Résumé. L'exploration et l'exploitation collectives d'un environnement inconnu par un ensemble de robots font partie des applications parmi les plus populaires en Intelligence Artificielle Distribuée .De nombreux modèles ont été développés pour trouver des règles simples permettant à des robots d'exploiter leur environnement pour des tâches d'agrégation ou bien d'exploration et collecte. La métaphore la plus invoquée est celle des insectes, en grande partie parce ce que ces animaux ont développé des techniques collectives assez étonnantes. Nous adopterons dans cet article l'approche réactive pour concevoir un comportement d'agrégation stratégique d'un groupe de robots autonomes .Le comportement des Blattes pour le choix du site d'abri et de regroupement a été pris comme métaphore pour concevoir le comportement similaire chez les robots. Mots clés: Robotique collective ; Robotique organisation ; Émergence, Stigmergie.
À ses débuts, l'Intelligence Artificielle a puisé son inspiration dans le comportement individuel de l'être humain, en cherchant à reproduire son raisonnement. Mais dans la nature, on observe bien des formes d'intelligence. Pourquoi ne pas prendre en compte une intelligence qui ne serait plus individuelle, mais collective ?
Les comportements collectifs réalisés par les insectes sociaux sont parmi les plus impressionnants du règne animal. A la base de la plupart de ces comportements collectifs, on retrouve un comportement d’agrégation qui favorise les interactions et les échanges d’informations entre les individus d’un groupe, et permet ainsi l´émergence de comportements collectifs complexes.
La nature est en effet pleine d'espèces animales organisées en société et capables d'effectuer des tâches d'une complexité impressionnante. Citons entre autres les fourmis, les termites, les blattes, les araignées, les abeilles, les bancs de poissons, les oiseaux ou encore les humains. La robotique en essaim est un domaine où des comportements bio-inspirés sont reproduits avec des robots. Nous présentons une étude du comportement collectif des robots dans leur environnement, qui fait appel au principe de l'auto-organisation sur le plan collectif, tout en conservant une réalité biologique et un comportement émergent qui possède certaines propriétés qui sont essentiellement la robustesse, l'extensibilité et la flexibilité.
La nature de notre problématique nous a suggéré alors, de faire appel à des approches et techniques :
- L'usage du paradigme des multi-agents situés et de l'intelligence comportementale.
- L'usage de l'émergence comme mécanisme de contrôle et de coordination distribuée. Ceci permet la mise en oeuvre du non linéarité des interactions intraniveaux et inter-niveaux.
Le but de ce travail est la conception et implémentation d’un comportement réactif d’agrégation stratégique d’un groupe de robots autonomes. En robotique l’agrégation auto-organisée a été utilisée pour permettre à des groupes de robots de récolter et de trier des objets dispersés dans l’environnement ou pour leur permettre des déplacements et des regroupements coordonnés. Ce processus peut également conduire un groupe de robots aux capacités cognitives et sensorielles limitées à réaliser une décision collective.
Dans cet article, nous avons montré qu’un ensemble de comportements individuels simples qui conduise les Blattes à une agrégation forte et rapide, peuvent également conduire un groupe de robots au choix collectif d’un site d’abri.
Nous présenterons d’abord le contexte du problème, après quoi nous décrivons les métaphores adoptés et la problématique ; nous passerons en revue les travaux liés ; nous discutons les résultats obtenus et enfin les conclusions de ce travail et ses perspectives.
La robotique en essaim est actuellement l’une des applications primaires de l’Intelligence Artificielle en essaim, les essaims fournissent la possibilité accrue de réalisation d’une tâche (tolérance aux erreurs), ainsi qu’une faible complexité des unités et enfin un coût faible au regard des systèmes robotiques traditionnels .Les domaines d’application de ces robots sont variés : vaisseaux spatiaux, inspection /maintenance, construction, agriculture ou médecine.
