Robotique en essaim

Un essaim de robots menus à source libre en train de se recharger.
Groupe de robots (iRobot Create) du Georgia Institute of Technology.

La robotique en essaim est une branche de la robotique appliquant les méthodes d'intelligence distribuée aux systèmes à plusieurs robots. Il s'agit généralement d'utiliser des robots simples, voire simplistes, et peu coûteux, d'un intérêt individuel assez limité, mais qui ensemble (par exemple via des capacités d'autoassemblage ou d'auto-organisation) forment un système complexe et robuste.

La robotique en essaim cherche à étudier la conception et le comportement des robots. Des règles relativement simples peuvent donner naissance à un ensemble complexe de comportements en essaim voire à des comportements émergents. Une composante clé de l'essaim est la communication entre ses membres, établissant un système de retours en boucle qui vise à la coopération du groupe.

Origines et bioinspiration

La robotique en essaim s'inspire des études entomologiques sur des insectes sociaux tels que les fourmis, les termites ou les abeilles[1], ou encore les comportements de groupes ou de coopération d'autres organismes (bactéries, vers (ex : Lumbriculus variegatus) bancs de poissons (sardines par exemple), oiseaux (tels que les étourneaux), etc. L'intérêt est la capacité qu'ont ces agents simples à produire collectivement des systèmes intelligents ; de cette manière, ils réalisent ensemble des tâches inabordables pour un insecte seul. La robotique en essaim cherche à faire de même avec des robots simples[2]. Comme on le verra plus loin, des propriétés intéressantes découlent de cette situation.

Avantages et inconvénients

Les avantages les plus souvent cités sont :

  • un faible coût pour une couverture plus étendue ;
  • une capacité de redondance (si l'un des robot est défaillant en raison d'une panne, d'un blocage, etc. un autre robot peut prendre des mesures pour le dépanner ou le remplacer dans sa tâche)[3].
  • la capacité à couvrir une grande surface. Duarte & al. ont par exemple montré (via une simulation appliquée au cas de l'île de Lampedusa) en 2014 qu'un essaim de 1000 petits drones aquatiques dispersés en mer à partir de 2 bases pourraient en 24 heures faire un bilan de surveillance sur une bande maritime longue de 20 km [4] ;

À ce jour, les essaims de robots ne peuvent remplir que des taches relativement simples, ils sont souvent limités par leur besoin en énergie. De manière plus générale, les difficultés d'interopérabilité quand on veut associer des robots de nature et d'origines différentes sont aussi encore très limitantes[5].

Propriétés

À la différence de la plupart des systèmes robotiques répartis, la robotique en essaim insiste sur un grand nombre de robots[6] et promeut la mise à l'échelle, par exemple l'utilisation de communications locales sous forme d'infrarouge ou Sans-Fil.

On attend de ces systèmes qu'ils possèdent au moins les trois propriétés suivantes[2] :

  1. la robustesse, qui implique la capacité de l'essaim à continuer à fonctionner malgré les défaillances de certains individus le composant et/ou les changements qui peuvent survenir dans l'environnement ;
  2. la flexibilité, qui implique une capacité à proposer des solutions adaptées aux tâches à réaliser ;
  3. la « mise à l'échelle », qui implique que l'essaim doit fonctionner quelle que soit sa taille (à partir d'une certaine taille minimum).

Selon Sahin (2005) et Dorigo (2013)[5]dans un système robotique en essaim[7], dans l’essaim :

  • Chaque robot est autonome ;
  • les robots sont habituellement capables de se situer par rapport à leurs voisins les plus proches (positionnement relatif) et parfois dans l'environnement global[8], même si certains systèmes essayent de se passer de cette donnée[8] ;
  • les robots peuvent agir (ex : pour modifier l'environnement, coopérer avec un autre robot.) ;
  • Les capacités de détection et de communication des robots entre eux sont locales (latérales) et limitées ;
  • les robots ne sont pas reliés à un contrôle centralisé ; ils n'ont pas la connaissance globale du système dans lequel ils coopèrent ;
  • les robots coopèrent pour effectuer une tâche donnée ;
  • des phénomènes émergents comportements globaux peuvent ainsi apparaître[5].

