Entretien avec José António Bernardo, chef de projet R&D chez ABMI Groupe

 « Un modèle qui donne un bon chiffre n’a encore rien prouvé »

Entre intelligence artificielle, robotique et systèmes embarqués, le passage du laboratoire au monde réel reste un défi majeur. Pour José António Bernardo, docteur en microélectronique et intelligence artificielle, la performance d’un robot ne se mesure pas à la qualité d’une démonstration, mais à sa capacité à fonctionner de manière fiable, répétable et sécurisée.

Dans cet entretien accordé à Robot Magazine, il revient sur la Physical AI, les robots adaptatifs, l’importance de la validation et les conditions nécessaires à l’émergence de champions européens de la robotique.

---

Vous travaillez entre robotique, IA et systèmes embarqués. Qu’est-ce qui vous passionne le plus dans cette convergence ?

Ce qui me passionne, c’est le moment où le modèle rencontre le monde physique, parce que c’est là que tout se joue et que la physique ne pardonne rien.

J’en ai eu un cas très concret il y a quelques mois. La fonction de positionnement fournie par le constructeur de notre bras nous renvoyait « OK », alors qu’elle laissait 24 mm d’erreur sur la cible : un échec complètement silencieux. En repassant par notre propre cinématique inverse, nous sommes descendus à 1,8 mm. Sans mesure comparative, nous n’aurions strictement rien vu.

C’est cela, la convergence, pour moi : l’IA apporte la perception et la capacité à généraliser, l’embarqué impose le temps réel et un budget de calcul que l’on ne peut pas dépasser, et la robotique est l’endroit où les deux sont obligés de se mettre d’accord avec la réalité.

Chacun de ces trois domaines, pris séparément, tolère l’approximation. Les trois ensemble, non.

On parle beaucoup de « Physical AI ». Sommes-nous réellement à un tournant pour la robotique ?

Oui, mais pas nécessairement là où on le regarde.

Ce qui a changé, ce n’est pas la beauté des démonstrations, mais le fait que nous commençons à savoir mesurer l’écart entre la simulation et le réel.

Sur notre projet, notre réseau de vision détectait 99,4 % des points d’intérêt en simulation, mais tombait à 27 % sur le robot physique. Le modèle n’était pas mauvais : il était excellent dans son domaine d’apprentissage et s’effondrait dès qu’il en sortait. Il nous a fallu plusieurs mois pour ramener cet écart à huit points.

Il y a donc bien un tournant, et les modèles vision-langage-action sont passionnants à suivre actuellement. Mais le principal verrou n’est pas le modèle : ce sont la donnée et la validation.

Tant que nous ne disposons pas d’une méthode permettant de prouver qu’un système fonctionne hors de son domaine d’entraînement, nous fabriquons des démonstrations, pas des produits.

Qu’est-ce qui sépare encore une démonstration impressionnante d’un robot réellement utilisable dans l’industrie ?

Une démonstration doit fonctionner une fois, devant quelqu’un, dans un environnement préparé. Un robot industriel doit fonctionner mille fois, sans personne, dans un environnement qui évolue. Surtout, il doit savoir s’arrêter lorsque quelque chose ne va pas.

Concrètement, cela repose sur trois éléments.

Le premier est la répétabilité : un geste qui réussit une fois ne prouve rien.

Le deuxième est la sécurité. Chez nous, la machine à états démarre désarmée et un superviseur surveille neuf conditions d’arrêt, dont l’incohérence entre ce que nous commandons et ce que nous mesurons réellement.

Le troisième est la gestion de l’échec. Nous avons eu un capteur de pince qui annonçait « objet saisi » alors qu’il n’avait rien entre les doigts. Depuis, nous vérifions chaque prise avec un test de soulèvement : le statut du capteur ne suffit pas.

J’ajouterais le temps de cycle, que l’on oublie souvent. Nous sommes passés de 22,7 secondes à 1,35 seconde par mouvement sans modifier la vitesse du bras, simplement en évaluant l’arrivée à partir de l’immobilité mesurée plutôt qu’en attendant une temporisation fixe.

Un robot parfaitement précis reste inutilisable s’il est dix fois trop lent.

Vous avez travaillé sur un robot auto-adaptatif. Qu’est-ce qu’un robot « adaptatif », concrètement ?

C’est l’inverse du teach-and-playback, où l’on apprend des positions au robot pour qu’il les reproduise ensuite.

Un robot adaptatif ne sait pas à l’avance où se trouve l’objet. Il le détecte, calcule sa position dans son propre repère, va le chercher et vérifie qu’il l’a réellement saisi.

Sur l’un de nos bancs de démonstration, le robot trie trois classes d’objets vers deux cartons. Il est possible de déplacer les cartons à la main pendant qu’il travaille : il les retrouve en 0,12 seconde et recalcule son point de dépose.

Les objets ne sont pas reconnus par leur couleur, mais par leur géométrie. Un rouleau de ruban adhésif est, par exemple, identifié grâce au trou présent dans son contour. La couleur dépend beaucoup trop de l’éclairage.

Il faut néanmoins rester honnête sur le terme : l’adaptativité est toujours bornée. Le robot s’adapte à l’intérieur d’un domaine que nous avons caractérisé.

Le véritable travail de l’ingénieur n’est pas d’élargir indéfiniment ce domaine, mais de savoir précisément où il s’arrête — et de faire en sorte que la machine le sache également.

Comment l’IA change-t-elle votre métier d’ingénieur en robotique ?

