Publié le

Antihpert – opérateur 4.0 et anticipation dynamique de ses perturbations dans les ateliers de production

  • Partenaire : CESI, ULHN et ESIGELEC.
  • Appel à projet : RIN recherche
  • Budget global du projet : 385 k€
  • Budget CESI du projet : 155 k€
  • Lancement du projet : 1er octobre 2021
  • Durée du projet : 42 mois

Les systèmes de production axés sur l’humain représentent le nouvel objectif de la révolution industrielle. Il est important de comprendre le comportement de l’opérateur humain et d’être capable de le modéliser afin de concevoir des systèmes de production qui puissent le comprendre, atténuer les effets de sa variabilité, et anticiper son imprévisibilité.

Dans cette optique, le projet AntiHpert vise à développer des approches basées sur les données et la modélisation stochastique pour améliorer le fonctionnement des systèmes d’information d’entreprise existants tels que les ERP et les MES, en les rendant plus réactifs face aux aléas. La mise en place de cette approche permettra de surmonter plusieurs défis technologiques et scientifiques, que nous résumons dans les trois étapes suivantes :

  • Détection minimale et non invasive des perturbations : L’objectif de cette étape concerne les technologies et les techniques utilisées pour la collecte des données relatives à l’opérateur humain. Deux contraintes majeures sont liées à ces développements, à savoir l’invasivité et le coût. En effet, ces développements sont destinés aux PME qui ne peuvent pas supporter des coûts très élevés et font face à la résistance au changement de la part des opérateurs. Le système doit être capable de détecter les signes d’une dégradation de la qualité ou du temps opératoire à venir.
  • Modélisation du comportement humain : Afin d’anticiper les perturbations principalement causées par l’opérateur humain, il est nécessaire de définir un modèle de comportement spécifique à chaque opérateur, en plus des modèles dynamiques de comportement des outils de production. Il est donc essentiel de développer des modèles de comportement basés sur la modélisation stochastique ou sur l’intelligence artificielle. Plusieurs aspects doivent être pris en compte dans le comportement de l’opérateur humain, tels que la ponctualité, l’expérience et la motivation.
  • Actions proactives : Une fois que la dérive du système a été prédite avec une précision suffisante, des mesures correctives doivent être mises en place pour prévenir ou atténuer ces perturbations. Des algorithmes d’ordonnancement dynamique optimal doivent être développés pour proposer les prochaines actions correctives. De plus, une interface homme-machine intelligente doit être développée pour faciliter l’interprétation de ces nouvelles directives d’ordonnancement.

Un consortium complémentaire travaille en étroite collaboration sur ces activités de recherche, avec plusieurs actions et encadrements en commun.

Réalisation jusqu’au 31 mars 2025 (clôture du projet) :


Depuis avril 2024, l’équipe CESI LINEACT avec le consortium AntiHPert a franchi les derniers jalons de son programme, transformant la plateforme de test, les méthodes scientifiques et l’organisation
partenariale pour conclure le projet tout en préparant sa suite. Les travaux effectués sur la période peuvent se résumer dans les points suivants :