Programmation

Robotique évolutionnaire

Degré d'autonomie

L’autonomie implique qu'un robot puisse se gouverner par ses propres lois, éventuellement au sein d'un essaim (en acceptant alors les lois de l'essaim).

Selon Huang (2008) un système cybernétique est autonome s'il peut « percevoir, analyser, communiquer, planifier, établir des décisions et agir, afin d’atteindre des objectifs assignés par un opérateur humain ou par un autre système avec lequel le système communique »[9] et cette autonomie peut être quantifiée selon trois axes[10] :

  1. indépendance vis-à-vis de l’humain ;
  2. complexité de la mission ;
  3. complexité de l’environnement.

L'agence européenne pour la recherche en robotique[11] a retenu pour sa feuille de route 2020 : 11 niveaux d’autonomie pour les robots, en rappelant que les facteurs environnementaux, le coût d’une mauvaise décision, le temps durant lequel le robot doit être autonome, ainsi que « l’amplitude des décisions qu’il peut prendre, influent sur l’attribution des niveaux d’autonomie d’un système pour une tâche donnée ».

Selon T Sotiropoulos (2018) Le système doit donc à la fois disposer de capteurs de perception de son environnement et d’actionneurs pour agir sur cet environnement via des choix préprogrammés ou faits via une intelligence artificielle. Un système autonome doit pouvoir tenir compte des incertitudes et des évolutions de son environnement ; son niveau d’autonomie est donc lié à ses capacités d’analyser les données acquises par ses capteurs, ainsi que de ses capacités de planification/décision à court, moyen et long-termes[12].

Études ; recherche et développement

L'ingénierie des essaims de robots est dans les années 1990-2020 un secteur encore émergent[13], qui s'appuie notamment sur la science de l'intelligence des essaim[14] ; elle développe de nombreux sujets de R&D dont :

  • l'amélioration logicielle et progicielle ;
  • l'amélioration des outils de simulation informatique de comportements auto-organisateurs de robots[15];
  • l'amélioration les robots eux-mêmes[16]. Par exemple deux chercheurs suisses de Lausanne (Floreano & Keller) ont en 2010 proposé de s'inspirer de la sélection darwinienne (adaptative) pour faire évoluer les robots[17] ;
  • la capacité à évoluer dans les 3 dimensions (dans l'air pour une flotte de drones aériens, ou sous l'eau pour un essaim de robots subaquatiques)[18], par exemple pour l'étude de la dynamique des masses d'eau et des courants marins[18] ;
  • l'amélioration de leur capacité à coopérer entre eux (ou avec d'autres types de robots) ;
  • l'amélioration de leurs capacité à mécaniquement se coordonner au sein d'un essaim massif, dont par algorithmes de programmation morphogénétique (et des simulations pour l'assemblage de structures complexes)[19]
  • l'évaluation des comportements des essaims (le suivi vidéo est essentiel pour étudier le comportement en essaim d'une manière systématique, même si d'autres méthodes existent, comme le développement récent d'un suivi par ultrasons. Des recherches supplémentaires sont nécessaires pour ériger une méthodologie apte à la conception et à la prévision fiable des essaims lorsqu'on ne connaît que les traits des individus) ;
  • la comparaison des avantages et inconvénients respectifs des approches Top-down et bottom-up[20],[21].
  • ingénierie morphogénétique auto-organisée, basée sur la bioinspiration, dont à partir de l'étude de la morphogenèse. Cette dernière - dans la nature - permet, notamment lors du développement embryonnaire à des millions de cellules de rapidement s'auto-organiser en structures parfois très complexes et avec une grande variété de structures fonctionnelles[22]. Dans le vivant, cette émergence de structures et formes est intrinsèque (contrôlée par des circuits géniques, codés et identiques dans chaque cellule)[22]. Elle est souvent résiliente (allant jusqu'à la régénération d'organes ou de membres chez certaines espèces), robustes au bruit environnemental, intrinsèque et relativement adaptables à des environnements non-stables ; autant de propriétés qui intéressent les robotisions travaillant sur le travail en essaims par exemple pour des programmes de construction et/ou d'exploration[22].
    Dans le monde naturel, la morphogenèse semble se faire selon deux grandes voies et dynamiques[22] :
  1. la voie « hiérarchique » (contrôle up-down, descendant) ;
  2. la voie « auto-organisatrice » (type structures de Turing à réaction-diffusion)
Des tests ont déjà montré que des comportements purement auto-organisateurs permettent de produire des morphologies émergentes dans de grands essaims de vrais robots, qui sont alors capables d'organisation collective sans auto-localisation, uniquement en se basant sur quelques interactions locales avec leurs voisins. 300 robots ont ainsi pu construire des formes organiques et adaptables, robustes aux dommages[22]. Une équipe travaille (2018) sur un robot doté d'un système semblable à une imprimante 3D intégré dans son extrémité, déposant un matériau thermoplastique, lui permettant de grandir, un peu à la manière d'une racine de plante dans le sol ou d'une liane grimpante[23]

