Département d'informatique, Institut des systèmes informatiques et multimédias ISIM (Laboratoire d'architecture de processeurs LAP)

Conception de structures neuronales pour le contrôle de robots mobiles autonomes

Mondada, Francesco ; Nicoud, Jean-Daniel (Dir.)

Thèse Ecole polytechnique fédérale de Lausanne EPFL : 1997 ; no 1598.

Ajouter à la liste personnelle
    Summary
    There is a large number of possible applications in the field of mobile robotics: Mail delivery robots, domestic or industrial vacuum cleaners, surveillance robots, demining robots and many others could be very interesting products. Despite this potential market and the actual technology, only few simple systems are commercially available. This proves that there are several important and problematic issues in this field, mainly at the intelligence level. As a reaction to the failure of the classical artificial intelligence applied to the field of mobile robotics, several new approaches have been proposed. Artificial neural networks are one of these, and genetic algorithms, supported by the Artificial Life trend, are also getting more and more consideration. These two techniques have already been applied to mobile robotics, but mainly in simulation, and without a final test on a real mobile robot. The use of physical robots for this research seems to be still problematic due to the lack of efficient tools. Several neural structures for the control of mobile robots have been analysed in this work. All experiences have been carried out on physical robots. To reach this goal, an important effort has been made in order to design new efficient robotic tools. Together with Edo Franzi, André Guignard and Yves Cheneval, we have developed and built hardware and software tools that make an efficient research work possible. Along with several analysis software tools, the mobile robot Khepera has been a result of this development. Using this equipment, six experiences have been carried out, covering a large spectrum of the possible ways neural networks can be used for the control of mobile robots. These experiments have nevertheless been restricted to simple behaviours and small neural networks. The first two experiments show, with a very simple and manually adjusted behaviour, the important role of the interaction of the robot with its environment. The first experiment is based on a collective behaviour, the second on a collaborative one. The adaptation of the robot to the environment is introduced in the third experiment, in which a learning technique is applied. The result is a robot able to learn how to use visual stimuli to avoid particular obstacles. Despite its interesting results, this approach has turned out to be very limited, due to the rigid structure needed. The last three experiments demonstrate the possibilities of the use of genetic algorithms, which proved to be a very flexible adaptation mechanism. The first of these three experiments tests the feasibility of this approach. The second one takes advantage of the characteristics of genetic algorithms to achieve more complex behaviours. Finally, genetic algorithms and learning techniques are associated in the last experiment, showing a high adaptive structure. An important effort has been made to show both advantages and disadvantages of each technique, in order to provide the necessary elements for the continuation of this research activity.
    Résumé
    Les applications de la robotique mobile autonome pourraient être nombreuses: le robot facteur, le robot aspirateur domestique ou nettoyeur industriel, le robot surveillant, le robot démineur et bien d'autres applications ont un marché considérable. Malgré le marché potentiel et les possibilités technologiques actuelles, seules quelques applications très limitées sont exploitées commercialement, ce qui prouve la difficulté de ces développements du point de vue intelligence. Face à l'échec des méthodes de conception classiques liées à l'intelligence artificielle, plusieurs nouvelles approches ont été proposées. Parmi celles-ci on trouve les réseaux de neurones et, plus récemment, les algorithmes génétiques, qui ont émergé de l'intérêt suscité par la vie artificielle (Artificial Life). L'application de ces techniques aux robots mobiles a été étudiée principalement en simulation, et dans la plupart des cas sans validation sur des robots réels. L'implémentation sur un robot mobile physique pose en effet souvent des problèmes pratiques qui limitent fortement leur utilisation. Ce travail a permis d'analyser plusieurs structures neuronales utilisées pour le contrôle d'un robot mobile, et ceci entièrement sur un robot physique. Pour atteindre ce but, une partie de l'effort a été consacrée à la mise au point d'outils matériels et logiciels. La collaboration avec Edo Franzi, André Guignard et Yves Cheneval a permis de développer le robot mobile Khepera et ses accessoires, ainsi que le logiciel de contrôle associé. Ces outils ont permis de réaliser six expériences qui couvrent le spectre des possibilités d'utilisation des réseaux de neurones pour le contrôle d'un robot mobile autonome. Ces expériences se limitent toutefois à la réalisation de comportements simples réalisés avec des réseaux de petite taille. Les deux premières expériences permettent, par un comportement conçu manuellement et finement ajusté, de mettre en évidence le rôle des interactions entre le robot et son environnement. La tâche exécutée est collective dans la première expérience, et coopérative dans la deuxième. Afin de permettre une adaptation du robot à son environnement, la troisième expérience introduit l'utilisation d'algorithmes d'apprentissage. Avec cette technique, un système capable d'apprendre à utiliser de la vision artificielle pour effectuer de l'évitement d'obstacles a été réalisé. Cette approche se montre toutefois très limitée à cause des structures très rigides nécessaires à son fonctionnement. Les dernières trois expériences mettent en oeuvre les algorithmes génétiques, qui se révèlent être un mécanisme d'adaptation plus flexible. La première de ces trois expériences prouve la faisabilité de l'approche, tandis que la deuxième va plus en profondeur, en essayant de mieux exploiter les caractéristiques des algorithmes génétiques. Finalement algorithmes génétiques et apprentissage sont combinés dans la dernière expérience, donnant lieu à un système de contrôle d'un degré d'adaptation élevé. L'analyse des résultats a permis de mettre en évidence avantages et inconvénients de chaque approche dans l'optique d'une utilisation concrète, et ceci afin de permettre une meilleure orientation de la recherche dans ce domaine.