

La cadence robot dépend de la confiance que la cellule accorde à ce qu'elle voit. Chaque détection douteuse se paie en arrêt de protection, en vitesse réduite ou en contrôle humain. Mesurer la fiabilité de chaque frame permet de garder la vitesse nominale, là où la perception est fiable.
Pourquoi vos robots tournent sous leur vitesse nominale
Un robot mobile remonte une allée d'entrepôt. Le soleil entre par une porte de quai et projette une ombre en travers du sol. Le robot s'arrête net. Il n'y a rien devant lui, et un opérateur vient le relancer. Dans la cellule voisine, un bras tourne sous sa vitesse nominale depuis sa mise en service, réglé ainsi au cas où.
La scène est illustrative, mais banale. Aucun de ces robots n'est en panne. Ils sont prudents, faute de savoir quelles détections croire, et cette prudence prend quatre formes.
Les arrêts de protection déclenchés pour rien
Un obstacle fantôme ne cause aucun dégât, mais il arrête le robot. Pour les robots mobiles autonomes (AMR), le fabricant de capteurs ifm cite la poussière, les surfaces très réfléchissantes et le soleil parmi les causes de fausses détections (ifm, consulté le 21 octobre 2026). Les sols, eux, vont du béton au carrelage brillant. Le même fabricant résume le problème en une question : comment expliquer à votre client qu'un robot s'est arrêté sans raison identifiable ?
Relever un seuil de détection global supprime des arrêts inutiles, et des arrêts légitimes avec. Un réglage unique ne distingue pas une ombre d'un carton, comme nous l'avons montré avec un robot qui voit deux boîtes pour une seule.
La vitesse plafonnée par précaution
Sans savoir quelles détections croire, le système ne peut pas moduler sa vitesse au cas par cas. L'intégrateur système règle donc la cellule à la mise en service, sur le pire cas qu'il peut anticiper, et ce réglage reste. La vitesse réduite devient le régime normal. Elle se paie à chaque cycle, y compris quand la perception était parfaitement fiable.
Rien ne signale ce coût. Le temps de cycle affiché semble normal, et plus personne ne le compare à la vitesse nominale.
Le capteur dégradé que personne ne voit
Un objectif sale ne déclenche pas d'alarme. Le modèle continue de produire des détections, simplement moins justes, et la cellule compense par plus d'arrêts et plus de contrôles humains.
L'automobile a pris le problème au sérieux. Le jeu de données public WoodScape compte la détection de salissure des caméras parmi ses neuf tâches (Yogamani et al., 2019). Les auteurs de SoilingNet notent que les caméras montées à l'extérieur du véhicule se salissent, et que leurs performances se dégradent plus que celles des autres capteurs. Nous citons ces travaux automobiles à titre d'analogie. Une palette jamais vue a le même effet silencieux : voir la détection hors domaine d'apprentissage.
La supervision humaine qui ne part jamais
Le dernier filet est humain. Quelqu'un surveille un écran toute la journée et relance le robot après chaque arrêt douteux. Ce poste devait durer le temps du pilote. Tant que personne ne sait quelles détections croire, il reste, et le pilote ne passe jamais en production. Les arrêts de ligne liés à la vision IA ont la même origine.
La taxe de fiabilité : où se perd la cadence robot
La taxe de fiabilité désigne la cadence qu'une cellule robotisée abandonne par précaution, parce qu'elle ne sait pas quelles détections croire. Nous parlons de taxe parce qu'elle est prélevée sur chaque cycle, sans que personne ne l'ait décidée. Elle ne figure sur aucune facture. On la retrouve pourtant à deux endroits : l'équation de séparation du robot collaboratif et la case performance du TRS.
Ce que dit le monitoring
Le monitoring désigne une méthode collaborative décrite par la spécification technique ISO/TS 15066 : le robot garde en permanence une distance de séparation de protection avec l'opérateur. D'après la présentation qu'en donnent Svarny et al. (2019), cette distance additionne six termes :
le déplacement de l'opérateur pendant la réaction et l'arrêt du robot, à une vitesse de marche par défaut de 1,6 m/s ;
la distance parcourue par le robot pendant son temps de réaction ;
sa distance d'arrêt ;
la distance qu'une partie du corps peut parcourir dans le champ de détection avant d'être détectée ;
l'incertitude de position de l'opérateur, issue de la tolérance de mesure du dispositif de détection ;
l'incertitude de position du robot, issue de la précision de sa mesure de position.
L'incertitude de mesure s'ajoute donc à la distance exigée. Elle ne se compense pas : elle se paie en marge. Lisons la formule. À distance disponible égale, chaque marge ajoutée pour couvrir une incertitude laisse moins de place aux termes qui dépendent de la vitesse du robot. C'est une lecture de l'équation, sans mesure à l'appui.
