{"schema_version":"1.0","service":"Publicasta","type":"article","id":900,"slug":"abb_ai_robot_trainer_factory_vision_workflow","title":"L’AI Robot Trainer d’ABB fait passer la vision industrielle du projet spécialisé au flux de travail maîtrisé","excerpt":"ABB veut simplifier un problème discret de la robotique industrielle : maintenir la précision de la vision quand les produits, l’éclairage et les conditions d’exploitation changent. La promesse concerne le réentraînement des modèles, pas une autonomie sans supervision.","language":"fr","default_language":"en","canonical_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow?lang=fr","image":{"url":"https://publicasta.com/storage/projects/11/pages/900/2026/10/928067ef-1463-4a11-9df3-48aa1045fb9c.webp","alt":"Robot industriel utilisant la vision artificielle pour trier des vêtements dans une cellule logistique"},"publisher":{"id":11,"slug":"robots","name":"Robots et systèmes autonomes","url":"https://publicasta.com/robots"},"author":{"name":"Anton R"},"published_at":"2026-10-17T06:51:00+00:00","updated_at":"2026-10-17T06:51:00+00:00","content_markdown":"La dernière annonce robotique d’ABB porte moins sur la capacité à donner un vocabulaire plus vaste à un robot que sur la question de savoir qui peut l’améliorer. Le 15 octobre, ABB a présenté un flux de travail de bout en bout consacré à l’IA physique pour la logistique de la mode et de l’habillement, en ajoutant son AI Robot Trainer au module Fashion Inductor. L’entreprise affirme que le système peut réduire jusqu’à 75 % les efforts d’ingénierie et de mise en service.\n\n ![Robot industriel utilisant la vision artificielle pour trier des vêtements dans une cellule logistique](https://publicasta.com/storage/projects/11/pages/900/2026/10/928067ef-1463-4a11-9df3-48aa1045fb9c.webp)\n\n Ce chiffre doit être lu avec prudence. Il ne signifie pas qu’un robot peut être installé dans un entrepôt inconnu et apprendre seul chaque tâche en toute sécurité. La proposition est plus précise : une application de vision industrielle peut être entraînée, déployée, surveillée puis réentraînée dans une pile logicielle et matérielle contrôlée, avec moins de dépendance à un spécialiste qui devrait reconstruire le modèle dès que les conditions changent.\n\n Un robot d’usine n’a pas besoin de comprendre le monde entier. Il doit distinguer une chemise noire d’un bac sombre sous un éclairage variable, identifier un vêtement partiellement plié, choisir une prise accessible, éviter les collisions et continuer lorsque la gamme évolue. Le test commercial est de savoir si la cellule devient plus facile à exploiter sans affaiblir son dossier de sécurité.\n\n ## L’annonce porte sur la boucle de maintenance\n\n ABB décrit AI Robot Trainer comme une composante d’OmniCore EyeMotion et du module Fashion Inductor. Le système relie acquisition des images, entraînement, déploiement et amélioration continue. Le flux annoncé surveille les performances, recherche les anomalies, génère de nouvelles données d’entraînement et renvoie un modèle amélioré au robot physique.\n\n Le premier modèle est rarement la partie la plus difficile d’un projet de vision. Un système peut fonctionner lors des tests de réception, puis se dégrader lorsqu’un fournisseur modifie son emballage, qu’un produit change de couleur, qu’un convoyeur est réglé autrement, qu’une lentille se salit ou que l’éclairage varie avec la saison. Dans un projet classique, il faut appeler un intégrateur, recueillir et annoter des exemples, réentraîner, valider puis redéployer. Le délai peut se compter en heures ou en semaines.\n\n Une démarche couvrant le cycle de vie transforme cette interruption en procédure. La question importante n’est pas seulement celle du modèle, mais celle de la boucle qui l’entoure : qu’est-ce qui a changé, quel est le niveau de certitude, quels exemples ajouter, qui approuve la mise à jour et comment restaurer la version précédente ?\n\n ABB annonce jusqu’à 75 % d’effort d’ingénierie et de mise en service en moins pour l’application. C’est un signal commercial utile, mais pas un résultat universel ni une garantie pour chaque usine.\n\n ## Pourquoi la logistique de la mode est un test révélateur\n\n La logistique de la mode se situe entre répétition et variabilité. Elle justifie un robot, mais les vêtements diffèrent par leur forme, leur texture, leur couleur et leur taille. Ils arrivent pliés ou froissés, peuvent se chevaucher et masquer la zone que la pince doit saisir. Une même unité de gestion des stocks peut donc avoir des apparences différentes après manipulation.