La méthodologie d’exploration robotique révolutionne notre compréhension des environnements inconnus. En s’inspirant des comportements naturels, cette recherche propose une approche innovante qui améliore significativement les performances des robots autonomes, avec des implications cruciales pour l’intelligence artificielle distribuée.
Université 08 Mai 1945-Guelma
Faculté des Mathématiques, d’Informatique et des Sciences de la matière
Département d’Informatique
Filière : Informatique
Spécialité : Ingénierie des Medias
Mémoire de fin d’étude de Master
Stratégie d’exploration multi agent pour les environnements inconnus
Présenté par :
Nedjoua.Brahmia & Rima .Boulahia
Sous la direction de :
Melle. ZEDADRA Ouarda
Juin 2013
Résumé
La couverture 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 de couvrir leur environnement pour des tâches de couverture 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 ce mémoire l’approche réactive pour concevoir un comportement d’agrégation stratégique d’un groupe de robots autonomes. Le comportement des escargots pour la marche de chaque robot.
Dans ce mémoire, nous étendons l’algorithme SMRSA de sorte à ce qu’il prenne en compte une observabilité locale totale, des coupures de communication. Nous appliquons notre nouvelle SMRSA à une application sous JAVA consistant en la couverture multi-robot d’un environnement inconnu où chaque robot calcule localement une stratégie qui minimise les interactions entre les robots et maximise la couverture de l’espace par l’équipe même sous contraintes de pas communication entre les agents.
Nous présentons des résultats expérimentaux issus de scénarios d’exécution.
Mots clés : intelligence artificiel distribué, système multi-agents, les agents réactifs, les agents, l’exploration des environnements inconnus, la couverture
Introduction générale:
L’intelligence est une notion difficile à cerner. Derrière ce terme se cachent de nombreuses acceptions différentes. Un système pourra être qualifié d’intelligent parce que pour un observateur extérieur, il semblera doté de capacités cognitives habituellement attribuées à l’homme, ou parce qu’il cherchera à reproduire les mécanismes par lesquels l’homme ou l’animal prend des décisions complexes.
L’intelligence artificielle est inspirée de la métaphore du penseur solitaire : les chercheurs dans ce domaine ont cherché à produire des programmes isolés, en émulant les processus cognitifs humains pour résoudre des problèmes complexes. Les problèmes sont parfois naturellement posés de manière distribuée ; on suppose qu’il existe un certain nombre d’entités capables d’agir et d’interagir ; ces problèmes sont ainsi inscrits dans une branche de l’IA : intelligence artificielle distribuée (IAD). L’apparition de l’intelligence artificielle distribuée (IAD) a remis en question l’étude des systèmes constitués d’un agent.
Elle a pour objectif de réaliser des organisations de systèmes, capables de résoudre des problèmes par le biais d’un raisonnement symbolique. La métaphore du penseur solitaire a été remise en question et s’est accompagnée d’une nouvelle problématique : celle de l’interaction entre plusieurs entités. Une nouvelle question se pose alors : Comment un agent peut-il prendre en considération la présence d’autres acteurs dans le système, pour interagir au mieux avec eux ?
Les robots mobiles jouent un rôle important dans de nombreux domaines, parmi lesquels : la police militaire et applications (par exemple, le déminage, les véhicules de patrouille armés, la surveillance, la bombe désarmement), l’industrie (par exemple, transport et de manutention des matériaux), l’espace (par exemple, le plan-exploration monétaire, et l’acquisition des matières sur des planètes lointaines).
Néanmoins, l’intérêt indéniable de la robotique mobile est d’avoir permis d’augmenter considérablement nos connaissances sur la localisation et la navigation de systèmes autonomes. La gamme des problèmes potentiellement soulevés par le plus simple des robots mobiles à roues.
La planification du mouvement du robot s’agit de synthétiser un chemin et une trajectoire dans l’espace des configurations du robot, c’est une tâche fondamentale dans les opérations robotiques mobiles. La trajectoire est habituellement un ensemble de commandes de sortie, comme direction de déplacement, la distance et la vitesse, sur la base de variables d’entrée tels que la position actuelle.