La figure 1 montre la taxonomie de la robotique en essaim [
A. L'axe de modélisation est divisé en automates à base de détecteurs, microscopiques, macroscopiques et les automates cellulaires.
B. L'axe de conception de comportement est divisé en haches non adaptives, d’étude et d'évolution.
C. Tandis que l'axe de communication est divisé en "interaction par l'intermédiaire des capteurs ", "interaction par l'intermédiaire d'environnement".
D. La formation de modèle, l'agrégation, la formation à chaînes, auto assemblement les problèmes d'éviter de trou, de fourragement et d'auto déploiement sont discutés à l'axe de problèmes.
Robotique en essaim
Conception de comportement Communication
Dans la robotique en essaim, il existe deux mécanismes de coordination qui sont : l’auto-organisation et stigmergie.
· L’auto-organisation: Souvent, dans beaucoup de systèmes adaptatifs
complexes, les concepts d'émergence et d'auto-organisation sont utilisés
conjointement [
L'émergence est donc un concept pluri-défini. Elle est généralement vue comme un phénomène où le comportement global d'un système résulte des interactions entre les parties locales de ce même système.
L'auto-organisation comme l'explique D. Sumpter [
Les deux concepts d'émergence et d'auto-organisation soulignent des propriétés
différentes du comportement d'un système. Pour résumer, l'essence de l'émergence est
l'existence d'un comportement global nouveau par rapport aux composants du
système. L'essence de l'auto-organisation est un comportement adaptatif qui acquiert
et maintient d'une manière autonome un ordre croissant.
· Stigmergie : Le terme stigmergie fut introduit par le biologiste français
PierrePaul Grassé en 1959, en référence au comportement des termites [
Plusieurs espèces d'animaux ont l'habitude de vivre en groupe, à certaines étapes
ou pendant toute leur vie, durant certaines saisons ou pendant toute l'année. Les
avantages de la vie en groupe sont relativement variés et nous pouvons signaler entre
autres la défense contre la prédation, l'obtention de la nourriture et l'efficacité de la
reproduction [
Dans la robotique en essaim, on peut identifier un certain nombre de comportements
simples qui sont à la base des comportements plus complexes et qui ont été traités
d’une manière systématique: dispersion, agrégation, mouvement collectif et
décision collective [
Agrégation: La majorité des applications en robotique en essaim demandent aux membres de robots de se regrouper.
Le problème est facile quand une approche de commande centralisée est employée mais le problème n'est pas insignifiant quand la commande distribuée est employée. Les robots devraient se comporter de façon autonome et devraient employer l'information locale pour agréger. L’agrégation a un rôle important pour beaucoup de systèmes biologiques parce qu'elle est à la base de l'apparition de diverses formes de beaucoup de tâches collectives. Les exemples de l'agrégation dans les systèmes biologiques peuvent être trouvés dans [9].
Plusieurs travaux ont été réalisés on peut citer parmi eux :
1. Trianni et autres [
Tandis que les quatre premiers des neurones d'entrée codent la valeur saine obtenue
à partir du haut-parleur, les neurones restants d'entrée codent les sondes infrarouges
du robot. De même, le premier neurone de rendement utilisé pour commander le
hautparleur omnidirectionnel et les deux autres sont utilisés pour commander les roues.
Ils ont utilisé la même sonde et émetteur pour estimer la direction du plus grand
faisceau. La forme physique d'une évaluation simple est définie comme rapport du
nombre de robots formant le plus grand faisceau à tout le nombre de robots dans
l'expérience. La forme physique d'un chromosome est calculée de quatre manières
différentes (la forme physique de moyenne, de médiane, de minimum et de maximum
de toute fonction) pour la comparaison.
5. Jeanson et autres, [
Le processus d’agrégation cité en introduction est directement inspiré d’un modèle biologique de déplacement et d’agrégation développé à partir d’expériences sur les larves de premier stade de la blatte germanique Blattella germanica.