Elle déplace le travail. Auparavant, l’essentiel du temps était consacré à l’écriture du comportement du robot. Aujourd’hui, une grande partie du travail consiste à concevoir l’expérience qui prouvera que le modèle fait réellement ce que nous pensons.

Un exemple m’a particulièrement marqué. Nous avions obtenu une auto-calibration de caméra sans aucun marqueur, avec un très bon résultat : 27,9 mm et 1,6 degré. J’étais satisfait.

Le soir même, nous avons réalisé un test très simple : décaler l’image de 30 pixels et regarder si la détection suivait. Elle n’a pas bougé d’un seul pixel.

Le réseau ne mesurait rien : il reproduisait un montage qu’il avait mémorisé pendant l’entraînement. Le chiffre était juste, mais il ne mesurait tout simplement pas ce que nous lui faisions dire.

C’est cela, le métier aujourd’hui. Un modèle qui fournit un bon chiffre n’a encore rien prouvé tant que l’on n’a pas sérieusement cherché à le prendre en défaut.

Capteurs, jumeaux numériques, simulation, ROS 2, IA… Quelles technologies auront le plus d’impact dans les cinq prochaines années ?

J’en vois deux, et la seconde n’est pas séduisante du tout.

La première est la simulation et la génération de données synthétiques. Le principal goulot d’étranglement de la robotique n’est plus l’algorithme, mais la donnée annotée. Sur un véritable robot, elle coûte cher et elle est erronée plus souvent qu’on ne veut l’admettre.

En simulation, elle est exacte par construction, puisque nous connaissons la position réelle de chaque élément. Tout ce qui permettra de réduire l’écart entre ces deux mondes aura un effet considérable.

La seconde technologie déterminante sera l’outillage de validation : quantification de l’incertitude, caractérisation du domaine de validité et détection en ligne du moment où le système en sort.

Cela ne produit pas de belles vidéos, mais c’est ce qui détermine si une technologie entre en production ou reste au laboratoire. Un système qui ne sait pas dire « je ne sais pas » est inutilisable dans une boucle de sécurité.

ROS 2, pour moi, est devenu de la plomberie : indispensable, mais ce n’est plus là que se fait la différence.

L’Europe a les compétences. Que lui manque-t-il pour créer de grands champions mondiaux de la robotique ?

L’Europe finance très bien les démonstrateurs et très mal ce qui vient ensuite. Or, entre une démonstration et un produit déployé, il reste l’essentiel du travail : la fiabilité, la validation et l’industrialisation. C’est précisément à ce moment-là que les financements s’arrêtent.

Il existe également une grande dispersion. Chaque laboratoire et chaque PME reconstruisent leur propre chaîne d’outils. Nous reproduisons dix fois la même base au lieu de la mutualiser et de passer à l’étape supérieure.

Il manque enfin des acteurs qui conçoivent des solutions pour le tissu industriel réel. Le tissu européen est principalement constitué de PME, alors que les solutions robotiques actuelles sont pensées pour les lignes de production des grands groupes : elles sont trop coûteuses, trop rigides et trop longues à intégrer.

Le projet sur lequel je travaille vise précisément à répondre à ce besoin : un système modulaire, proposé à un coût raisonnable et capable de s’adapter à un environnement qui n’a pas été préparé pour lui.

Je pense que le futur champion européen émergera de cette approche, plutôt que d’une course frontale sur les robots humanoïdes.

Quel conseil donneriez-vous à un jeune ingénieur souhaitant travailler dans la robotique et l’IA ?

D’abord, apprendre à mesurer. Aujourd’hui, tout le monde sait faire fonctionner un modèle, mais très peu de personnes savent prouver qu’il fonctionne réellement. Celui qui sait construire le test capable de mettre son propre système en défaut aura toujours du travail.

Ensuite, il faut manipuler du matériel le plus tôt possible. On apprend davantage en une semaine sur un véritable robot qu’en trois mois de simulation, parce que le monde physique refuse les approximations : la gravité fait fléchir le bras, la caméra se décale et la pince affirme parfois qu’elle a saisi un objet alors qu’elle ne l’a pas.

Enfin, il ne faut pas venir à l’IA parce qu’elle est à la mode, mais parce que l’on a un problème à résoudre.

Je m’y suis intéressé pendant ma thèse, parce que fabriquer un microcapteur implantable coûtait beaucoup trop cher pour pouvoir en tester plusieurs. Il fallait donc prédire leurs performances avant de les fabriquer.

Le besoin d’abord, l’outil ensuite.

Quel robot ou quelle innovation aimeriez-vous voir devenir réalité dans les dix prochaines années ?

J’ai deux envies.

La première serait une machine capable de dire : « Je ne sais pas. » Nous savons très bien concevoir des systèmes qui se trompent avec assurance, mais nous ne savons pas encore créer des systèmes qui reconnaissent qu’ils sortent de leur domaine de validité et demandent de l’aide.

Le jour où cela deviendra possible, de nombreuses applications que nous nous interdisons actuellement pour des raisons de sécurité pourront voir le jour.

La seconde envie est plus personnelle. Je suis né en Angola et j’aimerais voir émerger une robotique conçue pour des contextes dans lesquels les infrastructures ne sont pas garanties : l’électricité, le réseau ou encore la maintenance.

Aujourd’hui, presque toute la robotique est pensée pour des usines riches et stables. Pourtant, il existe un monde entier à équiper. Nous n’y arriverons pas en proposant les mêmes machines un peu moins cher : il faudra les concevoir autrement.

C’est le genre de sujet qui me passionne vraiment.

FAQ – Physical AI, robotique adaptative et validation industrielle