Cette distance peut être calculée en continu ou fixée une fois pour toutes sur le pire cas (Svarny et al., 2019). Une valeur de pire cas se paie à chaque cycle. En pratique, il y a deux seuils : sous le premier, le robot ralentit ; sous le second, il s'arrête, puis reprend quand la voie est libre. C'est la réponse prévue par la sécurité. Le coût apparaît quand elle se déclenche pour rien, ou trop tôt.
Les mêmes auteurs ont chronométré l'écart sur une tâche de pick-and-place simulée, avec un capteur RGB-D pour suivre l'opérateur. La tâche prenait 154 s à pleine vitesse sans opérateur, 256 s à vitesse réduite permanente et 267 s avec un arrêt par zone autour de la base. Des seuils fondés sur la distance entre points clés de l'opérateur et du robot la ramenaient à 231 s et 228 s (Svarny et al., 2019). Il s'agit d'une expérience de laboratoire tierce, sur une seule cellule et une tâche simulée, non généralisable. Elle montre seulement que, dans ce montage, une estimation plus fine de la position de l'opérateur a rendu du temps de cycle.
Cette équation relève de la chaîne de sécurité certifiée, et nous n'y touchons pas. La même logique se retrouve dans la couche opérationnelle : planification, navigation, décisions de ralentir prises avant que la fonction de sécurité n'ait à intervenir. Là aussi, un système qui ne sait pas quelle détection croire ralentit partout.
Où elle apparaît dans votre TRS
Le TRS (taux de rendement synthétique, OEE en anglais) est un indicateur qui combine trois facteurs : disponibilité, performance et qualité (OEE.com, consulté le 21 octobre 2026). Parmi les six grandes pertes issues de la TPM, deux concernent la taxe de fiabilité :
la vitesse réduite : l'équipement tourne plus lentement que son temps de cycle idéal ;
les micro-arrêts : des arrêts courts, typiquement une ou deux minutes, levés par l'opérateur.
Ce sont deux pertes de performance. Elles sont faciles à rater, car la machine n'est pas en panne : elle est juste plus lente. C'est dans cette case du TRS que la taxe de fiabilité se lit.
Un score de fiabilité par frame pour piloter la vitesse
TrustalAI Vision calcule une métrique de fiabilité sur chaque détection, en temps réel. So the robot slows down only when it should. En français : pour que le robot ne ralentisse que lorsqu'il le doit. Le score de fiabilité par frame en fait une politique de vitesse, donc de cadence robot. Au lieu d'un régime unique réglé sur le pire cas, la cellule adapte son allure à ce qu'elle voit.
Ce que voit la couche de fiabilité | Ce que fait la cellule | Effet sur la cadence |
|---|---|---|
Fiabilité élevée sur la frame | Vitesse nominale | Aucun ralentissement sur ces cycles |
Incertitude sur quelques frames | Ralentissement ciblé, limité à ces frames | La vitesse revient dès que la fiabilité remonte |
Incertitude qui persiste | Le robot passe la main à un humain | L'opérateur n'intervient que sur les cas qui le demandent |
Capteur défectueux | Signalé immédiatement | Le capteur est traité, au lieu d'être compensé par une vitesse plus basse |
Ce tableau décrit une logique de pilotage, sans gain chiffré : chaque intégrateur fixe ses seuils sur ses propres données.
La couche de fiabilité ne remplace pas les fonctions de sécurité certifiées. Les scrutateurs, les arrêts de protection et la limitation de vitesse et de force restent en place et fixent seuls le plancher de sécurité. La vitesse nominale reste celle que la configuration de sécurité autorise. TrustalAI agit au-dessus, dans la couche opérationnelle. Le volet sécurité est traité dans notre article sur le risque physique en zone partagée.
Dans les allées denses, TrustalAI V-Tracking complète Vision : un suivi multi-objets en temps réel, déterministe et learning-free, qui garde chaque personne et chaque chariot sur une seule piste. Pour évaluer ce suivi sans annotation, voir la fiabilité sans vérité terrain.
Fiabilité par prédiction ou monitoring après coup
Les outils de monitoring existants travaillent sur des agrégats. Ils attendent de nombreuses prédictions, calculent des métriques, puis rapportent après coup. Pour la cadence, c'est trop tard : un rapport de fin de poste ne rend pas la vitesse perdue.
Monitoring post-mortem | Fiabilité par prédiction | |
|---|---|---|
Principe | Attendre plusieurs prédictions, puis calculer des métriques | Calculer une métrique de fiabilité pour chaque prédiction |
Moment | Après exécution : la décision est déjà prise | Au moment de la prédiction, avant la décision |
Temps d'exécution | Pas en temps réel | Temps réel, moins de 100 ms, 20 ms en edge |
Les autres analysent après l'exécution, quand la décision est déjà prise et l'action déjà engagée ; TrustalAI apporte la fiabilité au moment de la prédiction, avant la décision.
