Robots Physiques Coopérants

Introduction

A première vue, on peut se demander quelle pourrait être l'utilité d'utiliser plusieurs robots, en effet, pourquoi ne pas utiliser un seul robot munit de tout l'équipement nécessaire à l'accomplissement de la tâche désirée. En y regardant de plus près, on peut s'apercevoir que constituer une équipe de robots s'avère crucial dans les cas suivants:
On peut donc définir les systèmes multi-robots coopérants comme étant des systèmes regroupant des agents artificiels ayant une existence physique et étant engages dans une tache commune telle que:


Le concept de robot footballeurs est très utilisé dans la recherche sur les systèmes de robots coopérants, de plus les robots footballeurs représentent un défit très intéressant pour les scientifiques car ils sont très exigeants dans tous les secteurs de la robotique avec des domaines aussi variés que, la mécanique, l'électronique (avec un besoin en capteur relativement perfectionnés), le contrôle intelligent, la communication entre robots, le traitement d'images, la vie artificielle. Cet engouement collectif pour ces équipes de robots footballeurs ont donné naissance à la coupe du monde de foot de robots (The Micro Robot World Cup Soccer Tournament) appelée encore MiroSot, une fédération à ce sujet à justement était créée : la FIRA (Fédération of International Robot-soccer Association).

Un lien très intéressant pour expliquer les différentes compétitions de coupe de robots avec des vidéos. Dans le même esprit que la coupe du monde de football pour robot, on trouve par exemple la compétition Clean up the office ou l'on peut voir l'équipe de robots gagnante de l'édition 1994.

Les différentes méthodes

Un tutoriel très intéressant sur l'explication de différentes techniques sur l'intelligence artificielle distribuée appliquée aux jeux d'équipe situes dans un milieu dynamique est proposé sous forme de page web, c'est en fait la mise en ligne d'une maîtrise effectuée sur ce sujet dans le cas particulier de la coupe du monde de robot.

On retrouve dans les systèmes multi-robots coopérants deux techniques radicalement différentes, la première technique va consister à reproduire au niveau individuel les techniques classiques d'apprentissage dans l'intelligence artificielle telles que la logique floue, les algorithmes génétiques et des algorithmes d'apprentissage par renforcement tels que le Q-learning (très utilisé), dans la seconde technique, on ne va pas utiliser d'apprentissage, mais on se limite seulement aux comportements innés des robots, et on assiste à une émergence d'un comportement global, c'est à dire sur toute la population d'agents telle que la swarm intelligence ou intelligence en essaim.

Lorsque l'on considère les techniques d'apprentissage, un problème commun consiste à apprendre aux robots à coopérer. Dans chaque cas les scientifiques ont trouvé que d'évaluer les individus seuls sur leur propre performance n'était pas suffisant. Si l'on veut qu'une coopération apparaisse entre les robots, l'équipe de robot doit être évaluée de façon globale. Une difficulté très grande dans ce domaine et de savoir comment distribuer une telle mesure globale quantitative à chaque membre de l'équipe, il semble que ce soit une des questions principales de l'apprentissage d'agents coopératifs.

Une fois l'apprentissage réalisé, les robots sont des agents autonomes situés et réagissent de la façon dont ils ont appris mais il n'apprennent plus. Dans ce cadre là, on peut par exemple considérer l'apprentissage d'une équipe de robots à l'aide d'un simulateur informatique et une fois l'apprentissage réalisé, transférer les différents contrôleurs sur les robots physiques respectifs. Une autre technique encore consiste à commencer l'apprentissage en simulation et le terminer sur les robots physiques, ceci permet de réaliser une simulation "grossière" de l'environnement dans le but de gagner un temps précieux puis de l'affiner ensuite sur robots réels.

La technique de Swarm Intelligence est très utilisée dans les tâches telles que pousser un bloc ou bien encore le fourragement. Ces problèmes sont résolus en implémentant des comportements (innés) bas niveau tels que éviter et suivre, on s'inspire alors de société d'insectes comme les fourmis, et leur comportement sont définis à l'avance; par exemple si des traces de phéromones sont à proximité alors les suivre sinon réaliser une marche aléatoire. On peut également introduire un comportement d'apprentissage pour apprendre aux robots à sélectionner les comportements et les coordonner avec les autres robots mais on s'éloigne alors de l'inspiration initiale qui consiste à essayer d'imiter le comportement d'une société d'insectes. Une autre différence semble être le manque de communication directe (sauf si l'on considère que le dépôt de phéromones en est une), contrairement à cela les équipes de robots footballeurs utilisent beaucoup la communication pour notamment indiquer leur position individuelle ou bien d'autres choses.

Les équipes travaillant sur ce sujet à travers le monde

Précisons que les différentes équipes dans le monde ont développées des techniques différentes; afin d'explorer plus finement leurs méthodes, des publications sont disponibles sur leur site respectif.