Ce modèle a été construit sur la base d’une quantification des déplacements et des comportements individuels de ces blattes à l’intérieur d’une arène circulaire homogène. Chacun de ces comportements individuels a été décrit de manière probabiliste, par une mesure de la distribution des probabilités d’apparition ou de disparition d’un comportement en fonction de l’environnement local de l’animal. Cette description empirique des comportements collectifs ne nécessite aucune connaissance des mécanismes physiologiques et neuronaux sous-jacents.
Les caractéristiques principales de ce modèle d’agrégation sont les suivantes: la
probabilité pour un individu de s’arrêter à chaque pas de temps augmente avec le
nombre de congénères arrêtés dans son voisinage proche ; au contraire, la probabilité
de repartir diminue avec ce nombre. Ce double feed-back positif conduit alors à la
formation rapide d’agrégats [
Nous avons essayé de mettre en évidence un système multi-agents sur lequel repose notre étude, dont le but est de diminuer la complexité de navigation d’un ensemble de robots dans un environnement totalement inconnu. Chaque agent est doté de faculté d’autonomie et de s’interagir dans le groupe. Pour Ces raisons, nous avons choisit d’adopter pour un agent-robot une architecture de subsumption de structure horizontale, cette architecture est composée de trois principaux modules : module de perception, module d’action et un dernier module pour la communication.
Chaque robot mobile est composé des modules suivants (Figure 2) : o Module de perception : la fonction de perception permet à l’agent-robot de percevoir l’état de son environnement (les autres robots). o Module de communication : Il permet l’échange d’informations utiles entre les agents-robots. o Module d’action : les capacités de raisonnement de l’agent constituent le centre de décision des différentes compétences de l’agent.
En fonction du comportement déclenché, un module d’action associé à un comportement donné détermine une réponse adaptée à la situation dans laquelle se trouve l’agent-robot. La réponse de l’agent robot est fonction du la granularité du comportement. Dans notre application, ce module se compose des comportements suivants : Sélection chemin, Eviter obstacle, Agrégation :
Module de Communication
Module d’action Environnement
Module de perception
Le module de perception assure une fonction double : Détecter la présence des obstacles (statiques et dynamiques) ou les robots tombant en panne à l’aide des capteurs et tester la nouvelle position de l’agent robot
Le module de communication est composé (Figure 3) de : o File d’attente des messages émis : elle permet de stocker les messages que l’agent veut envoyer aux autres agents. o File d ‘attente des messages reçus : elle contient les messages envoyés par les autres robots.
Robot
Messages reçus Messages envoyés
Module Action
Fig. 3. Module de communication
C’est une collection de comportements prédéfinis (Figure 4), tel que déplacement, agrégation, évitement obstacle. Ces comportements sont nécessaires pour le déplacement d’un robot. Toute en respectant un ordre de priorité : dans le cas où l’agent robot est confronté entre deux cas : atteindre le but (zone d’agrégat) et l’évitement d’un obstacle, dans ce cas le robot doit premièrement éviter l’obstacle, ensuite continuer le déplacement (Approche de subsumption).
Eviter Obstacle Sélection chemin
Agrégation
Environnement · Comportement sélection chemin :
Chaque robot du groupe se déplace aléatoirement dans l’espace de recherche depuis sa position initiale .Le but de ce comportement et la recherche d’un site d’abri tout en évitant les obstacles statiques et dynamiques (les autres robots).L’environnement pour le robot est totalement inconnu. · Comportement Eviter Obstacle :
L’évitement d’obstacles est un comportement de base présent dans quasiment tous les robots mobiles. Il est indispensable pour permettre au robot de fonctionner dans un environnement dynamique. Il permet d’éviter les obstacles apparus dans le champ de vision du robot, pour cela le robot doit déterminer un autre chemin (via le comportement sélection chemin).Le comportement d’évitement d’obstacle est déterminé par l’agent-robot selon l’environnement dans lequel il évolue et selon sa position par rapport aux obstacles rencontrés. La méthode qu’on va utiliser est efficace à condition d’avoir une perception correcte de l’environnement c’est la méthode VFH (Vector Field Histogram).
