Академический Документы
Профессиональный Документы
Культура Документы
By : abdou OUGHLIS
CHAPITRE1
1. Introduction
Les techniques d’optimisation inspirées de l'intelligence en essaim sont
devenues de plus en plus populaire au cours de la dernière décennie. Ils sont
caractérisés par un mode de fonctionnement décentralisé qui imite le
comportement des essaims d'insectes sociaux, les troupeaux d'oiseaux, les
écoles de poissons. L'avantage de ces approches par rapport aux
techniques traditionnelles est leurs robustesses et flexibilités. Ces propriétés en
font le succès de l'intelligence en essaim paradigme pour la conception des
algorithmes de plus en plus face à des problèmes complexes. Dans ce
chapitre, nous nous concentrons sur deux des exemples les plus réussis de
l'optimisation des techniques inspirées de l'intelligence en essaim:
Optimisation en essaim de la particule et Optimisation de la colonie de
fourmis.
Swarm Intelligence (SI), qui est une discipline de l’intelligence artificielle (AI),
est la conception intelligente de systèmes multi-agents en prenant l'inspiration
de comportement collectif des insectes sociaux comme les fourmis, les
termites, les abeilles et les guêpes, ainsi que d'autres animaux tels que les
sociétés des troupeaux d'oiseaux ou les écoles de poissons. Les colonies
d'insectes sociaux ont fasciné les chercheurs depuis de nombreuses années,
et les mécanismes qui régissent leur comportement sont restés inconnu
pendant longtemps. Même si les membres de ces colonies ne sont pas des
individus sophistiqués, ils sont en mesure de réaliser des tâches complexes en
matière de coopération.
Ce comportement Coordonné ressort des actions relativement simples ou
interactions entre les membres individuels des colonies. De nombreux aspects
des activités collectives des insectes sociaux sont auto-organisés en
travaillant sans un centre de contrôle. Par exemple, les fourmis apportent les
morceaux de feuilles à leur nid. Les fourmis ouvrières construisent des chaînes
de leur corps afin de franchir les écarts entre deux feuilles. Les bords des deux
feuilles sont ensuite rassemblés et successivement connectés par des fils de
soie qui est émis par une larve mûre tenue par un ouvrier. Un autre exemple
concerne le recrutement d'autres membres de la colonie pour la recherche
de proies (voir, par exemple, Fig. 1).
1er janvier 2009
Swarm Intelligence
Les individus tentent de maintenir une distance minimale entre eux et les
autres à tout moment. Cette règle a la priorité la plus élevée et correspond à
un comportement souvent observé chez les animaux dans la nature. Si ces
individus ne performent pas une manœuvre d'éviter les collisions, ils ont
tendance à être attirés vers d'autres individus (pour éviter d'être isolé), et
s’alignent avec les voisins.
Fig. 2.2. Plusieurs modèles de comportement collectif: (a) essaim (b) tore (c)
dynamique de groupe parallèle et (d) des groupes parallèles.
Ces agents utilisent des règles simples pour régir leurs actions et par les
interactions de l'ensemble du groupe, l'essaim atteint ses objectifs.
Un type d'auto-organisation ressort d’une collection d’actions du groupe. Un
agent autonome est un sous-système qui interagit avec son environnement,
qui contient probablement d'autres agents, mais agit de façon relativement
indépendante de tous les autres agents. L'agent autonome ne suit pas les
commandes à partir d'un chef de file, ou de certain plan global. Par
exemple, un oiseau pour participer à un troupeau, il règle seulement ses
mouvements pour assurer la coordination avec les mouvements de son
troupeau, généralement ses voisins qui sont proches de lui. Un oiseau dans un
troupeau tente simplement de rester proche de ses voisins, mais en évitant les
collisions avec eux. Chaque oiseau ne prend pas les commandes d’un chef
d'oiseaux car ce dernier n'existe pas. Le comportement en essaim contribue
à tirer les oiseaux de plusieurs choses, y compris la protection contre les
1er janvier 2009
Fig. 2 - Expérience du pont à double branche [Dorigo, 99]. (a) Les fourmis commence à
explorer le double pont(b) Par la suite la plupart des fourmis choisissent le plus court chemin.
(c) Distribution du pourcentage des fourmis qui ont choisi le chemin plus court. D’après Goss
et autres.