La robotique est surtout les robots fourrageurs sont des applications possible des systèmes multi agents, elle est caractérisée par un ensemble d’agents (hétérogènes ou homogènes), qui doivent coopérer et coordonner leurs actions pour parvenir à réaliser leur objectif commun qui est la recherche et le collecte d’un échantillon de minerai précis dans un environnement inconnu, contraint ou non, à une base bien spécifique (dépôt).
Ce problème est un problème benchmark dans le domaine des SMA, parce qu’il inclut dedans un ensemble de sous problèmes qui font par leurs complexité une branche à part à traiter, d’un côté les agents doivent être dotés d’un mécanisme d’exploration (marche aléatoire, suivi de chemin …), de mécanismes leurs permettant la localisation de la base et la détection de ressources, des mécanismes de coordination et de coopération pour augmenter la performance du groupe.
Notre objectif est de construire des systèmes composés d’un ensemble d’agents assurant un contrôle décentralisé pouvant améliorer le système à un tout cohérent. Plusieurs démarches sont envisageables pour la construction de tels systèmes ; Ceux qui ont envahi les recherches dans cette décennie sont les démarches qui s’inspirent des systèmes collectifs observés dans la nature comme métaphore pour proposer de nouveaux mécanismes ; ces méthodes sont aussi intéressantes, mais nécessitent un travail important de la part du concepteur.
On cherche donc à concevoir un SMA réactif coopératif, caractérisé par un contrôle décentralisé, où chaque agent n’a qu’une vision partielle de l’environnement dans lequel il est plongé. Les actions qu’il peut émettre ne peuvent modifier l’environnement que localement ; et chaque agent décide localement des actions à entreprendre, en suivant ses perceptions reçues par ses capteurs ; mais tous les agents contribuent à l’évolution du système.
Dans ce mémoire on va se concentrer sur un algorithme qui a été proposé dans le cadre de la résolution de ce problème, c’est l’algorithme de MRSAM (Sarid, 2011), certaines améliorations ont été attribuées à ce dernier algorithme pour assurer plus de recrutement d’agents dans des chemins colorés, dont on a appelé la nouvelle version d’algorithme : (SMRSA) Spiral Multi Robot Search Area, un ensemble énorme de simulations a été fait et les résultats montrent que nos améliorations donnent des meilleurs résultats par rapport à celui de MRSAM en ce qui concerne le temps de résolution. Enfin plusieurs problèmes ont été aussi rencontrés et qui font l’objet de nos perspectives.
Plan de mémoire :
Ce manuscrit se décompose en quatre chapitres :
Le premier chapitre : constitue un état de l’art, qui traite le concept agent et tout ce qui tourne autour, et les systèmes multi agents et les concepts fondamentaux qui ont découlé.
Le deuxième chapitre : couverture et exploration des environnements inconnus, ce chapitre se divise en deux parties, la première partie traite quelques algorithmes de couverture et ses principes de recherche d’une cible dans un environnement inconnu et la deuxième partie traite le problème d’exploration.
Le troisième chapitre : conception et réalisation de la conception proposée qui se résume à un schéma de comportement d’agent coopératif et réactif ainsi que l’algorithme utilisé pour résoudre le problème de fourragement ainsi que les résultats expérimentaux sont discutés dans ce chapitre, la suite des simulations réalisées montre que nous amélioration de l’algorithme MRSAM (Sarid, 2011) qui se résume par notre algorithme (SMRSA), donnent des bons résultats par rapport à l’algorithme original. Un ensemble des simulations a été aussi fait pour tester quels sont les paramètres (nombre des régions, nombre d’agent…) qui peuvent affecter le temps de résolution et la robustesse de notre algorithme aux bruits.
Enfin nous terminerons le mémoire avec une conclusion générale et quelques perspectives.
Questions Fréquemment Posées
Quelle est la méthodologie d’exploration robotique proposée dans le mémoire?
Le mémoire propose une approche réactive inspirée du comportement des insectes et des escargots pour concevoir un algorithme d’agrégation stratégique.
Comment l’algorithme SMRSA est-il amélioré dans ce mémoire?
L’algorithme SMRSA est étendu pour prendre en compte l’observabilité locale totale et les coupures de communication.
Quels résultats expérimentaux sont présentés dans le mémoire?
Les résultats expérimentaux montrent une amélioration des performances par rapport à l’algorithme MRSAM original.