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 uvre 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 [1] selon les axes suivants à savoir ; la modélisation, la conception de comportement, la communication, les études analytiques et les problèmes rencontrés.
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".
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.
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 [2] • Stigmergie : Le terme stigmergie fut introduit par le biologiste français Pierre-Paul Grassé en 1959, en référence au comportement des termites [5].Grâce aux modifications de l état de l environnement (gradients de phéromones), les termites arrivent, sans régulation centrale, à communiquer et à coordonner leur action. Donc La stigmergie est une méthode de communication indirecte via l'environnement. D'autre part, il est surprenant de remarquer que des systèmes, quoique simples, peuvent afficher des comportements beaucoup plus complexes et de types très différents, en exploitant l'influence et les variations de l'environnement. La stigmergie est tout ce qui peut perturber, altérer ou modifier le comportement d'un individu selon des variations de l'environnement. Comme elle permet à une société d'animaux de s'organiser.
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 [6]. Cependant, il faut distinguer entre au moins deux types de collectivités vues dans la nature. L'agrégation d'un côté, est un regroupement d'animaux entre individus différents qui sont attirés par un endroit particulier ou par un stimulus précis de l environnement. D'un autre côté, le grégarisme est la tendance des animaux à former des groupes sociaux comme dans les bancs de poissons, les bandes d'oiseaux et les troupeaux de mammifères, dont l'origine est l'attraction sociale [7].Parmi les comportements collectifs auto-organisés, on trouve l agrégation qui est certainement l un des plus simples comportements. Les individus grégaires présentent une attraction réciproque ou inter attraction. Chaque espèce exerce une attraction spécifique sur ses congénères et reçoit d'eux en retour une attraction non moins spécifique.
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 [8].
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 [10], ont essayé de résoudre le problème d'agrégation en utilisant un contrôleur probabiliste. Ils ont employé un de plus haut niveau de l'abstraction que les lectures de sonde et les commandes de déclencheur dont les éléments principaux s'appellent comme contextes (abstraction des données de sonde) et comportements (abstraction des commandes de déclencheur). Ils ont défini la probabilité du changement entre les comportements dans tous les contextes avec unematrice de probabilité et ont observé que l'agrégation est possible avec une matrice prédéfinie dans un environnement à base de détecteur simple de simulation. [11] ont également employé des algorithmes génétiques pour évoluer le comportement d'agrégation en évoluant simplement les poids d'un perceptron. La fonction de forme physique de l'évolution est définie comme distance moyenne du groupe de robots de son centre de la masse pour chaque époque. Ils ont observé deux types de contrôleurs dans la population finale :celui qui crée un agrégat très compact et celui qui est plus lâche que le précédent mais se déplacent en tant que groupe. On observe que le dernier est plus extensible quand le nombre de robots sont augmentés dans les expériences. [12] ont exécuté des expériences systématiques en utilisant un contrôleur probabiliste. Il y a quatre comportements dans le contrôleur qui sont reliés à l'architecture de subsumption : l'action d'éviter obstacle, s approcher, repoussent et attendent. Approcher et repousser sont des comportements utilisent une sonde saine pour s'approcher ou repousser du bruit le plus fort. Les transitions entre repoussers approcher et attendre-repousser des états sont définies avec deux probabilités différentes. Une transition est réalisée quand un nombre aléatoire choisi entre zéro et un est plus grand que ces probabilités. Ils ont étudié les différences de comportement en examinant différentes valeurs de ces probabilités.Ils ont prouvé que la meilleure exécution est obtenue quand tous les deux paramètres égaux à 1 ce qui signifie que le robot essaye toujours de s'approcher à l'agrégat probablement le plus grand. Mais leur point est que cette approche aura le haut risque de la collision et aura la grande consommation d'énergie en raison du manque de l'utilisation de l'état d'attente. [13] pour réaliser le comportement d'agrégation en évoluant les poids d'un réseau neurologique avec 12 entrées et 3 sorties.
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. [14] Ils ont essayé de montrer que les cancrelats exécutent l'agrégation globale des interactions locales. Pour faire ceci, ils ont mesuré les paramètres de système importants des expériences avec des larves de cancrelat comme la probabilité de l'arrêt dans un agrégat ou la probabilité de commencer à se déplacer. Ils ont créé un modèle numérique des comportements des cancrelats de ces mesures et ont essayé de valider leur modèle dans des simulations numériques. Bien que leur modèle numérique indique un désaccord quantitatif avec des expériences, ils ont réclamé qu'il offre également la preuve irréfutable que l'agrégation peut être expliquée en termes d'interactions entre les individus qui emploient seulement l'information locale. 6. Mataric a présenté la conception de l'agrégation dans [15]. Bien que l'auteur ait montré quelques photos de simulation comme exemples du succès des comportements et ait réclamé que les expériences sont examinées sur de vrais robots, sans fournir tout autre détail au sujet des expériences. Les détails des expériences ne sont pas fournis pour comprendre que les comportements globaux des robots et des interactions nécessaires entre d'autres comportements sont cachés.
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 [16,17]
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 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).
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.
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".
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. • Comportement Agrégation : Ce comportement permet d arrêter le déplacement de tous les robots, en annulant leurs vitesses, lorsque l agrégation est accomplie.
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).
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.