Fig. 3 - Comment les vraies fourmis trouvent le chemin le plus court [Dorigo, 97]. A) Les fourmis
arrivent à unpoint de décision. B) Quelques fourmis choisissent le chemin supérieur et d’autres
choisissent le chemin inférieurLe choix est aléatoire. C) Puisque les fourmis se déplacent
approximativement avec une vitesse constante, les fourmis qui choisissent la courte branche
(l’inferieure), atteignent le point de décision opposé plus rapidemenque celles qui choisissent
la longue branche (la supérieure). D) Le phéromone s'accumule à un taux plus élevésur le
chemin le plus court. (Le nombre de lignes représente approximativement la quantité de
phéromone déposée par des fourmis).
2.2.2.3 L’auto-organisation et la rétroaction
Le mécanisme permettant de résoudre un problème trop complexe pour être
abordé par des fourmis seules est un bon exemple de système auto-organisé.
Ce système repose sur des rétroactions positives : le dépôt de phéromone
attire d’autres fourmis qui vont la renforcer à leur tour, et des rétroactions
négatives : la disparition de la piste par évaporation empêche le système de
s'emballer. Théoriquement, si la quantité de phéromone restait identique au
cours du temps sur toutes les branches, aucune piste ne serait choisie. Or, du
fait des rétroactions, une faible variation sur une branche va être amplifiée et
permettre alors le choix d’une branche.
sa recherche vers de nouvelles directions, sans être trop contrainte par ses
anciennes décisions.
Recherche du plus petit chemin. Les fourmis réelles et virtuelles
partagent un but commun : recherche du plus court chemin reliant un point
de départ (le nid) à des sites de destination (la nourriture).
Swarm Intelligence
Déplacement local. Les vraies fourmis ne sautent pas des cases, tout
comme les fourmis virtuelles. Elles se contentent de se déplacer entre sites
adjacents du terrain.
Choix aléatoire au départ des transitions. Lorsqu’elles sont sur un site, les
fourmis réelles et virtuelles doivent décider sur quel site adjacent doivent se
déplacer. Au départ cette décision se fait au hasard car aucune information
local (la phéromone) n’est disponible.
2.2.3.2.2 Différences
Les fourmis virtuelles possèdent certaines caractéristiques que ne
possèdent pas les fourmis réelles :
Elles vivent dans un monde non-continu. Leurs déplacements consistent
en des transitions d’état.
Mémoire (état interne) de la fourmi. Les fourmis virtuelles mémorisent
l’historique de leurs actions. Elles peuvent aussi retenir des données
supplémentaires sur leurs performances.
Les critères du choix d’un chemin à suivre. La probabilité pour qu’une
fourmi artificielle choisisse un chemin ne dépend généralement pas
uniquement des traces de phéromone, mais aussi de l’heuristique
dépendante du problème permettant d’évaluer localement la qualité du
chemin.
Le type de problème. Dans le cas de vraies fourmis, le problème est de
trouver la nourriture, alors que dans le cas des fourmis artificielles, il s’agit de
trouver une bonne solution à un problème donné d'optimisation.
Nature des phéromones déposées. Les fourmis réelles déposent une
substance physique de phéromone sur la piste qu’elles parcourent.
Cependant la phéromone virtuelle n’est qu’un ensemble de variables d’états
associées au problème. Ainsi, le dépôt/l’évaporation des phéromones est
une simple incrémentation/décrémentation de la valeur des variables d’états
à chaque itération.
Qualité de la solution. Les fourmis virtuelles déposent une quantité de
phéromone proportionnelle à la qualité de la solution qu’elles ont
découverte. (Un comportement semblable est observé également dans
quelques vraies espèces de fourmis dans lesquelles la quantité de
phéromone déposée de est proportionnel à la qualité de la source de
nourriture trouvée [Beckers, 93]).
1er janvier 2009
❏ L’anticipation : la fourmi étudie les états suivants pour faire son choix et non
seulement l’état local.
❏ Le retour en arrière : une fourmi peut revenir à un état déjà parcouru car la
décision qu’elle avait prise à cet état a été mauvaise.
2.2.3.3 Algorithmes
Les algorithmes de colonies de fourmis sont pour l’essentiel appliqués à
des problèmes combinatoires, notamment du type du voyageur de
commerce. Cependant, devant le succès rencontré par ces algorithmes,
d’autres pistes commencent à être explorées : par exemple, l’utilisation de
ces algorithmes dans des problèmes continus [Dreo, 04] et/ou dynamiques
[DiCaro, 98], ou encore l’exploitation de ce type d’algorithmes dans un
cadre d’intelligence en essaim [Bonabeau, 99] et avec d’autres
métaheuristiques.