Applications

La robotique en essaim reste encore étudiée essentiellement en laboratoire, mais on recense un certain nombre de tâches pour lesquelles des applications de ce domaine existent[2]. Ainsi, elle semble parfaitement adaptée à des tâches de surveillance, d'exploration ou de nettoyage de zones[24], telles que surveiller la pollution d'un lac, ou utiliser des drones aériens pour des contrôles météorologiques[25] ou militaires, l'exploration spatiale[26]. On envisage également de les utiliser pour des tâches généralement effectuées par des êtres humains, mais qui se révèlent être particulièrement dangereuses. Ainsi, un essaim pourrait couvrir un champ de mines et les robots seraient sacrifiés sur les mines, évitant ainsi qu'elles explosent sur quelqu'un. Les propriétés des essaims les rendent aussi adaptés pour toutes les tâches nécessitant des changements d'échelles ou de la redondance[2], et de manière générale, à toutes les tâches ayant besoin d'effectifs en masses, comme les récoltes ou les exploitations minières.

Notes et références

  1. http://www.larecherche.fr/content/recherche/article?id=5941
  2. a b c et d (en) Erol Şahin, « Swarm robotics: From sources of inspiration to domains of application », dans Swarm Robotics, Springer Berlin Heidelberg, (lire en ligne), p. 10-20
  3. Christensen A.L, O’Grady R & Dorigo M (2009) From fireflies to fault tolerant swarms of robots. IEEE Transactions on Evolutionary Computation , 13(4):1–12 ; Université libre de Bruxelles IRIDIA (résumé)
  4. Duarte M, Oliveira S.M & Christensen A.L (2014) Hybrid control for large swarms of aquatic drones ; in 14th International Conference on the Synthesis & Simulation of Living Systems (ALIFE), pages 785–792. MIT Press, Cambridge, MA (PDF, 8 pp)
  5. a b et c Dorigo, M., Floreano, D., Gambardella, L. M., Mondada, F., Nolfi, S., Baaboura, T., Birattari, M., Bonani, M., Brambilla, M., Brutschy, A., et al. (2013). Swarmanoid: a novel concept for the study of heterogeneous robotic swarms. IEEE Robotics & Automation Magazine, 20(4):60–71 (résumé)
  6. http://infoscience.epfl.ch/record/166168/files/JNRR07.pdf
  7. Sahin E (2005) [Swarm robotics : from sources of inspiration to domains of application]. In Swarm Robotics , volume 3342 of Lecture ; Notes in Computer Science, pages 10–20. Springer, Berlin, Heidelberg (résumé)
  8. a et b Hauert S, Zufferey J & Floreano D (2009) Evolved swarming without positioning information : an application in aerial communication relay. Autonomous Robots, 26(1):21–32, PDF, 12pp (résumé).
  9. Hui-Min Huang (2008) Autonomy Levels for Unmanned Systems (ALFUS) Framework - Volume I : Terminology. Dans Special Publication 1011-I-2.0, Nationnal Institute of Standards and Technology (NIST)
  10. Hui-Min Huang (2007) Autonomy levels for unmanned systems (ALFUS) framework : safety and application issues. Dans Proceedings of the 2007 Workshop on Performance Metrics for Intelligent Systems, pages 48–53. ACM
