Les meilleures pratiques en exploration robotique révèlent que l’algorithme SMRSA, inspiré du comportement des insectes, améliore significativement la couverture des environnements inconnus. Cette recherche, fondée sur des résultats expérimentaux, transforme notre compréhension des stratégies d’exploration autonome.
Résultats expérimentaux
Plusieurs configurations ont été testés pour déduire le quels des paramètres cités auparavant influencera la robustesse et l’efficacité de notre algorithme.
Après les différents tests nous avons conclu que les paramètres qui ont vraiment une influence significative sur l’efficacité de notre algorithme sont la taille de l’environnement, le nombre d’agents et pour l’environnement free, donc une ébauche sur ces deux paramètres est donnée dans ce qui suit :
Configuration 1:
- Environnement de 40 x 40 cellules, 1 cellule est une cible, qui est également réparti de façon aléatoire.
- Le nombre d’agents est fixé à 10.
Les figures qui se suivent montrent l’environnement de la configuration 1 et les différentes étapes de la simulation :
- Lancer une simulation avec un agent et une source :
[12_meilleures-pratiques-pour-exploration-robotique-efficace_31]
Figure 3.5 : (Etape 1) lancer la couverture mono-robot
[12_meilleures-pratiques-pour-exploration-robotique-efficace_32]
Figure 3.5: (Etape 2) déplacement de robot vers la deuxième région
[12_meilleures-pratiques-pour-exploration-robotique-efficace_33]
Figure 3.5: (Etape 3) déplacement de robot vers la troisième région
[12_meilleures-pratiques-pour-exploration-robotique-efficace_34]
Figure 3.5: (Etape 4) couvrir la quatrième région
- Lancer une simulation avec quatre agents et une source :
[12_meilleures-pratiques-pour-exploration-robotique-efficace_35]
Figure 3.6 : (Eetape 1) lancer la couverture multi-robot
- Lancer une simulation avec 20 agents et une source :
[12_meilleures-pratiques-pour-exploration-robotique-efficace_36]
Figure 3.6 : (Eetape 2) lancer la couverture multi-robot Discussion des résultats
Une simulation consiste pour chaque agent à lire ou écrire une valeur sur sa cellule actuelle et de passer à une cellule voisine.
Nous avons répété chaque simulation plusieurs fois dans chaque configuration (jusqu’à 20), les environnements sont définis comme des carrés.
La base est toujours située dans le centre (avec une couleur rouge) et tous les agents (avec des couleurs bleus) part d’elle.
Obstacles (avec une couleur noire) et lieux ressources (avec une couleur verte) sont réparties au-hasard dans l’environnement.
Influence de la taille de l’environnement sur les performances :
On voit que la taille de l’environnement influence les performances de l’algorithme lorsque le nombre des agents est variable.
Évidemment, un environnement large, nécessite plus de temps de couverture et d’exploration.
On observe que le nombre d’itération augmente en parallèle avec l’augmentation de la taille de l’environnement ainsi avec l’augmentation de nombre des régions en carré.
En d’autres termes, le temps d’exploration devient exponentiel. Est la marche de l’agent pseudo-spiral reste efficace quel que soit la taille de l’environnement.
Influence de nombre des agents sur les performances :
On voit que le nombre des agents influence les performances de l’algorithme lorsque :
- Le nombre des agents < 4 Un environnement large nécessite plus de temps de couverture et d’exploration.
- Le nombre des agents = 4 un environnement large nécessite moins de temps de couverture et d’exploration.
- Le nombre des agents > 4 un environnement large nécessite minimum de temps de couverture et d’exploration.
Conclusion
Dans ce chapitre, nous avons présenté en détail notre application à savoir le modèle comportementale de nos agents réactifs et coopératifs, ainsi que l’algorithme leurs permettant la sélection des comportements adéquates selon le stimulus reçus, les agents sont capable de construire des chemins optimaux entre la source et la base (construction de l’APF), cela leurs permet de revenir rapidement et sans se coincer dans des minimas locaux de l’environnement, d’un autre coté les agents peuvent coloré les chemins entre la base et la source pour permettre un retour aux sources déjà découverte.
La suite des simulations faite montre que notre algorithme (SMRSA) proposé après l’amélioration de l’algorithme original (MRSAM) fournit des résultats efficaces que celle de l’algorithme original(MRSAM).
D’autres problèmes ont été découverts lors de l’implémentation et qui font l’objet de nos perspectives.
Conclusion Générale et perspectives
Les travaux de coordination multi-agent se répartissent en deux catégories.
La première catégorie regroupe les aspects de la coordination vue sous l’angle de la coopération.
Ces travaux font l’hypothèse que les agents sont motivés collectivement à l’accomplissement d’un but commun.
C’est le cas par exemple en planification distribuée ou dans les algorithmes de recherche distribuée.
La seconde catégorie regroupe les travaux considérant que les agents sont motivés individuellement à l’accomplissement de buts qui leur sont propres tout en essayant de conserver certaines propriétés au niveau du groupe.
Notre travail s’intègre dans les deux catégories.
Nous avons abordé dans ce papier le problème de l’exploration multi-robot d’un environnement inconnu.
Nous avons proposé un nouvel algorithme (Spiral MRSAD) pour la couverture d’un environnement que découvrent les robots.
Celui-ci repose sur la notion de spiral vers un but.
Les robots sont alors répartis sur les régions selon leurs meilleures positions pour commencer la couverture.
L’évaluation des positions est fondée sur le marquage de chaque cellule visité.
Dans ce mémoire nous avons concentré sur un algorithme qui a été déjà proposé dans le cadre de la couverture multi-robots, celui de MRSAM.
Ce denier, permet la décomposition de l’environnement en un ensemble de disc et chaque robot va exploiter un disque différents.,
Lors de l’implémentation dans un environnement free un problème a été découvert, et qui fait l’objet de notre perspective future :
Problème trouvé :
- Parfois l’agent n’arrive pas à couvrir la tous les cases de première région et passe à la deuxième région. Pour cela on a proposé une solution efficace ;
Solution proposé :
- on a ajouté une contrainte dans notre algorithme Spiral MRSAD qui s’exprime par le test suivant :
- Tester les quatre sens de zone de couverture avec la procédure ligne droite dans le cas d’un agent ou plusieurs agents [pour sortir de la première région vers la deuxième]
- si le nombre d’agent >= 2 on teste sur les deux sens
- si le nombre agents < 2 on teste sur les 4 sens
Questions Fréquemment Posées
Quels facteurs influencent l’efficacité de l’algorithme d’exploration robotique?
Les paramètres qui influencent significativement l’efficacité de l’algorithme sont la taille de l’environnement et le nombre d’agents.
Comment la taille de l’environnement affecte-t-elle les performances des robots?
La taille de l’environnement influence les performances de l’algorithme, car un environnement large nécessite plus de temps de couverture et d’exploration.
Quel est l’impact du nombre d’agents sur l’exploration robotique?
Le nombre d’agents influence les performances de l’algorithme, avec des résultats optimaux observés lorsque le nombre d’agents est supérieur à 4.