(4.1)
Où a et b sont deux paramètres contrôlant l’importance relative de l’intensité
de la piste, tij(t), et de la visibilité, ηij. Avec a = 0, seule la visibilité de la ville est
prise en compte; la ville la plus proche est donc choisie à chaque pas. Au
contraire, avec b= 0, seules les pistes de phéromone jouent. Pour éviter une
Swarm Intelligence
sélection trop rapide d’un trajet, un compromis entre ces deux paramètres,
jouant sur les comportements de diversification et d’intensification (voir
Glossaire), est nécessaire. Après un tour complet, chaque fourmi laisse une
certaine quantité de phéromones Dζijk(t) sur l’ensemble de son parcours,
quantité qui dépend de la qualité de la solution trouvée :
(4.2)
Où Tk(t) est le trajet effectué par la fourmi k â l’itération t, Lk(t) la longueur du
tour et Q un paramètre fixé.
L’algorithme ne serait pas complet sans le processus d’évaporation des pistes
de phéromone. En effet, pour éviter d’être piégé dans des solutions sous-
optimales, il est nécessaire de permettre au système “d’oublier” les mauvaises
solutions. À la fin de l'itération, on a la somme des phéromones qui ne se sont
pas évaporées et de celles qui viennent d'être déposées. La règle de mise à
jour des pistes est donc :
(4.3)
Où m est le nombre de fourmis utilisées pour l’itération t et ρ un paramètre de
réglage. La quantité initiale de phéromone sur les arêtes est une distribution
uniforme d’une petite quantité t0 r 0.
La figure 6 présente un pseudo-code de l’algorithme AS pour optimisé le
problème du voyageur de commerce.
Ant System) [Stützle, 00] qui obtiennent en pratique des résultats vraiment
compétitifs, parfois meilleurs que les approches les plus performantes.
Ant Colony System (ACS)
Une autre amélioration de AS est le Ant Colony System (ACS), introduit
par Gambardella et Dorigo [Gambardella, 96][Dorigo, 97]. Les contributions
les plus intéressantes d'ACS sont : [Dorigo, 04]
Swarm Intelligence
données qui vont circuler dans le réseau. Ce réseau est constitué de voies de
transmission (les arcs), dont les débits varient au cours du temps, et de
routeurs (les noeuds). Les routeurs ont pour fonction de diriger les paquets de
données vers un routeur jusqu’à ce qu’ils atteignent leur destination. De plus,
chaque routeur doit tenir compte de la quantité d’information circulant sur
les arcs auxquels il est relié afin d’éviter l’engorgement des arcs. Ainsi, des
paquets de données issus du même message peuvent emprunter des
chemins complètement différents.
2.2.4.1.2 L’algorithme AntNet
La nature distribuée et souple de la méthode ACO semblant adaptée
à ce type de problèmes, l’algorithme AntNet développé par Di caro et
Dorigo [DiCaro, 97] [DiCaro, 98] a été conçu pour résoudre les problèmes de
routage dans les réseaux.
Principe
Dans cet algorithme, le graphe de construction des solutions est
identifié au réseau. De plus, contrairement aux algorithmes ACO vus
précédemment, les fourmis se déplacent de manière asynchrone. Ainsi, le
principe de AntNet est de faire circuler, en parallèle avec les paquets de
données, des fourmis qui analysent en temps-réel l’état des voies de
transmission et qui fournissent ensuite ces états aux routeurs. Les fourmis
calculent le temps qu’elles mettent pour aller d’un noeud à un autre puis
déposent une trace de phéromones sur la voie empruntée en respectant la
règle suivante : plus le temps nécessaire pour parcourir la voie est court, plus
la quantité de phéromones déposée est grande. Une fois arrivé à un routeur,
un paquet de données sera orienté avec la probabilité la plus importante sur
la voie présentant la piste de phéromones la plus intense.
L’algorithme d’AntNet est très proche de ceux utilisé pour le TSP, les
routeurs pouvant être associés aux villes, ceci dit il y a quelques différences
notables :
❏ Il n’y a aucune contrainte sur les villes à visiter, c’est-à-dire qu’une fourmi n’est
pas obligé de visiter tous les noeuds.