Cette Méthode utilise l'environnement perçu afin de générer un mouvement à exécuter sur un pas de temps, à la suite duquel un autre mouvement est généré et ainsi de suite. Ces mouvements sont appelés "mouvements partiels". Pour cela, l’environnement représenté par la grille d’occupations est discrétisé en secteurs angulaires pour lesquels la somme des valeurs des cellules d’occupation de chaque secteur est calculée. Cette somme représente une "densité polaire d'obstacle" ou DPO qui est proportionnelle à la proximité d'un obstacle et à la certitude qu'il existe dans la direction représentée par le secteur. Chaque direction autour du robot est donc représentée par une "barre de l'histogramme" dont la hauteur est proportionnelle à la probabilité d'être proche d'un obstacle. (Figure 5)
Ces comportements sont des unités de traitement ou des formes d’actions qui transforment des sensations en actions par un processus réactif. Pour implémenter un comportement, nous utilisons une série de règles de décisions floues. Il est possible que deux comportements, ou plus, préconisent au même moment des actions opposées, par exemples, tourner à droite et tourner à gauche. Pour résoudre ce problème, nous avons introduit la notion de contexte. Les contextes nous permettront de déterminer quel comportement doit être activé en fonction d’une situation donnée de l’environnement. Ainsi, nous associerons à chaque comportement un contexte d’applicabilité exprimé sous forme d’une règle floue :
SI contexte i alors comportement i 6 4
Les densités polaires calculées par la méthode décrite dans la section précédente, sont comparées à un seuil permettant de tolérer un certain bruit ; ce seuil est utilisé pour déterminer les directions possibles pour le robot : toutes les directions dont la valeur est inférieure à ce seuil sont acceptées.
Si OE ou OG ou OD alors <Déclencher le comportement d’évitement d’obstacle>
Si OE et OG et OD alors < tourner alpha + π/2 > Si OE et OG et ¬OD alors < tourner alpha_g> Si OE et ¬OG et OD alors < tourner alpha_d> · Comportement Agrégation :
Ce comportement permet d’arrêter le déplacement de tous les robots, en annulant leurs vitesses, lorsque l’agrégation est accomplie.
o La probabilité pour un robot de s’arrêter à chaque pas augmente avec le nombre de congénères arrêté dans son voisinage. o La probabilité de repartir diminue avec ce nombre. o La probabilité d’arrêt dépend aussi des caractéristiques de chaque cellule dans l’environnement.
Compter le nombre de robots : chaque robot émettait un numéro d’identification spécifique et compter le nombre de robots possédant un numéro différent dans son voisinage.
1
Nous avons construit un simulateur avec le langage Java Eclipse pour modéliser le comportement de nos robots Les figures ci-dessous montrent les étapes à suivre par les agents-robots depuis le démarrage (Figure 6) des robots jusqu’à la fin de simulation (Figure 7).
Fig.6. Démarrage Tête du Robot
Robot Zone d’agrégat
Au cours de ce travail, nous avons mis au point un processus de décision collective à partir d’un modèle biologique d’agrégation très simple. Nous avons montré qu’une agrégation associée à une préférence naturelle (caractéristiques de l’environnement) peut conduire un groupe de robots aux capacités sensorielles et cognitives limitées, à réaliser un choix collectif pour un site d’agrégation. L’aspect le plus intéressant de ces résultats est qu’aucun des robots utilisés n’est capable individuellement de telles performances, à cause notamment de leur faible appareillage sensoriel et de leur capacité de traitement limitée.
Ce travail ouvre déjà quelques perspectives intéressantes pour la robotique collective dont le plus important et l’expérimentation de ce comportement sur un groupe de robots réels.