Le Laboratoire de LEGO au Danemark (LEGO Lab) s'est intéressé au problème des robots footballeurs avec les robots khepera. Ils utilisent plus volontiers les techniques d'algorithmes génétiques. Sur leur site on peut trouver des vidéos très intéressantes de robots jouant au football en un contre un. The Co-Evolutionary Robot Soccer Show est un jeu (fonctionnant sous le système d'exploitation Windows) disponible sur leur site permettant de développer des robots footballeurs en utilisant le concept de la co-évolution. Il est à noter que le concept de la co-évolution reprend un avantage réel par rapport aux autres techniques d'apprentissage, en effet, il est nullement nécessaire de définir une fonction performance pour l'individu isolé mais une performance globale suffit. Dans l'évolution au lieu de sélectionner des robots individuellement, on sélectionne alors des équipes de contrôleurs de robots. Un inconvénient majeur à cette technique est que l'espace de recherche devient alors très grand mais il laisse une liberté totale à l'équipe pour s'organiser.

The Oak Ridge National Laboratory semble être un laboratoire incontournable dans le cas des robots coopérants, il propose notamment des vidéos impressionnantes et amusantes sur entres autres choses le nettoyage collectif, le rangement de grosses boites, le passage de bâton entres les robots. Un algorithme (PESSIMISTIC Algorithm) de répartition de performance globale sur chaque robot est développé au sein de cette équipe.

The Interaction Lab à Los Angeles essaye de travailler sur la coordination et l'apprentissage de robots coopérants.

D'autres laboratoire intéressant:

The LAMI situé à l'Ecole Polytechnique Fédérale de Lausane et travaille en ce moment sur 3 sujets de thèse pour la coopération multi-robots.
The Flocking Robots Project (faisant partie du laboratoire de Zurich) qui essaye notamment de reproduire un comportement de troupeau d'oiseau sur des robots physiques.
The Collective Robotic Intelligence Project (CRIP) s'inspirant de la société des fourmis pour le transport collectif.
The Collective Robotics (CORO) research group (à l'institut de technologie de Californie) s'inspire fortement de l'application des principes de la Swarm Intelligence, où les interactions locales entre les robots avec l'environnement joue un rôle crucial dans la réalisation de la tâche requise.
The Intelligent Systems Laboratory au Portugal, travaillant notamment sur techniques appliquées aux robots footballeurs et à la navigation coopérative pour les robots de secours.
The Robotics Institute is part of the School of Computer Science, Carnegie Mellon University. 3 équipes travaillent sur des sujets tels que les robots footballeurs, le développement d'équipes de robots travaillant dans des environnements dynamiques incertains.
The DARPA Project qui travaille sur le contrôle réactif pour le contrôle pour les systèmes multi agents robotisés dans les environnements hostiles.
Notons que les institutions militaires semblent très intéressées par systèmes multi-robots coopérants notamment avec l'utilisation d'équipes de drones.

Et dans une moindre mesure, on trouve les laboratoires suivants qui consacrent une minorité de leur recherche sur la coopération entre robots, mais ils restent néanmoins intéressants:

Collective Robotics in Space Exploration qui travaille sur l'exploration de la planète Mars en utilisant plusieurs robots coopérants.
The Intelligent autonomous systems (IAS) au Pays Bas, travaille plus particulièrement sur les robots footballeurs.
Collaborative Perceptual Robotic Systems à l'université de British Colombia, développe notamment la localisation multi robots.
The mobile Robot Lab à Georgia Tech Atlanta développe des méthodes d'apprentissage de multi stratégies.

On arrive aux frontières de ce sujet avec ce laboratoire qui étudient les systèmes collectifs et coopératifs dans la civilisation humaine: Le projet Microbes au LIP 6 qui étudient les systèmes de robots collectifs soumis à un environnement peuplé d'humains.

Pour conclure, il n'est pas très évident de définir la frontière exacte de ce sujet qui empiète sur de très nombreux autres sujets, comme l'apprentissage dans le cas d'un seul robot qui est à lui seul un très vaste sujet, c'est pourquoi il est très difficile de trouver un laboratoire consacrant exclusivement sa recherche à la coopération entre plusieurs robots, elle en constitue souvent une petite partie.

Pour finir, certains scientifiques espèrent pouvoir réaliser une équipe de footballeurs artificiels d'ici 2050 pouvant rivaliser avec les joueurs humains d'aujourd'hui. Mais ceci va demander des progrès extraordinaires notamment au niveau mécanique (les androides d'aujourd'hui savent bien marcher mais de nombreux scientifiques essayent encore de les faire courir) et jouer au football sur un vrai terrain avec un ballon demandera encore des progrès considérables dans ce domaine. Bon courage !