❏Il y a une piste de phéromone différente pour chaque noeud de destination.
❏la dimension temporelle du problème rend plus délicate son évaluation.
Comparaison avec d’autres algorithmes
En situation de charge peu importante, les résultats obtenus par AntNet sont
1er janvier 2009
92]. Cependant, les fourmis peuvent adapter leur comportement selon les
circonstances : par exemple une fourmi de soldat peut devenir une
chercheuse de nourriture. Cette combinaison de spécialisation et de flexibilité
est un dispositif souhaitable pour l'optimisation et la commande multi-agent,
particulièrement dans les problèmes d'allocation de ressource qui exigent
l'adaptation continue aux conditions changeantes. Beaucoup d'approches
inspirées de la division de travail dans les vraies colonies de fourmis sont
basées sur un modèle de seuil développé par Robinson [Robinson, 92], dans
Swarm Intelligence
lequel les ouvriers avec de bas seuils de réponse répondent aux faibles
degrés des stimulus que les ouvriers avec les seuils de réponse élevés. Un tel
modèle de réponse-seuil a été appliqué au problème de choisir une cabine
de peinture pour des camions sortant d'une chaîne de montage dans une
usine de camion [Bonabeau, 99], [Campos, 00] - [Nouyan, 05].
2.2.5.3 Le transport coopératif
Une fourmi peut recruter d’autres fourmis afin de déplacer et de rapporter au
nid des nourritures volumineuses. Ce comportement de colonies de fourmi a
aussi inspiré la recherche dans la robotique, en particulier pour la conception
d'algorithmes de contrôle distribués pour les groupes de robots [Martinoli, 97].
Un exemple d'une tâche qui a été utilisée comme un point de référence pour
des algorithmes de fourmi appliqués aux problèmes de robotique distribués
est la boîte coopérative poussant [Kubei, 94]. Un autre exemple d'application
des algorithmes de fourmi est celui au problème relatif de tirer un objet. Ceci
a été réalisé [Trianni, 04] dans le projet Swarm-bots (www.swarmbots. org), un
projet consacré à l'étude des algorithmes de fourmis pour des applications
autonomes de robotique.
2.2.6 Conclusion
Les algorithmes de type ACO comptent parmi les plus performants pour
résoudre certains problèmes combinatoires NP-difficiles. De plus, il existe une
littérature abondante sur l’application de la métaheuristique ACO à ce genre
de problèmes. Enfin, des propriétés de convergence ont pu être prouvées
pour certaines variantes. On trouve même des applications industrielles
(ordonnancement de chaînes de montage, tournées de flottes de véhicules)
réalisées par des sociétés telles que EuroBios, AntOptima ou BiosGroup. Quant
aux tendances actuelles de la recherche, elles se dirigent selon quatre
grands axes :
• l’application à des problèmes dynamiques, dont les caractéristiques
changent avec le temps (par exemple, pour le routage dans les réseaux, ou
dans le cas du TSP pour lequel de nouvelles villes peuvent apparaître ou
disparaître avec le temps) ;
• l’application à des problèmes stochastiques présentant une incertitude, un
bruit sur les données, ou une approximation des variables ;
• l’application à des problèmes multi-objectifs ;
1er janvier 2009
CHAPITRE3
3. Optimisation en essaim de la particule (PSO)
PSO est une population basée sur un algorithme de recherche et est initialisé
avec une population des solutions aléatoires, appelés particules.
Contrairement à l'évolution d'autres techniques de calcul, chaque particule
dans PSO est également associée à une vélocité. Les particules volent dans
l'espace de recherche avec les vélocités qui sont ajustées dynamiquement
d'après leurs comportements historiques. Par conséquent, les particules ont
tendance à voler vers le mieux et la meilleure zone de recherche au cours du
processus de recherche. PSO a d'abord été conçu pour simuler la recherche
de nourriture des oiseaux qui est défini comme un «vecteur champ».
Supposons le scénario suivant: un groupe d'oiseaux est à la recherche
aléatoire de nourritures dans une zone. Il n'y a qu'un seul morceau de
nourriture dans ce domaine de recherche. Les oiseaux ne savent pas où est
la nourriture. Mais ils savent à quel point elle se trouve et les places de leurs
pairs.
