JTEKT confie le prélèvement de pièces en vrac à une IA physique entraînée en virtuel

L’équipementier japonais JTEKT a fait passer le taux de réussite d’un poste de prélèvement de pièces en vrac de 85,0 % à 97,1 % en confiant la saisie à une IA physique entraînée dans un environnement virtuel, sans refaire la ligne.

En bref
  • Résultats annoncés le 2 novembre 2026 par JTEKT, après un essai mené du 19 mars au 31 août.
  • Terrain d’essai : une ligne de joints homocinétiques de l’usine de Tadomisaki, à Takahama (préfecture d’Aichi).
  • Taux de réussite de 97,1 % en conditions difficiles, contre 85,0 % avec la commande classique.
  • Seul ajout matériel : un PC dédié à l’IA, branché sur l’équipement existant.

Qu’a testé JTEKT exactement ? #

Le poste visé est le prélèvement aléatoire, ou « bin picking » : un robot doit saisir des pièces posées en vrac dans un bac, sans position ni orientation connues à l’avance. C’est l’une des tâches les plus capricieuses de l’automatisation, car chaque prise est un cas particulier.

À lire Deep Learning : Comment il détecte les défauts invisibles à l’œil

L’essai s’est déroulé sur une ligne de joints homocinétiques, ces pièces de transmission qui relient l’arbre de roue au différentiel. D’après Logi-Today, il a duré du 19 mars au 31 août 2026, dans l’usine de Tadomisaki, à Takahama.

JTEKT a mené ce travail en co-création avec deux sociétés japonaises, Upstage AI et Karakuri. Le spécialiste automobile MarkLines a relayé l’annonce le 6 novembre.

Que change l’IA physique par rapport à la commande classique ? #

Dans une cellule classique, le programme de prise repose sur des règles écrites par les automaticiens. Il fonctionne bien tant que les pièces se présentent de façon attendue, et décroche dès qu’elles s’enchevêtrent ou se cachent les unes les autres.

La solution testée inverse la logique. À partir des images d’une caméra, l’IA reconnaît la position et l’état de chaque pièce, puis choisit seule le point de prise et le mouvement de transfert. Selon MONOist, le système combine deux modèles : une IA rapide de détection de position et une IA de reconnaissance de forme plus précise.

À lire Comment le machine learning révolutionne la prévision de la demande en entreprise

L’apprentissage a eu lieu dans un espace virtuel avant le transfert sur le robot réel. Cette approche évite d’immobiliser la ligne pendant des semaines pour accumuler des essais de prise.

Quels résultats ont été mesurés ? #

Le chiffre mis en avant, 97,1 %, a été obtenu dans des conditions volontairement difficiles, celles où les écarts entre méthodes ressortent le plus. Dans ces mêmes conditions, la commande existante plafonnait à 85,0 %, soit un gain de 12,1 points.

Le temps de cycle moyen a lui aussi reculé, de 16 % selon Logi-Today. Pour un poste qui alimente une ligne en continu, moins d’échecs de prise signifie aussi moins d’arrêts et moins d’interventions d’opérateurs pour débloquer la cellule.

Il faut lire ces chiffres pour ce qu’ils sont : un essai sur un poste et une famille de pièces, communiqué par l’industriel lui-même. Les publications consultées ne donnent ni le volume de prises testées ni de calendrier de généralisation.

À lire Comment l’IA générative accélère la documentation technique grâce à l’intelligence artificielle

Pourquoi l’absence de modification de ligne compte #

Le point le plus intéressant pour un responsable de production est peut-être ailleurs. D’après les deux médias japonais, il a suffi d’ajouter un PC dédié à l’IA à l’équipement en place, sans travaux lourds sur la cellule.

Le système gère par ailleurs plusieurs références et des pièces de forme irrégulière. C’est précisément ce qui rend le bin picking coûteux à programmer à la main : chaque nouvelle référence demande normalement de reprendre les règles de prise.

Si ce schéma se confirme, la rentabilité d’un projet ne dépend plus d’un remplacement de robot, mais d’une brique logicielle et de capacité de calcul ajoutées à des installations déjà amorties.

Quelle suite prévoit JTEKT ? #

L’industriel annonce deux chantiers. Le premier vise les équipements déjà automatisés : relever leur taux de réussite et supprimer les interventions humaines encore nécessaires. Le second concerne les gestes de métier, avec l’idée de capter et de transmettre le savoir-faire des opérateurs expérimentés.

JTEKT présente ces travaux comme une réponse au manque de main-d’œuvre et à la transmission des compétences, deux sujets qui pèsent aussi sur les usines européennes. MONOist évoque également la formation de profils IA en interne et la construction d’une plateforme commune.

Questions fréquentes #

Qu’est-ce que l’IA physique dans une usine ?

C’est une IA qui ne se contente pas d’analyser des données : elle perçoit son environnement, par exemple avec une caméra, et décide elle-même des gestes d’un robot, comme le point de prise d’une pièce.

Quel taux de réussite JTEKT a-t-il obtenu ?

97,1 % en conditions difficiles sur le prélèvement de pièces en vrac, contre 85,0 % avec la méthode de commande existante, soit 12,1 points de mieux.

Faut-il changer de robot pour adopter cette approche ?

Pas dans l’essai de JTEKT : un PC dédié à l’IA a été ajouté à l’équipement existant, sans modification lourde de la cellule.

USINE INTELLIGENTE est édité de façon indépendante. Soutenez la rédaction en nous ajoutant dans vos favoris sur Google Actualités :

Dans la même rubrique : Intelligence artificielle

Nos recommandations : site internet pas cher · expert SEO freelance