\n\n ABB indique que Fashion Inductor peut trier jusqu’à 1 300 articles par heure et par cellule, avec des objectifs de précision de prélèvement supérieurs à 99,5 %. Ce sont les chiffres annoncés par ABB, pas un résultat audité dans chaque environnement client. Ils montrent néanmoins qu’il faut mesurer plus que la reconnaissance : un article peut être correctement identifié mais rester inaccessible, provoquer une collision, tomber ou créer un bourrage.\n\n Le robot dépend donc des caméras, de l’éclairage, des convoyeurs, des pinces, de la planification des mouvements, de la gestion des exceptions et du logiciel de coordination. Un excellent classificateur d’images peut être un mauvais composant de production si ses niveaux de confiance sont mal calibrés ou si ses erreurs touchent les articles les plus coûteux.\n\n La variabilité visuelle ne constitue pas pour autant une autonomie en environnement ouvert. Les articles arrivent dans une zone connue, vont vers des destinations connues et sont manipulés dans les limites connues de vitesse, de portée et de charge utile. C’est exigeant, mais différent d’un robot raisonnant librement dans un entrepôt non structuré.\n\n ## EyeMotion fournit la perception ; la cellule fournit les limites\n\n ABB a lancé OmniCore EyeMotion en 2025 comme système de vision indépendant du matériel pour les robots OmniCore. Il peut, selon l’entreprise, utiliser des caméras ou capteurs tiers, s’intégrer à RobotStudio et proposer une interface web. ABB avait alors annoncé des réductions de mise en service pouvant atteindre 90 % par rapport à des solutions personnalisées.\n\n AI Robot Trainer s’appuie sur cette couche. EyeMotion fournit la détection et l’interprétation visuelle ; le trainer doit faciliter l’amélioration de la partie apprise. RobotStudio et le jumeau numérique servent à la conception et à la simulation, tandis que le contrôleur OmniCore reste la couche d’exécution.\n\n Un modèle de vision ne remplace ni le contrôleur, ni les circuits de sécurité, ni la conception mécanique. Il peut influencer ce que le robot croit voir et le mouvement choisi, mais la cellule conserve ses contraintes de vitesse, de portée, d’évitement des collisions, d’arrêt et d’accès aux zones dangereuses.\n\n ABB affirme que le Fashion Inductor modernisé possède un jumeau numérique présenté comme une réplique exacte du logiciel du module, reliant l’Application Controller Platform, l’Automatic Path Planning, AI Robot Trainer et RobotStudio. Sa valeur dépendra de sa fidélité au réel. Une simulation ne prouve pas automatiquement que la caméra verra chaque texture, que la pince retiendra chaque article ou qu’une intervention humaine imprévue sera sans danger.\n\n La lecture la plus solide est donc que la pile logicielle aide à gérer plus rigoureusement un robot qui reste borné par une application conçue à l’avance.\n\n ## Le goulet d’étranglement caché est la propriété des données\n\n Dans une installation ponctuelle, l’intégrateur détient souvent les connaissances pratiques : images collectées, exemples rejetés, seuil choisi et modifications mécaniques susceptibles d’invalider le modèle. Cela peut fonctionner, mais devient coûteux lorsque le client exploite plusieurs sites ou change souvent de produits.\n\n Un trainer intégré transfère une partie de cette connaissance vers l’opérateur et le fabricant. Le client peut voir les cas d’exception, ajouter des exemples et gérer des mises à jour sans relancer un projet complet. L’intérêt n’est pas seulement de rendre l’entraînement accessible, mais de créer une mémoire organisationnelle des échecs.\n\n Cela impose des responsabilités. Une condition d’éclairage rare peut améliorer une métrique et en dégrader une autre. Un modèle meilleur en moyenne peut devenir moins fiable pour un article fragile ou de grande valeur. Les données peuvent aussi conserver des informations sensibles sur des employés, des visiteurs ou des étiquettes de fournisseurs.\n\n Un trainer industriel doit donc être évalué comme un système de gestion des changements :\n\n - conserve-t-il l’historique des modèles et des jeux de données ?\n- permet-il une comparaison sur un jeu de validation fixe ?\n- rend-il visibles les seuils de confiance et le comportement de rejet ?\n- autorise-t-il un retour rapide à la version précédente ?\n- explique-t-il pourquoi un échantillon a été retenu ?\n- teste-t-il les cas difficiles connus, et pas seulement les nouveaux exemples ?\n\n ABB insiste sur l’amélioration continue, mais ne donne pas tous ces détails. Ce sont eux qui diront si la fonctionnalité réduit la friction ou déplace simplement la complexité vers une nouvelle interface.\n\n ## Ce que signifie la promesse de 75 %\n\n « Jusqu’à 75 % d’effort d’ingénierie et de mise en service en moins » peut correspondre à une comparaison définie entre le flux ABB et une procédure antérieure pour une application précise. Cela ne signifie pas qu’une installation complète coûte 75 % moins cher, que le travail humain disparaît ou qu’un client peut se passer d’intégration.