Les AMR redessinent la logistique — voici ce que déploient concrètement Kiva, MiR et Locus Robotics

Si vous entrez aujourd'hui dans un centre de distribution d'Amazon, le sol ne ressemble en rien à celui d'un entrepôt d'il y a dix ans. Les robots orange de Kiva — rebaptisés Amazon Robotics après le rachat de 775 millions de dollars en 2012 — déplacent des pods d'inventaire entiers vers des employés humains stationnaires, éliminant les kilomètres de marche qui définissaient le métier. Amazon exploite désormais plus de 750 000 AMR à travers son réseau mondial. Ce n'est pas un pilote. C'est une infrastructure.

Ce qui est considéré comme un AMR — et ce qui ne l'est pas

Le terme s'étire. Un AMR navigue de manière autonome à l'aide de capteurs embarqués, cartographie son environnement et se reroute en temps réel pour contourner les obstacles. Cela le distingue d'un AGV (véhicule guidé automatisé), qui suit des pistes magnétiques fixes ou des grilles réfléchissantes et s'arrête net quand quelque chose bloque son chemin. La différence pratique compte : les AMR peuvent être déployés dans un entrepôt existant sans démolir le sol, c'est pourquoi l'adoption s'est accélérée si brutalement après 2018.

Les principales catégories de déploiement commercial aujourd'hui sont : les transporteurs de pods goods-to-person (Amazon Robotics, Geek+, Quicktron), les chariots élévateurs autonomes et transpalettes (Seegrid, Vecna Robotics, gamme Autopilot de Toyota), les robots de prélèvement de caisses et de tri (Locus Robotics, 6 River Systems), et les AMR d'extérieur/cour — encore émergents mais visibles dans les ports à conteneurs.

Les principales plateformes et où elles sont déployées

Amazon Robotics (dérivé de Kiva) : La plus grande flotte d'AMR au monde. Les plateformes Proteus et Hercules gèrent les mouvements au niveau palette ; le système d'entraînement assure le transport des pods. Intégré étroitement au système de gestion d'entrepôt d'Amazon et non disponible commercialement — Amazon conserve cet avantage concurrentiel en interne.

Locus Robotics : Déployé dans des centaines de sites logistiques 3PL et de distribution au détail dans le monde. Le LocusBot travaille aux côtés des préparateurs humains : il se rend à un emplacement de prélèvement, l'humain dépose les articles dans le bac du robot, le robot se dirige vers l'emballage. DHL, Geodis et Quiet Logistics (acquise par American Eagle Outfitters) ont publiquement annoncé des déploiements multi-sites. Locus affirme que son système offre systématiquement 2 à 3 fois les unités par heure du prélèvement manuel.

6 River Systems (acquis par Shopify en 2019, puis vendu à Ocado en 2023) : Le robot collaboratif "Chuck" suit un modèle d'assistance humaine similaire. Shopify a licencié le système pour son propre réseau de préparation ; le rachat par Ocado reflétait un intérêt stratégique pour l'automatisation en tant que service pour la préparation de commandes alimentaires.

Mobile Industrial Robots (MiR, acquis par Teradyne) : Axé sur la logistique interne — déplacement de chariots, racks et charges lourdes entre les lignes de production et les entrepôts. Largement déployé dans la fabrication automobile et électronique. BMW, B. Braun et Flex ont publié des études de cas. Le MiR1350 gère des charges allant jusqu'à 1 350 kg, le plaçant carrément dans l'usage industriel lourd.

Geek+ et Quicktron : Dominants en Asie. Geek+ a déployé plus de 50 000 robots dans le monde, avec une densité particulière dans le commerce électronique chinois, l'habillement et la pharmacie. Les deux entreprises ont fait des incursions sur les marchés européens et nord-américains de la 3PL.

Comment fonctionne réellement la navigation

Les AMR modernes reposent sur la localisation et la cartographie simultanées (SLAM) : le robot construit une carte de son environnement tout en suivant sa propre position dans cette carte, en utilisant une combinaison de LiDAR, de caméras de profondeur et d'odométrie par roues. La carte est générée lors d'un parcours d'apprentissage initial, mise à jour en continu à mesure que l'environnement change et partagée dans toute la flotte afin que tous les robots bénéficient des nouvelles observations d'un seul robot.

Un logiciel de gestion de flotte fonctionne au-dessus des contrôleurs individuels des robots et gère le trafic : attribution des tâches, routage des robots pour éviter les collisions, gestion des cycles de charge et rééquilibrage des charges de travail lorsque la demande augmente. Les meilleures plateformes — Locus, 6 River, MiR Fleet — exposent des APIs REST et s'intègrent directement aux systèmes de gestion d'entrepôt (WMS) et aux systèmes de gestion de commandes (OMS), de sorte que l'attribution des tâches est entièrement automatisée de bout en bout.

Le machine learning intervient de deux manières. Les modèles de perception gèrent la classification des obstacles (une personne vs. une palette vs. une boîte égarée). Les modèles de prédiction de demande, de plus en plus intégrés aux logiciels de gestion de flotte, pré-positionnent les robots dans les zones susceptibles d'être occupées avant l'arrivée d'une vague, réduisant ainsi la latence entre la libération de la commande et le début du prélèvement.

