La start-up Destro AI sort du mode furtif avec un tour de financement d’amorçage de 8 millions de dollars, mené par Base10 Partners et Bonfire Ventures, avec la participation de CoFound Partners. L’entreprise mise sur le fait que l’amélioration de l’exploitation des robots dans les entrepôts pourrait avoir davantage de valeur que la fabrication d’un nouveau robot, et construit une couche logicielle qui coordonne les robots, les travailleurs et les véhicules au sein d’un même flux de travail.
L’entreprise est dirigée par Manthan Pawar, titulaire d’un master en robotique de NYU Tandon, qui possède environ huit ans d’expérience dans les chaînes d’approvisionnement et la robotique aux États-Unis. Selon des propos rapportés par TechCrunch, Destro cible des problèmes opérationnels précis dans les entrepôts et affirme être en voie d’atteindre un flux de trésorerie positif d’ici la fin de l’année.
Une plateforme qui coordonne l’ensemble de l’opération
Destro se concentre actuellement sur les opérations de cross-docking, qui consistent à décharger les marchandises d’un camion et à les trier en chargements mixtes, ensuite transférés vers d’autres camions pour la livraison finale. L’entreprise a commencé un projet pilote dans une installation de Yusen Logistics située dans le nord-ouest du Pacifique, en utilisant trois robots de transport de chariots fabriqués par Miva Robotics.
Les robots fonctionnent grâce au système Vision, un système d’exploitation fondé sur des modèles de vision-langage-action à poids ouverts, capables d’interpréter les images des caméras et les instructions, puis de contrôler les déplacements du robot. En parallèle, le système Mothership gère l’opération dans son ensemble : lorsque les travailleurs déchargent les marchandises dans différents chariots, les robots identifient les chariots complets et les transportent vers leurs destinations.
Yusen affirme que cette approche a rendu le processus plus systématique et moins dépendant du travail manuel et des documents papier. La principale différence tient au fait que Destro ne se contente pas de déplacer les chariots d’un point à un autre : elle guide le travailleur, le chariot et les camions dans un flux de travail commun.
Qu’est-ce qui a changé concrètement ?
Selon Richard Brunelle, directeur de l’automatisation du secteur américain des services logistiques chez Yusen, des solutions de deux grandes entreprises de robotique ont été testées avant le choix de Destro. L’une d’elles pouvait transporter les chariots, mais ne gérait pas les opérations de chargement et de déchargement, tandis que l’autre fournissait des outils de gestion de flotte, tout en laissant la coordination générale à une personne. Destro a été choisie parce qu’elle s’est adaptée à l’environnement de cross-dock et a fourni une orientation autonome de l’ensemble de l’opération.
Yusen étend désormais le projet pilote initial à un déploiement complet comprenant 26 robots, et lance également un second projet pilote utilisant 17 robots dans une installation du sud de la Californie. Pawar entend reproduire le même flux de travail dans des milliers d’entrepôts qui réalisent des opérations similaires.
Limites et questions ouvertes
Le succès du modèle actuel ne signifie pas que la plateforme convient à toutes les tâches en entrepôt. Les travaux qui exigent de la dextérité manuelle et une manipulation précise des objets restent un défi pour les robots généralistes et les modèles ouverts. Il n’est pas non plus établi si les entreprises qui développent des modèles fondamentaux, des mains robotiques extrêmement habiles ou des robots humanoïdes généralistes mettront leurs outils à la disposition des entreprises spécialisées dans les couches logicielles, ou si elles les concurrenceront directement.
L’expérience de Destro révèle une tendance pratique dans l’automatisation de la logistique : la valeur ne vient pas nécessairement de la forme du robot, mais de l’intégration du robot dans un processus opérationnel complet. La capacité à reproduire ce modèle dépendra toutefois de la similitude des flux de travail entre les entrepôts et de la capacité des systèmes à gérer des tâches qui dépassent le transport et l’orientation pour inclure la préhension et la manipulation précise.