Alors, quelle est la meilleure stratégie pour trouver la nourriture ? Une stratégie
efficace est de suivre l'oiseau qui est le plus proche de la nourriture. PSO
apprend du scénario et s'en sert pour résoudre les problèmes d'optimisation.
Dans PSO, chaque solution est unique comme un "oiseau" dans l'espace de
recherche, qui est appelé «Particules». Toutes les particules ont des valeurs qui
sont évaluées par la fonction de mise en forme à optimisé, et qui ont des
vélocités qui dirigent le vol des particules. (Les particules volent à travers
l'espace du problème, en suivant les particules avec les meilleures solutions à
jour). PSO est initialisé avec un groupe aléatoire de particules (solutions) et
puis cherche des optima de chaque génération en faisant la mise à jour.
Chaque individu est traité comme un volume de moins de particules (un
point) dans un espace de recherche D-dimensionnelle. La iem particule est
représentée comme Xi = (xi1, xi2,..., Xid). À chaque génération, chaque
particule est mis à jour par les deux «meilleurs» valeurs. Le premier est le
meilleur emplacement (la position qui a donné la meilleure valeur de justesse)
d'une particule obtenue à ce jour. Cette valeur est appelée pBest. Le pBest
de la ième particule est représenté comme Pi = (pi1, pi2,..., PiD). À chaque
itération, le vecteur P de la particule avec les meilleurs valeurs dans le
1er janvier 2009
vid = ω∗vid +η1 *rand () ∗ (pid −xid) +η2∗Rand () ∗ (pgd −xid) (1.1)
géographiques tels que présentés dans la figure1.6, puis les deux gbest et
lbest peuvent être considérés comme des formes de voisinage social.
Watts a introduit un petit modèle de réseau qui permet d’interpoler entre les
ressources ordinaires de faible dimensions des réseaux aléatoire, par
l'introduction d'une certaine quantité de hasard dans un premier temps
régulières.
Watts identifie deux facteurs qui influent sur l'échange d'informations entre les
petits- réseaux des membres :
• le degré de connectivité: le comportement de chaque individu sera
influencé par le comportement de ses k voisins.
Fig. 1.6. Exemples de (a) voisinage géographique (b) voisinage social dans
1er janvier 2009
un essaim.
CHAPITRE 4
4. Essaim Robotique
Essaim Robotique est une nouvelle approche pour la coordination d'un
grand nombre de robots et est apparue comme l'application de l'intelligence
en essaim de systèmes multi-robots. Différents des autres études de
l'intelligence en essaim, essaim robotique met l'accent sur la réalisation
physique des individus et des interactions réalistes entre eux et entre les
individus et l'environnement. Dans ce chapitre, nous présentons un bref
aperçu de cette nouvelle approche. Nous avons d'abord présenté sa
définition, l'examen des principales motivations qui sous-tendent l'approche,
ainsi que ses caractéristiques et les principaux mécanismes de coordination.
Ensuite, nous présentons un bref aperçu des recherches en robotique en
essaim autour de quatre axes, à savoir la conception, de modélisation et
d'analyse, et en fin les robots et les problèmes.
4.1Introduction
Essaim Robotique représente une nouvelle approche pour la coordination
d'un grand nombre de robots dont la principale inspiration provient de
l'observation des insectes sociaux. Ces insectes, comme les fourmis, les
guêpes et les termites, sont appelés à coordonner leurs comportements à
accomplir les tâches qui sont au-delà des capacités d'un seul individu, les
fourmis peuvent transporter de grandes proies à leur nid, les termites peuvent
construire de grands monticules de boue dans lequel un niveau désirée de
température et d'humidité est maintenue [5]. L'émergence de ces
comportements synchronisés au niveau du système est plutôt impressionnant
pour des chercheurs travaillant sur les systèmes multi-robots, car il apparaît,
malgré les individus sont relativement incapables, malgré le manque de
coordination centralisée et, malgré la simplicité des interactions.
Le terme intelligence en essaim a été initialement conçu comme un "buzz
word" par Beni, dans les années 1980 pour désigner une classe de systèmes
robotiques cellulaire [2]. Plus tard, le terme est passé à couvrir un large
éventail d'études de l'optimisation pour les études des insectes sociaux, la
perte de son contexte, la robotique dans l'intervalle. Récemment, le terme
Essaim Robotique a commencé à être utilisé comme l'application de
l'intelligence en essaim des systèmes incorporés physiquement.
