Apprendre aux robots à faire équipe avec la nature

Les algues fleurissent, les oiseaux affluent et les insectes pullulent. Ce comportement en masse par des organismes individuels peut fournir un bien séparé et collectif, tel que l’amélioration des chances de réussite de la propagation de l’accouplement ou la sécurité. Désormais, les chercheurs ont exploité les compétences d’auto-organisation nécessaires pour tirer parti des essaims naturels pour des applications robotiques dans l’intelligence artificielle, l’informatique, la recherche et le sauvetage, et bien plus encore.

Ils ont publié leur méthode le 3 août dans Informatique intelligente.

« Concevoir un ensemble de règles qui, une fois exécutées par un essaim de robots, aboutit à un comportement spécifique souhaité est particulièrement difficile », a déclaré l’auteur correspondant Marco Dorigo, professeur au laboratoire d’intelligence artificielle, nommé IRIDIA, de l’Université Libre de Bruxelles, Belgique. « Le comportement de l’essaim n’est pas une carte univoque avec des règles simples exécutées par des robots individuels, mais résulte plutôt des interactions complexes de nombreux robots exécutant le même ensemble de règles. »

En d’autres termes, les robots doivent travailler ensemble pour atteindre l’objectif de somme des contributions discrètes. Le problème, selon Dorigo et ses co-auteurs, le Dr Valentini et le professeur Hamann, est que la conception conventionnelle des unités individuelles pour atteindre un objectif collectif est ascendante, nécessitant des raffinements par essais et erreurs qui peuvent être coûteux.

« Pour relever ce défi, nous proposons une nouvelle approche de conception globale à locale », a déclaré Dorigo. « Notre idée clé est de composer un essaim hétérogène en utilisant des groupes d’agents comportementaux différents de sorte que le comportement de l’essaim résultant se rapproche d’une entrée utilisateur représentant le comportement de l’ensemble de l’essaim. »

Cette composition implique la sélection d’agents individuels avec des comportements prédéterminés dont les chercheurs savent qu’ils travailleront ensemble pour atteindre le comportement collectif cible. Ils perdent la capacité de programmer localement des unités individuelles, mais selon Valentini, Hamann et Dorigo, le compromis en vaut la peine. Ils ont cité l’exemple d’une tâche de surveillance, où un essaim peut avoir besoin de surveiller une installation qui nécessite plus de surveillance interne pendant la journée et plus de surveillance externe la nuit.

« L’utilisateur fournit une description des allocations d’essaims souhaitées sous forme de distribution de probabilité sur l’espace de toutes les allocations d’essaims possibles – plus d’agents à l’intérieur pendant la journée, plus à l’extérieur la nuit ou vice versa », a déclaré Valentini.

L’utilisateur définirait le comportement cible en modifiant le nombre et la position des modes de distribution, chaque mode correspondant à une allocation spécifique, telle que 80 % d’agents à l’intérieur, 20 % à l’extérieur pendant la journée et 30 % à l’intérieur, 70 % à l’extérieur la nuit. Cela permet à l’essaim de changer de comportement périodiquement et de manière autonome, prédéterminé par les modes définis, à mesure que les circonstances changent.

« Bien qu’il soit difficile de trouver les règles de contrôle exactes pour les robots afin que l’essaim se comporte comme nous le souhaitons, un comportement d’essaim souhaité peut être obtenu en combinant différents ensembles de règles de contrôle que nous comprenons déjà », a déclaré Dorigo. « Les comportements d’essaim peuvent être conçus de manière macroscopique en mélangeant des robots de différents ensembles de règles prédéfinis. »

Ce n’est pas la première fois que Dorigo se tourne vers la nature pour améliorer les approches informatiques. Il a précédemment développé l’algorithme d’optimisation des colonies de fourmis, basé sur la façon dont les fourmis naviguent entre leurs colonies et leurs sources de nourriture, pour résoudre des problèmes informatiques difficiles qui impliquent de trouver une bonne approximation d’un chemin optimal sur un graphique.

Alors que Dorigo a d’abord proposé cette approche pour un problème relativement simple, elle a depuis évolué comme un moyen de résoudre une variété de problèmes. Dorigo a déclaré qu’il prévoyait de prendre la méthodologie de l’essaim dans une direction similaire.

« Notre prochaine étape immédiate consiste à démontrer la validité de notre méthodologie sur un ensemble plus large de comportements d’essaim et à aller au-delà de l’attribution des tâches », a déclaré Dorigo. « Notre objectif ultime est de comprendre ce qui rend cela possible, en formalisant une théorie générique pour permettre aux chercheurs et aux ingénieurs de concevoir des comportements d’essaim sans passer par le processus laborieux d’essais et d’erreurs. »

Fourni par l’informatique intelligente