Learning system for self-reconfiguration of micro-robot networks

Système d'apprentissage pour le problème d'auto-reconfiguration des réseaux de micro-robots Le problème d'auto-reconfiguration des réseaux de micro-robots est l'un des défis majeurs de la robotique modulaire. Un ensemble de micro-robots reliés par des liens électromagnétiques ou mécaniques se réorganisent afin d'atteindre des formes cibles données. Le problème d'auto-reconfiguration est un problème complexe pour trois raisons. Premièrement, le nombre de configurations distinctes d'un réseau de robots modulaires est très élevé. Deuxièmement, comme les modules sont libres de se mouvoir indépendamment les uns des autres, à partir de chaque configuration il est possible d'atteindre un nombre d'autres configurations lui aussi très élevé. Troisièmement et comme conséquence du précédent point, l'espace de recherche reliant deux configurations est exponentiel ce qui empêche la détermination du planning optimal de l'auto-reconfiguration.Nous proposons dans ce travail, dans un premier temps, une approche d'auto-reconfiguration autonome distribuée TBSR, axée sur l'optimisation des déplacements pour une meilleure répartition des tâches. En d'autres termes, il s'agit de répartir l'effort fourni par chaque robot pour atteindre la forme finale.Dans un deuxième temps, nous proposons des approches hybrides qui tirent profit des avantages des méthodes centralisées et des méthodes distribuées. Ces approches permettent de sélectionner le meilleur algorithme distribué avant le lancement de la procédure de reconfiguration. Une gamme d'algorithmes distribués sont préalablement installés sur chaque robot modulaire. Au début de la procédure d'auto-reconfiguration, un coordinateur diffuse à l'ensemble des micro-robots, les données relatives à la forme finale à atteindre et l'algorithme distribué.Pour ce faire, nous avons déterminé les caractéristiques pertinentes des problèmes d'auto-reconfiguration permettant d'identifier l'approche algorithmique la plus adaptée.Une étude de l'impact de chaque méthode de reconfiguration et des paramètres de performances a été menée pour établir une base de connaissances. Cette base consigne les performances des divers algorithmes en fonction de différents paramètres pour un éventail varié de scénarios de problèmes d'auto-reconfiguration.A l'aide d'un système de classification, il est ainsi possible d'établir pour chaque méthode d'auto-reconfiguration les caractéristiques des scénarios d'auto-reconfiguration pour lesquels elle se montre efficace. Les mécanismes d'apprentissage développés IA (e.g., réseaux de neurones) sont mis en œuvre. Une première approche hybride CNNSR proposée fait appel aux réseaux de neurones artificiels pour prédire l’approche optimale pour l'auto-reconfiguration. Une approche CNN2SR (une version améliorée de CNNSR), a été introduite pour la précision et la réduction des erreurs, en affinant la classification.Dans un troisième temps, une modélisation de la consommation énergétique, issue d'expérimentations réelles avec des robots modulaires physiques (Catom 2D) a été établie. Cela a permis de mettre en œuvre une troisième approche hybride CNN3SR axé sur l'optimisation énergétique pour les robots modulaires.