  11. SPARC. Robotics 2020 multi-annual roadmap for robotics in europe, Horizon 2020 Call ICT-2017 (ICT-25, ICT-27 and ICT-28), Release B. 02/12/2016. (Cité en page 13.)
  12. Sotiropoulos T (2018) Test aléatoire de la navigation de robots dans des mondes virtuels (Doctoral dissertation, Université de Toulouse, Université Toulouse III-Paul Sabatier).
  13. Jin, Y., & Meng, Y. (2011). Morphogenetic robotics: An emerging new field in developmental robotics. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 41(2), 145-160.
  14. Brambilla, M., Ferrante, E., Birattari, M., & Dorigo, M. (2013). Swarm robotics: a review from the swarm engineering perspective. Swarm Intelligence, 7(1), 1-41.
  15. Brambilla, M., Ferrante, E., Birattari, M., & Dorigo, M. (2013). Swarm robotics: a review from the swarm engineering perspective. Swarm Intelligence, 7(1), 1-41.
  16. O'Grady, R., Christensen, A. L., & Dorigo, M. (2009). SWARMORPH: multirobot morphogenesis using directional self-assembly. IEEE Transactions on Robotics, 25(3), 738-743.
  17. Floreano D & Keller L (2010) Evolution of adaptive behaviour in robots by means of Darwinian selection. PLoS Biology , 8(1):e1000292
  18. a et b Jaffe, J. S., Franks, P. J., Roberts, P. L., Mirza, D., Schurgers, C., Kastner, R., & Boch, A. (2017). A swarm of autonomous miniature underwater robot drifters for exploring submesoscale ocean dynamics. Nature communications, 8, 14189.
  19. MacLennan B.J (2019) Continuum Mechanics for Coordinating Massive Microrobot Swarms: Self-Assembly Through Artificial Morphogenesis. In Novel Design and Applications of Robotics Technologies (voir pp. 96-133). IGI Global (résumé).
  20. Crespi, V., Galstyan, A., and Lerman, K. (2008). Top-down vs bottom-up methodologies in multi-agent system design. Autonomous Robots, 24(3):303–313
  21. Crespi V, Galstyan A & Lerman K (2005) Comparative Analysis of Top–Down and Bottom–up Methodologies for Multi–Agent System Design, AAMAS’05 July 25-29, 2005 Utrecht
  22. a b c d et e Slavkov I & al. (2018) Morphogenesis in robot swarms|Science Robotics 19 Dec 2018: Vol. 3, Issue 25, eaau9178|DOI: 10.1126/scirobotics.aau9178
  23. Mazzolai, B., Del Dottore, E., Sadeghi, A., Mondini, A., & Tramacere, F. (2018). Robots that grow like plants. Bulletin of the American Physical Society (résumé).
  24. (en) Abraham Prieto, J.A. Becerra, F. Bellas et R.J. Duro, « Open-ended evolution as a means to self-organize heterogeneous multi-robot systems in real time », Robotics and Autonomous Systems, vol. 58, no 12,‎ (lire en ligne)
  25. Sabine Hauert et Denis Delbecq, « L'intelligence collective guide un essaim de drones », La Recherche, no 458,‎ , p. 30
  26. « Créer des essaims de robots imitant le comportement social des fourmis », sur lapresse.ca, (consulté le 11 mars 2013)