Ce que les AMR peuvent faire de manière fiable aujourd'hui

• Transport goods-to-person : Déplacer des pods, étagères ou bacs vers un poste de prélèvement fixe et les retourner au stockage. C'est résolu à grande échelle — le modèle Kiva a une décennie de preuve de production.
• Assistance collaborative au prélèvement : Se rendre aux emplacements de prélèvement devant ou aux côtés d'un travailleur humain, transporter des bacs et acheminer le travail terminé vers l'emballage. Fiable dans des environnements structurés et cartographiés avec un éclairage constant.
• Transport interne de matériaux : Déplacer chariots, racks et transpalettes entre des points définis dans une usine ou un centre de distribution. MiR et Seegrid ont cela qui fonctionne dans des usines automobiles multi-équipes.
• Tri : Certaines plateformes gèrent le tri final directement vers le transporteur ; d'autres alimentent des bras de tri humains ou robotiques. Des débits de 1 500 à 2 500 unités par heure par station sont validés commercialement.

Ce qu'ils ne savent toujours pas faire de manière fiable

Les AMR déplacent des choses de A à B. Ils ne ramassent pas les choses sur les étagères. Le dernier centimètre — atteindre un bac, identifier un SKU parmi 50 articles similaires, le saisir sans l'endommager — reste le problème difficile. Des systèmes robotisés de prélèvement de pièces existent (Covariant, Mujin, RightHand Robotics) mais ce sont des systèmes séparés et pas encore intégrés à la vitesse et à la précision qui permettraient à un entrepôt d'éliminer complètement les préparateurs humains.

Les environnements non structurés ou extérieurs restent hors de portée pour la plupart des plateformes. Un entrepôt a des allées définies, un éclairage constant et une disposition connue. Un quai de chargement, une cour ou le sol d'un magasin de détail n'en a pas. L'automatisation de cour existe mais est coûteuse et spécifique au site. Le réapprovisionnement en magasin par AMR émerge (le robot Tally de Simbe Robotics scanne les étagères, ne les stocke pas) mais un réapprovisionnement autonome fiable n'est pas en déploiement général.

Les environnements à usage mixte avec une forte densité de circulation humaine — ceux des supermarchés ou des hôpitaux — sont également plus difficiles qu'ils n'en ont l'air. Les exigences de certification de sécurité, le comportement humain irrégulier et les allées étroites se cumulent. Les robots qui y travaillent ont tendance à être plus petits, plus lents et plus conservateurs dans leur routage, ce qui limite le débit.

L'économie en 2026

Un robot de prélèvement collaboratif de gamme moyenne (Locus, 6 River Chuck) coûte environ 25 000 à 40 000 dollars par unité en achat d'équipement, ou 1 200 à 1 800 dollars par mois dans le cadre de contrats robotique en tant que service (RaaS). Un AMR à charge lourde (MiR1350, Seegrid GT) coûte entre 60 000 et 100 000 dollars par unité. Ces chiffres ont baissé d'environ 30 à 40 % au cours des cinq dernières années à mesure que les volumes de fabrication ont augmenté.

Le modèle économique repose sur les heures de travail déplacées, pas sur le travail supprimé. Un déploiement de Locus chez un 3PL de taille moyenne vise généralement une amélioration de 2 à 3 fois du taux de prélèvement par travailleur humain, ce qui signifie le même débit avec la moitié ou les deux tiers des préparateurs — ou un débit nettement supérieur avec le même effectif. Avec un coût de main-d'œuvre complet de 20 à 25 dollars de l'heure incluant avantages et turnover (qui dans certains marchés d'entrepôts à fort turnover atteint 100 % par an), des périodes de retour sur investissement de 18 à 30 mois sont couramment citées.

Le modèle RaaS, pionnier en partie de Locus et largement adopté dans le secteur, change le profil financier : pas de gros investissement en capital, tarification basée sur la performance, et le fournisseur prend en charge les coûts de maintenance et de mises à jour logicielles. Pour les opérateurs qui ne peuvent pas justifier un engagement en capital de 2 millions de dollars, le RaaS a été la clé.

Ce que cela signifie pour les travailleurs d'entrepôt

Le tableau honnête est plus nuancé que "les robots prennent tous les emplois" ou "ne vous inquiétez pas, de nouveaux emplois apparaîtront". Le Bureau of Labor Statistics classe plus de 1,1 million de personnes aux États-Unis comme préparateurs de commandes, emballeurs et manutentionnaires — des rôles directement dans la ligne de mire du déploiement des AMR. Le déplacement a lieu, mais il est inégal, progressif et concentré dans les segments les plus volumineux et les plus répétitifs du travail.

Ce que fait le déploiement des AMR de manière constante, c'est de bifurquer la main-d'œuvre des entrepôts. Les rôles de marche et de prélèvement se réduisent ou sont requalifiés en supervision de robots et gestion des exceptions. Les rôles de maintenance, de gestion de flotte et d'intégration de systèmes se développent, mais ils exigent des compétences différentes et paient plus. Les travailleurs qui effectuaient le prélèvement physique ne deviennent pas automatiquement les travailleurs qui feront la supervision des robots — cette transition nécessite des investissements de formation que la plupart des opérateurs ont été lents à fournir.

La pression à court terme se concentre dans les entrepôts de commerce électronique et de 3PL à grande empreinte, où le volume justifie l'investissement. Les petites opérations, les installations de chaîne du froid et les environnements à forte variabilité de SKU ont des courbes d'adoption plus lentes. Les emplois les plus protégés à court terme sont ceux qui nécessitent un jugement dans des situations non structurées — le type de flexibilité que les AMR, tels qu'ils existent aujourd'hui, n'ont vraiment pas.