\n\n Il faut toujours sélectionner et monter les caméras, concevoir l’éclairage, spécifier la pince, intégrer les convoyeurs, définir l’espace de travail, relier les équipements, tester les défaillances et former les opérateurs. Le trainer ne supprime pas la construction ni la validation de la cellule.\n\n La mise en service comprend aussi le réglage des mouvements, la vérification du temps de cycle, les communications, la documentation et le comportement lorsque l’article manque ou que la ligne s’arrête. Une réduction partielle peut être précieuse, mais le chiffre doit rester une promesse directionnelle tant que des données clients ne l’ont pas confirmé dans plusieurs usines.\n\n Le bon calcul porte sur le coût total de possession : logiciel et support contre visites de spécialistes, arrêts, pièces, réentraînement et débit perdu. Un gain intéressant est possible si l’équipe interne traite les dérives courantes tandis que l’intégrateur réserve ses interventions aux changements difficiles.\n\n ## La sécurité reste une propriété du système\n\n Une boucle d’apprentissage ne change pas l’obligation de sécurité applicable à un robot industriel. ISO 10218-1:2025 couvre les robots industriels en tant que machines partiellement achevées ; ISO 10218-2:2025 traite l’intégration, la mise en service, l’exploitation, la maintenance et le démantèlement des applications et cellules. Le fabricant peut fournir un robot et un contrôleur sûrs, mais la cellule présente toujours des risques propres à l’application.\n\n Un modèle de caméra peut influencer une tâche, mais ne fournit pas à lui seul une protection contre l’entrée d’une personne. Ne pas reconnaître un vêtement est un défaut de production ; ne pas reconnaître une personne ou un accès ouvert peut devenir un événement de sécurité. Ces cas relèvent de l’architecture appropriée, et non de la confiance ordinaire du modèle.\n\n L’OSHA note que les États-Unis ne disposent pas d’une norme OSHA unique consacrée à la robotique, tout en renvoyant aux normes consensuelles et aux exigences existantes, notamment la protection des machines et la consignation-étiquetage. L’IA peut changer la perception et la planification, mais elle ne dispense pas l’employeur d’évaluer les risques, d’installer des protections et de former les personnes.\n\n Un déploiement responsable doit séparer les fonctions critiques de sécurité du chemin de perception appris lorsque l’évaluation des risques l’exige. Il doit aussi prévoir le comportement en cas d’incertitude, d’occultation de la caméra, d’objet hors distribution ou de panne réseau : arrêt contrôlé, voie de rejet ou intervention humaine. Ces issues ne sont pas des échecs si la cellule a été conçue pour les gérer.\n\n ## Le véritable client pourrait être l’intégrateur\n\n ABB présente AI Robot Trainer comme un outil permettant aux intégrateurs de déployer, faire évoluer et optimiser des applications de logistique de la mode. Le premier marché est donc probablement le réseau d’intégrateurs qui construit des cellules similaires et doit les adapter à plusieurs clients.\n\n Un intégrateur peut réutiliser un flux validé, maintenir une bibliothèque de configurations de caméras, de pinces, de scènes de validation et de procédures de récupération, puis laisser le site traiter le réentraînement courant.\n\n Pour ABB, plus le flux passe par RobotStudio, OmniCore, EyeMotion et le module applicatif, plus il devient difficile de remplacer la pile pièce par pièce. Le client achète une méthode de conception et de maintenance, pas seulement un bras.\n\n Cette cohérence peut améliorer la fiabilité, mais aussi accroître la dépendance à la plateforme. Les acheteurs doivent demander quelles données sont exportables, si le modèle peut être évalué hors des outils du fournisseur, combien de temps les versions sont prises en charge et ce qui se passe lors d’un changement de caméra ou de pince.\n\n ## Où l’approche devrait fonctionner en premier\n\n Les premières applications favorables ont une configuration stable, un ensemble d’objets défini, une variabilité visuelle maîtrisable et une solution de repli pour les cas incertains. Elles disposent aussi d’un débit ou d’un coût d’arrêt justifiant un processus de données et de validation.\n\n Le tri de vêtements correspond à ce cadre. D’autres candidats sont l’inspection d’emballages, la prise dans des bacs de pièces connues, les contrôles qualité sous éclairage répétable et le chargement de machines avec un nombre limité d’états. Leurs modes de défaillance peuvent être catalogués.\n\n L’approche est moins convaincante lorsque les objets sont illimités, qu’une mauvaise prise a de graves conséquences ou que l’environnement change plus vite que les modèles ne peuvent être validés. Une allée ouverte aux personnes, un chantier ou un robot de service public présentent une surface de risque plus large.