Voir aussi

Articles connexes

Bibliographie

  • Brambilla M, Ferrante E, Birattari M & Dorigo M (2013) Swarm robotics: a review from the swarm engineering perspective. Swarm Intelligence, Université libre de Bruxelles IRIDIA (Technical Report Series) 7(1):1–41 (résumé)
  • Christensen A.L & Dorigo M (2006) Incremental evolution of robot controllers for a highly integrated task. In 9th International Conference on Simulation of Adaptive Behaviour (SAB), pages 473–484. Springer, Berlin, Allemagne (résumé)
  • Christensen A.L, O’Grady R & Dorigo M (2009) From fireflies to fault tolerant swarms of robots. IEEE Transactions on Evolutionary Computation , 13(4):1–12 ; Université libre de Bruxelles IRIDIA (résumé)
  • Dorigo, M., Floreano, D., Gambardella, L. M., Mondada, F., Nolfi, S., Baaboura, T., Birattari, M., Bonani, M., Brambilla, M., Brutschy, A., et al. (2013). Swarmanoid: a novel concept for the study of heterogeneous robotic swarms. IEEE Robotics & Automation Magazine, 20(4):60–71 (résumé)
  • Dorigo M, Trianni V, Sahin E, Groß R, Labella T.H, Baldassarre G, Nolfi S, Deneubourg J-L, Mondada F, Floreano D & al. (2004) Evolving self-organizing behaviors for a swarm-bot. Autonomous Robots , 17(2-3):223–245
  • Duarte M, Oliveira S.M & Christensen A.L (2014) Hybrid control for large swarms of aquatic drones ; in 14th International Conference on the Synthesis & Simulation of Living Systems (ALIFE), pages 785–792. MIT Press, Cambridge, MA.
  • Floreano D & Keller L (2010) Evolution of adaptive behaviour in robots by means of Darwinian selection. PLoS Biology , 8(1):e1000292 (document Open source, avec liens vers vidéos)
  • Gomes J, Mariano P & Christensen A.L (2014) Avoiding convergence in cooperative coevolution with novelty search, in 13th International Conference on Autonomous Agents and Multiagent Systems (AAMAS) , pages 1149–1156, IFAAMAS, Richland, SC
  • Nolfi S & Floreano D (2000) Evolutionary robotics : The biology, intelligence, and technology of self-organizing machines. MIT Press, Cambridge, MA. (lien vers ACM Digital Library)
  • Pinto E, Marques F, Mendonça R, Lourenço A, Santana P & Barata J (2014) An autonomous surface-aerial marsupial robotic team for riverine environmental monitoring : Benefiting from coordinated aerial, underwater, and surface level perception. In 2014 IEEE International Conference on Robotics and Biomimetics (ROBIO). IEEE Press, Piscataway, NJ (projet Riverwatch)
  • Francisco Marques, Andre Lourenco, Ricardo Mendonca, Eduardo Pinto,Paulo Rodrigues, Pedro Santana, and Jose Barata () A Critical Survey On Marsupial Robotic Teams for Environmental Monitoring of Water Bodies (texte de conférence, mis en ligne 07 avril 2015 )
  • Rodrigues T, Duarte M, Oliveira S.M & Christensen A.L (2015) Beyond onboard sensors in robotic swarms : Local collective sensing through situated communication. In 7th International Conference on Agents and Artificial Intelligence (ICAART) . SciTePress, Lisbon, Portugal
  • Schmickl T, Thenius R, Moslinger C, Timmis J, Tyrrell A, Read M, Hilder J, Halloy J, Campo A, Stefanini C et al. (2011) CoCoRo – The self-aware underwater swarm In 5th IEEE Conference on Self-Adaptive and Self-Organizing Systems Workshops (SASO), pages 120–126. IEEE Press, Piscataway, NJ
  • Sperati V, Triann, V & Nolfi S (2008) Evolving coordinated group behaviours through maximisation of mean mutual information. Swarm Intelligence, 2(2-4):73–95
  • Watson R, Ficici S & Pollack J (1999) Embodied evolution : Embodying an evolutionary algorithm in a population of robots. In 1999 IEEE Congress on Evolutionary Computation (CEC) ; pages 335–342. IEEE Press, Piscataway, NJ
  • Xu, G., Shen, W., and Wang, X. (2014) Applications of wireless sensor networks in marine environment monitoring : A survey. Sensors, 14(9):16932–16945
  • Young-Sun Ryuh, Gi-Hun Yang, Jindong Liu, Huosheng Hu (2015) A School of Robotic Fish for Mariculture Monitoring in the Sea Coast ; Journal of Bionic Engineering. 01/2015; 12(1). DOI: 10.1016/S1672-6529(14)60098-6 (résumé)