’envisager comment l’architecture actuelle pourrait prendre en charge différents niveaux de performance, de nouvelles charges de travail d’AI et de futurs produits grâce à des mises à niveau ultérieures.
À mesure que la Physical AI continue de progresser, les processeurs, les capteurs et les logiciels devraient évoluer plus rapidement que de nombreuses machines industrielles elles-mêmes. Dissocier ces technologies du matériel spécifique à chaque application peut aider les OEM à concevoir des machines intelligentes capables d’évoluer au fil du temps, plutôt que de nécessiter une refonte complète.
Contactez nos experts pour découvrir comment les plateformes matérielles et logicielles modulaires de SECO peuvent soutenir la prochaine génération de systèmes industriels de Physical AI et de robotique.