\n\n Dans l’alimentation, la pharmacie et les autres secteurs réglementés, reconnaître un article ne suffit pas à satisfaire les exigences de contamination, de traçabilité ou de validation. L’adaptation robotique n’est qu’une partie de l’autorisation.\n\n ## Ce que les acheteurs devraient mesurer pendant un pilote\n\n Un pilote doit commencer par une référence : débit, réussite au premier passage, rejets, interventions manuelles, arrêts, temps moyen de récupération et délai de mise à jour de la vision. Il faut ensuite introduire nouvelles couleurs, nouveaux emballages, éclairage modifié, occultation partielle et arrangements difficiles.\n\n La précision moyenne ne suffit pas. Il faut mesurer le coût des erreurs. Un faux positif qui envoie le mauvais article vers une destination peut coûter plus cher qu’un faux négatif qui l’envoie au rejet. Une chute peut être mineure dans une opération et grave dans une autre.\n\n Le pilote doit tester le travail humain : l’opérateur comprend-il le rejet, recueille-t-il des exemples utiles sans contaminer les données, et un responsable peut-il approuver une mise à jour ? L’usine peut-elle revenir à l’ancienne version sans attendre un ingénieur du fournisseur ?\n\n Il faut enfin tester les cas ordinaires : caméra débranchée, lentille couverte, article absent de l’entraînement, changement d’éclairage, convoyeur arrêté, réseau interrompu et accès protégé ouvert selon la procédure. Le but est de vérifier que le système échoue de manière visible, bornée et récupérable.\n\n ## La portée plus large pour l’IA physique\n\n L’industrie parle souvent de modèles plus grands, de capteurs plus riches ou de comportements plus généraux. ABB met en avant un autre progrès : l’industrialisation du processus d’amélioration. Un robot devient plus utile lorsque le client peut préserver sa précision après l’installation et expliquer chaque modification.\n\n C’est moins spectaculaire qu’un robot apprenant une tâche par instruction orale, mais plus proche de l’IA physique comme infrastructure. Les industriels achètent disponibilité, répétabilité et défaillances récupérables. Ils achètent une cellule maintenable sous la pression de la production.\n\n Le mouvement rejoint les opérations robotiques définies par logiciel. Le département américain de l’Énergie a décrit des programmes associant compétences réutilisables, jumeaux numériques, tâches de référence, jeux de données, modèles entraînés, pratiques de sécurité et registres de provenance pour la découverte scientifique autonome. Les détails diffèrent, mais la leçon est commune : le système utile comprend preuves, versions et contexte opérationnel, pas seulement inférence.\n\n L’approche d’ABB est plus étroite : plateforme connue, capteurs connus, application définie et client capable de décider quand un modèle est prêt. Cette étroitesse rend la performance testable.\n\n La question est de savoir si cette discipline tiendra lorsque le flux s’étendra à d’autres applications. Réentraîner n’est pas automatiquement améliorer ; mettre à jour n’est pas automatiquement sécuriser ; un jumeau numérique n’est pas automatiquement une copie fidèle de l’usine. La valeur d’AI Robot Trainer se mesurera après des mois de production, pas lors de la première démonstration.\n\n Pour les usines, le conseil pratique est simple : considérer l’outil comme un système géré de vision et de maintenance, et non comme un raccourci vers l’autonomie générale. Il faut commencer par une tâche bornée, conserver une référence mesurable, séparer sécurité et perception apprise, exiger retour arrière et traçabilité, puis chiffrer le fonctionnement courant. Si le logiciel accélère les changements ordinaires tout en gardant les défaillances visibles et contrôlées, ABB aura traité l’un des problèmes les moins célébrés mais les plus coûteux de la robotique industrielle.\n\n ## Sources\n\n [Annonce d’ABB sur AI Robot Trainer pour la logistique de la mode](https://www.abb.com/global/en/news/139480/prsrl-abb-robotics-brings-industrial-grade-physical-ai-to-fashion-logistics) ; [lancement d’OmniCore EyeMotion par ABB](https://new.abb.com/news/detail/129110/prsrl-abb-robotics-launches-omnicore-eyemotion) ; [informations d’ABB sur la robotique et ses plateformes](https://www.abb.com/global/en/areas/robotics) ; [ISO 10218-1:2025, exigences de sécurité pour les robots industriels](https://www.iso.org/standard/73933.html) ; [ISO 10218-2:2025, exigences de sécurité pour les applications et cellules robotisées](https://www.iso.org/standard/73934.html) ; [guide de l’OSHA sur les normes applicables à la robotique](https://www.osha.gov/robotics/standards) ; [sélections du département américain de l’Énergie sur la robotique et