L’ équipe

Chaque hiver, des milliers de kilomètres de rangs de vigne doivent être taillés à la main. Ce travail, minutieux et physiquement éprouvant, peine à trouver de la main-d’œuvre. Le robot imaginé pour y répondre doit d’abord « comprendre » la vigne : un modèle 3D du cep indique où couper. Reste ensuite à amener précisément l’outil de coupe, porté par un bras robotisé, jusqu’à chacun de ces points. C’est le cœur du projet R2T2++.

La difficulté est que le monde réel ne ressemble jamais tout à fait au modèle : le robot n’est pas parfaitement positionné, les sarments bougent avec le vent, et la vigne forme un enchevêtrement de branches qui se cachent les unes les autres. En conséquence, suivre aveuglément une trajectoire calculée à l’avance ne suffit pas. Le robot doit regarder en permanence ce qu’il fait et corriger son mouvement : c’est le principe de l’asservissement visuel, qui consiste à piloter un robot à partir de ce que voit sa caméra.

Deux stratégies complémentaires ont été développées. La première travaille en trois dimensions. Une caméra de profondeur, fixée près de l’outil, produit un « nuage de points » de la vigne. En le superposant à celui attendu au point de coupe, le robot calcule l’écart qui l’en sépare et se déplace pour le réduire. Pour éviter les grands déplacements, lents et peu fiables, un planificateur fondé sur la commande prédictive découpe le trajet en étapes intermédiaires, en veillant à ne pas heurter la plante et à toujours garder la vigne dans le champ de la caméra. Testée sur des pieds de vigne en intérieur et extérieur ont validé l’approche proposée.

La seconde stratégie n’utilise pas la 3D : le robot compare directement l’image qu’il voit à une image de référence prise depuis la bonne position. Cela suppose de retrouver les mêmes points dans les deux images, ce qui est particulièrement difficile car toutes les branches se ressemblent. Des méthodes récentes d’intelligence artificielle ont été évaluées sur un jeu de 20 000 images de vigne constitué pour l’occasion, afin de retenir la plus efficace. Une nouvelle loi de commande a également été proposée, qui fonctionne sans connaître la distance entre la caméra et la plante. Enfin, les images de référence sont fabriquées par ordinateur à partir de photos réelles, grâce à une technique de reconstruction 3D appelée Gaussian Splatting. Sur de vraies vignes, l’outil est positionné avec une précision inférieure au centimètre.

Ces travaux ont donné lieu à plusieurs publications internationales, à une collaboration avec l’Université de Newcastle (Australie) et au lancement du projet européen DEMETER avec des partenaires allemands et japonais, dont l’industriel Yanmar. Les prochaines étapes consistent à embarquer ces méthodes sur un robot mobile au cœur des vignes et à les rendre utilisables sans fond uniforme derrière la plante. À plus long terme, ces approches pourraient s’étendre à d’autres tâches agricoles, comme la récolte ou l’éclaircissage, et contribuer à réduire la pénibilité du travail viticole.