Le dévracage industriel (extraction d’une pièce à partir d’objets empilés) est de plus en plus utilisé dans de nombreux domaines (automobile, alimentaire, traitement des déchets …) et est complexe à automatiser. Un système de dévracage doit en effet pouvoir analyser les données d’un capteur visuel pour en extraire une prise potentielle qui sera ensuite traduite en actions physiques effectuées par le robot. Les approches actuelles fonctionnent mais ont besoin d’être paramétrées par un humain pour chaque objet que l’on souhaite traiter.

Face à l’automatisation croissante de ces tâches, il est nécessaire de réduire au maximum les interventions humaines lors du changement d’objet à traiter. Notre objectif principal est donc d’utiliser des techniques d’apprentissage profond pour permettre au robot d’appliquer ses connaissances acquises sur d’anciens objets à des géométries jamais rencontrées pour le rendre plus autonome.