Auto-organisation adaptative et résiliente de flottes de robots hétérogènes par émergence collective pour une mission – SOS

La révolution de la robotique et de l'intelligence artificielle rend désormais possible le rêve d’applications ambitieuses et d'envergure. En particulier, la mise en œuvre de flottes de robots intelligemment gérée permettrait d'apporter des solutions innovantes à de nombreux problèmes concrets. Parmi ceux-ci, le projet SOS (Self-Organizing, Smart and safe heterogeneous robots fleet by collective emergence for a mission) s'intéresse à la détection de feux de forêts à l'aide d'une flotte de robots aériens et terrestres.
Il rassemble deux laboratoires (CRIStAL et CRAN) et une PME (Lynxdrone) dans le but de proposer, concevoir et développer un mécanisme de gestion intelligente de flottes de robots hétérogènes par émergence collective :
i) prenant en compte les caractéristiques propres des robots,
ii) adaptatif à l'environnement dynamique et évolutif
iii) ainsi qu'à l'état de santé estimé et prédit des robots (en termes d’actionneurs de contrôle, de capteurs de localisation, de charge des batteries, de durée de vie résiduelle, …)
iv) et résilient à l’apparition d’un incident,
en vue d'accomplir une mission.
Nous nous mettons dans les hypothèses suivantes :
i) le système est composé de plusieurs robots mobiles,
ii) les robots sont hétérogènes : terrestres ou aériens, avec des capacités de perception, de localisation, de commande, de communication variées,
iii) les conditions environnementales sont susceptibles d’être difficiles,
iv) les robots sont assujettis à des pannes capteurs et/ou actionneurs,
v) l’architecture du système est décentralisée : il n’y a pas de chef d’orchestre.
Les recherches menées apporteront des contributions sur trois axes en particulier :
i) L'auto-organisation intelligente et décentralisée de flottes.
Il s'agit de concevoir les comportements individuels des robots, qui disposent de capacités différentes selon leurs équipements. Ces robots doivent déterminer par eux-mêmes le rôle qu'il leur convient d'endosser pour contribuer au mieux à la réalisation collective de la mission. Par exemple, ces robots doivent adapter leur manière de communiquer selon l'environnement, ou de devenir "relais d'information" au lieu de patrouiller dans une zone. Le but est d'obtenir un système capable de se réorganiser dynamiquement pour faire face aux imprévus, alors que chacun ne dispose que d'information incomplète.
ii) La commande des robots.
Il s’agira d’explorer l’apport de l’apprentissage par renforcement pour élaborer des schémas de reconfiguration de la commande des robots tenant compte de l’état de santé du système ainsi que des prévisions de défaillances futures, permettant ainsi de garantir l’achèvement de la mission avec un certain niveau de performance en termes notamment de stabilité et de sécurité.
iii) La localisation des robots.
Il s’agira d’une part d’exploiter de manière efficiente et innovante la coopération entre les robots pour améliorer la précision, la disponibilité et la sûreté de l’estimation de la position. Les UAV peuvent, par exemple, être utilisé comme récepteur GNSS déporté et redondant de ceux des AGV. En effet, alors que les mesures GNSS des AGV peuvent être affectées en raison d’une mauvaise réception des signaux satellitaires, la qualité de celles des UAV peut être meilleure grâce à leur altitude plus élevée, au-dessus des obstacles. Grâce à la perception, les AGV peuvent alors se positionner relativement aux UAV. A l’inverse, leurs positions in situ, permettent aux AGV d’avoir un meilleur positionnement relativement à l’environnement et en faire bénéficier les UAV. Il s’agira d’autre part de rendre la localisation tolérante aux fautes en ajoutant une couche de diagnostic en charge de détecter et isoler les mesures défaillantes afin de les exclure de la procédure de fusion multi-capteurs. La combinaison d'approches basées modèles et d'approches basées données sera investiguée.
Les solutions proposées seront testées et évaluées en simulation et sur données réelles.