l’automatisation](https://www.energy.gov/science/articles/doe-announces-four-national-laboratory-led-selections-advance-robotics-and).","available_translations":[{"language":"ar","title":"مدرّب الروبوتات بالذكاء الاصطناعي من ABB ينقل رؤية المصنع من مشروع متخصص إلى سير عمل مُدار","html_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow?lang=ar","markdown_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.md?lang=ar","json_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.json?lang=ar","api_url":"https://publicasta.com/api/public/v1/channels/robots/articles/abb_ai_robot_trainer_factory_vision_workflow?lang=ar"},{"language":"de","title":"ABBs KI-Robotertrainer macht Fabrikvision vom Spezialprojekt zum gesteuerten Workflow","html_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow?lang=de","markdown_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.md?lang=de","json_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.json?lang=de","api_url":"https://publicasta.com/api/public/v1/channels/robots/articles/abb_ai_robot_trainer_factory_vision_workflow?lang=de"},{"language":"en","title":"ABB’s AI Robot Trainer Moves Factory Vision from Specialist Project to Managed Workflow","html_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow?lang=en","markdown_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.md?lang=en","json_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.json?lang=en","api_url":"https://publicasta.com/api/public/v1/channels/robots/articles/abb_ai_robot_trainer_factory_vision_workflow?lang=en"},{"language":"es","title":"El AI Robot Trainer de ABB lleva la visión industrial de un proyecto especializado a un flujo de trabajo gestionado","html_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow?lang=es","markdown_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.md?lang=es","json_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.json?lang=es","api_url":"https://publicasta.com/api/public/v1/channels/robots/articles/abb_ai_robot_trainer_factory_vision_workflow?lang=es"},{"language":"fr","title":"L’AI Robot Trainer d’ABB fait passer la vision industrielle du projet spécialisé au flux de travail maîtrisé","html_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow?lang=fr","markdown_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.md?lang=fr","json_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.json?lang=fr","api_url":"https://publicasta.com/api/public/v1/channels/robots/articles/abb_ai_robot_trainer_factory_vision_workflow?lang=fr"},{"language":"pl","title":"AI Robot Trainer firmy ABB przenosi widzenie maszynowe z projektu specjalistycznego do zarządzanego procesu","html_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow?lang=pl","markdown_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.md?lang=pl","json_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.json?lang=pl","api_url":"https://publicasta.com/api/public/v1/channels/robots/articles/abb_ai_robot_trainer_factory_vision_workflow?lang=pl"},{"language":"ru","title":"AI Robot Trainer от ABB переводит машинное зрение на производстве из проекта для специалистов в управляемый рабочий процесс","html_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow?lang=ru","markdown_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.md?lang=ru","json_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.json?lang=ru","api_url":"https://publicasta.com/api/public/v1/channels/robots/articles/abb_ai_robot_trainer_factory_vision_workflow?lang=ru"},{"language":"zh","title":"ABB 的 AI Robot Trainer：让工厂视觉从专家项目变成可管理的工作流","html_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow?lang=zh","markdown_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.md?lang=zh","json_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.json?lang=zh","api_url":"https://publicasta.com/api/public/v1/channels/robots/articles/abb_ai_robot_trainer_factory_vision_workflow?lang=zh"}],"_links":{"self":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.json?lang=fr","api":"https://publicasta.com/api/public/v1/channels/robots/articles/abb_ai_robot_trainer_factory_vision_workflow?lang=fr","html":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow?lang=fr","canonical":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow?lang=fr","markdown":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.md?lang=fr","json":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.json?lang=fr","channel":"https://publicasta.com/api/public/v1/channels/robots","channel_articles":"https://publicasta.com/api/public/v1/channels/robots/articles","search":"https://publicasta.com/api/public/v1/search","documentation":"https://publicasta.com/api-docs#reading-publicasta","openapi":"https://publicasta.com/api-docs/openapi.json","llms":"https://publicasta.com/llms.txt"}}