  • Amélioration des cas d’usage & collecte de données
    o La ligne Origami-Lego enrichie, couplée au scénario de maintenance Simbot, est désormais instrumentée par huit caméras IP, un casque HoloLens 2 et le module Odoo qui enregistrent en continu les horodatages d’opérations, l’identifiant des opérateurs et les flux vidéo associés ; cet ensemble a déjà produit plus de quinze heures de séquences parfaitement synchronisées et quelques 33 000 événements exploitables, issus des campagnes de test successives.
  • État de l’art
    o Nous avons réalisé une revue systématique sur l’intégration du facteur humain dans les modèles d’ordonnancement (stochastiques et déterministes), débouchant sur un métamodèle de comportement opérateur. Cette analyse pointe quatre axes prioritaires : exploiter l’IA pour la variabilité humaine, étendre les objectifs d’optimisation (ergonomie, énergie, productivité…), diversifier les outils de modélisation (multi-agents, stochastique, dynamique) et renforcer la collaboration pluridisciplinaire.
  • Nouveau modèle de comportement à trois aspects
    o Le nouveau modèle de comportement humain se décline désormais en trois volets : (1) expérience–apprentissage, qui ajuste les temps d’exécution au fil de la courbe de maîtrise ; (2) ponctualité–fiabilité, capturant retards et constance opérateur ; (3) fatigue–repos, modulant la performance selon l’effort. Calibré sur les cas d’usage Origami et maintenance Simbot. Le modèle a été simulé et implémenté dans le processus de sim-optimisation.
  • Bibliothèque NetLoPy & sim-optimisation
    o Nous avons développé NetLogopy, une bibliothèque open-source qui relie directement Python à NetLogo.
    o Nous avons ainsi tiré parti des puissantes bibliothèques d’optimisation de Python, notamment le solveur Gurobi, tout en conservant la souplesse de la simulation multi-agents de NetLogo. Nous avons également automatisé la synchronisation bidirectionnelle des données, ce qui réduit fortement les temps de calcul et accélère les boucles de sim-optimisation
  • Mécanisme de sim-optimisation pour l’ordonnancement dynamique
    o Nous avons mis au point un mécanisme de sim-optimisation événementielle qui combine, via NetLogopy, le simulateur multi-agents NetLogo et le solveur MILP Gurobi : la simulation exécute le planning initial, calcule en continu un indicateur de retard global (τ_divergence) fondé sur la différence entre temps réels et planifiés, et ne relance l’optimisation que lorsque ce retard dépasse un seuil τ_max ; le solveur génère alors un nouvel ordonnancement (séquence des jobs et ré-affectation opérateurs/profils) qui est immédiatement réinjecté dans NetLogo pour reprise de la simulation . Cette stratégie « on-demand » réduit drastiquement les appels à Gurobi, divise par dix le temps de calcul par rapport à un recalcul systématique, et permet ainsi d’obtenir un ordonnancement dynamique quasi temps réel tout en tenant compte des trois volets comportementaux (expérience-apprentissage, ponctualité-fiabilité, fatigue).
  • Diffusion scientifique
    o Sur le volet diffusion scientifique, le projet a obtenu une visibilité solide : nous avons déjà publié un article de référence dans International Journal of Production Economics (2024) et présenté nos résultats dans trois conférences internationales de rang A (IFAC MIM 2022, IEEE ICTMOD 2024, Simulation Workshop 2025) ainsi qu’au congrès national SAGIP 2024 ; parallèlement, quatre nouveaux manuscrits sont en revue ou en cours de soumission. Au total, cela porte le bilan récent à cinq articles de revue (dont un publié) et cinq communications, assurant une diffusion équilibrée entre journaux à fort impact et congrès ciblés, et plaçant CESI LINEACT et consortium AntiHPert comme acteur reconnu de la modélisation comportementale et de l’ordonnancement dynamique.
  • Formation & valorisation
    o Côté formation et transfert, le projet a permis la soutenance d’une thèse de doctorat consacrée à la modélisation hybride du comportement opérateur, l’encadrement de quatre stages Initiation-Recherche à CESI et de quatre stages à l’ESIGELEC, et la création d’une base de données multimodale ouverte. En parallèle, la communauté a bénéficié de l’extension des outils Python grâce à la publication open-source de NetLogopy, facilitant ainsi la mise en place de la passerelle simulation–optimisation.
  • Montage de la suite : projet AntiHPert +
    o Pour assurer la relève d’AntiHPert, nous avons conçu AntiHPert +, un projet Industrie 5.0 qui marie ordonnancement dynamique, IA explicable et robots humanoïdes collaboratifs pour optimiser la production tout en plaçant l’opérateur au centre ; il s’articule autour de cinq axes : collecte de données avancée, modélisation prédictive du comportement, anticipation des perturbations, intelligence robotique et gouvernance
    éthique. Afin de le financer, nous avons examiné plusieurs appels européens — programmes Interreg et Horizon Europe (clusters Digital-Industry, EIC Pathfinder, etc.) — et sollicité l’appui de cabinets de montage tels que Zabala, et Futuris ; malgré ces démarches, aucun appel ne correspondait pleinement à notre périmètre avant le 31 mars 2025. Nous poursuivons donc la veille avec ces partenaires pour positionner AntiHPert + sur les nouvelles fenêtres Horizon Europe ouvertes depuis juin 2025, en maintenant le consortium mobilisé et le dossier prêt à être déposé dès qu’une opportunité alignée se confirme.

Ces actions consolident les livrables scientifiques et technologiques d’AntiHPert tout en ouvrant une trajectoire claire vers AntiHPert +, garantissant la pérennité des collaborations et le transfert industriel des résultats.