Un tableau de bord peut montrer le lendemain qu'un robot s'est souvent arrêté pour rien. Il ne dit pas quelle détection croire au moment où le robot choisit sa vitesse. La fiabilité par prédiction répond à cette question, frame par frame. Voir monitoring IA ou fiabilité par prédiction et la fiabilité par prédiction face à la performance globale. La dérive des modèles suit la même règle : détectée tard, elle a déjà coûté.
Résultats mesurés avec TrustalAI Vision
TrustalAI Vision ajoute la couche de fiabilité aux modèles de computer vision existants
92 % de faux positifs en moins
80 % d'erreurs de position et d'orientation en moins
8 ms de latence sur NVIDIA Jetson Orin
20 ms de latence sur CPU
All results measured in real operating conditions against each product's baseline model. En français : tous les résultats sont mesurés en conditions opérationnelles réelles, face au modèle de référence de chaque produit.
Pour un robot, nous les lisons ainsi. Moins de faux positifs, ce sont moins d'obstacles fantômes et moins d'arrêts non planifiés. Moins d'erreurs de position et d'orientation donnent des mouvements plus sûrs autour des personnes et des équipements. À 8 ms, la couche tourne sur le calcul déjà présent sur le robot.
Ce sont des métriques produit générales, pas des gains de cadence mesurés. Elles servent la pleine vitesse du robot en sécurité et la sécurité de l'opérateur.
Sans réentraînement, sur le calcul déjà présent sur le robot
TrustalAI est plug-and-play. Il se branche à côté de votre modèle de perception, qui reste une boîte noire (black-box), et lit chaque prédiction en temps réel sans voir les poids ni les données d'entraînement (TrustalAI Client Deck V10, 2026). Pas de réentraînement, aucun accès à votre propriété intellectuelle. La couche tourne en edge, sur le calculateur du robot, ou dans le cloud.
Votre modèle prédit.
TrustalAI évalue la fiabilité de chaque détection.
Votre système agit : il garde sa vitesse sur les détections fiables, ralentit ou alerte sur les autres.
Full confidence on reliable detections. Caution only on the rest. En français : pleine confiance sur les détections fiables, prudence seulement sur les autres.
TrustalAI s'ajoute comme une brique de fiabilité : la cellule garde ses capteurs, son modèle et sa configuration de sécurité.
Questions fréquentes
Pourquoi mon robot ne tourne-t-il pas à sa vitesse nominale ?
L'une des raisons tient à la perception : le système ne sait pas quelles détections croire. L'intégrateur règle alors la vitesse sur le pire cas, et le robot s'arrête ou ralentit dès qu'une détection paraît suspecte. Un capteur sali ou une supervision humaine permanente aggravent la perte. Nous appelons ce coût la taxe de fiabilité. Elle se lit dans la case performance du TRS.
Comment se calcule la distance de séparation de protection d'un robot collaboratif ?
Selon l'ISO/TS 15066, telle que présentée par Svarny et al. (2019), elle additionne d'abord le déplacement de l'opérateur pendant la réaction et l'arrêt du robot, la distance de réaction du robot et sa distance d'arrêt. S'y ajoutent une distance d'intrusion et deux incertitudes de position : celle de l'opérateur, liée au capteur, et celle du robot. Toute incertitude ajoutée augmente la marge exigée.
Faut-il baisser la sensibilité de détection pour éviter les arrêts intempestifs ?
Pas sans contrepartie. Relever un seuil de détection global supprime des arrêts inutiles, mais aussi des arrêts légitimes : un réglage unique ne distingue pas une ombre d'un carton. Les fausses détections des AMR ont des causes variées, comme la poussière, les surfaces très réfléchissantes ou le soleil (ifm, consulté en octobre 2026). Un score de fiabilité par frame traite chaque détection selon sa fiabilité, sans toucher à la configuration de sécurité.
La vitesse réduite d'un robot est-elle comptée dans le TRS ?
Oui. La vitesse réduite et les micro-arrêts font partie des six grandes pertes issues de la TPM, et ce sont deux pertes de performance (OEE.com, consulté en octobre 2026). Un robot plus lent que son temps de cycle idéal n'est pas en panne : sa disponibilité reste intacte, mais sa performance baisse. C'est pourquoi cette perte passe souvent inaperçue dans les revues de production.
Une couche de fiabilité remplace-t-elle les fonctions de sécurité du robot ?
Non. Les fonctions de sécurité certifiées, comme les scrutateurs, les arrêts de protection et la limitation de vitesse et de force, restent en place et fixent seules le plancher de sécurité. Une couche de fiabilité comme TrustalAI agit sur la couche opérationnelle : planification, navigation, décisions de ralentir. Elle aide la cellule à ne ralentir que sur les détections douteuses, sans toucher à la chaîne de sécurité.
Partager
Articles connexes