1er janvier 2009
" Essaim Robotique est l'étude de la façon dont un grand nombre d’agents
physiques relativement simples peuvent être conçus de telle sorte que le
comportement collectif désiré émerge de l'interaction entre les agents et
entre les agents et l'environnement».
4.2.1 Propriétés du niveau de système
Le système de fonctionnement au niveau d'un système robotique en essaim
devrait présenter trois propriétés fonctionnelles qui sont observés dans des
essaims et de rester en tant que propriétés des systèmes multi-robots.
• Robustesse. Le système robotique en essaim devrait être en mesure de
fonctionner en dépit des perturbations de l'environnement ou du mauvais
fonctionnement de ses individus. Un certain nombre de facteurs peuvent être
observés dans les insectes sociaux derrière la robustesse de leur
fonctionnement.
Tout d'abord, les essaims sont en soi des systèmes redondants, la perte d'une
personne peut être immédiatement compensée par un autre.
Deuxièmement, la coordination est décentralisée et donc la destruction
d'une partie de l'essaim est peu probable de mettre fin à son opération.
Troisièmement, les individus qui composent l'essaim est relativement simple,
ce qui les rend moins vulnérables à l'échec.
Quatrièmement, la détection est distribuée, d'où le système est robuste
contre les perturbations dans l'environnement.
• Flexibilité. Les personnes d'un essaim devraient être en mesure de
coordonner leurs comportements pour lutter contre les tâches de nature
différentes. Par exemple, les individus dans une colonie de fourmis peuvent
collectivement trouver le chemin le plus court pour une source de nourriture
ou d'une grande proie grâce à l'utilisation de différentes stratégies de
coordination.
• Extensibilité. Les essaims devraient être en mesure de fonctionner dans un
large éventail de tailles de groupe et de soutenir un grand nombre d'individus
sans impact sur la performance. C'est à dire, les mécanismes de coordination
et les stratégies à développer pour les systèmes de robotique en essaim
devraient assurer le fonctionnement de l'essaim dans différentes tailles.
4.2.2Caractéristiques
Nous allons maintenant résumer les principales caractéristiques de l'essaim de
recherche en robotique (voir [9] pour une discussion).
Tout d'abord, la recherche doit être pertinente pour la coordination d'un
1er janvier 2009
essaim de robots. C'est à dire, les personnes doivent avoir une incarnation
physique, se situer, et d'être physiquement capable d'interagir avec leur
environnement. En outre, les mécanismes de coordination devraient être
étudiés en promettant d'être évolutive pour un large éventail de tailles
d’essaim.
Deuxièmement, le système robotique à l'étude devrait être assez
Swarm Intelligence
homogène.
C'est à dire, les individus qui composent l'essaim devraient être assez
identiques, du moins au niveau des interactions. Coordination des stratégies
élaborées pour des systèmes hétérogènes multi-robots, qui sont composées
d'individus qui diffèrent dans leurs interactions en raison de leur physique ou
leur incarnation de contrôle du comportement, en dehors de l'approche de
la robotique en essaim.
Troisièmement, les individus devraient être relativement simples. Le critère
de la simplicité dans la définition ne se réfère pas directement à la
complexité du matériel et des logiciels des robots, mais plutôt pour but de
souligner les limites de leurs capacités individuelles par rapport à la tâche. Les
membres du système de l'essaim devraient être relativement incapables ou
inefficaces seul en l'égard de la tâche à accomplir. C'est, soit (i) la tâche
devrait être difficile, voire impossible, d'être menées par un seul robot, et la
coopération d'un groupe de robots devrait être indispensable, ou (ii) le
déploiement d'un groupe de robots devrait améliorer les performances et la
robustesse de la manipulation de la tâche.
Quatrièmement, les individus devraient avoir les capacités d'interaction
locale. Cette contrainte assure que la coordination entre les robots est
distribuée, et qu'il est plus probable à l'échelle de la taille de l'essaim. Les
mécanismes qui s'appuient sur les capacités d'interaction sont susceptibles
d'être limitées par la bande passante.
4.2.3 Mécanismes de coordination
Les études en systèmes physiques et biologiques ont révélé qu'il existe un
certain nombre de mécanismes de coordination qui sont à l'œuvre dans les
systèmes naturels qui peuvent servir de sources d'inspiration pour la
coordination de l'essaim des systèmes robotiques. Deux des principaux
mécanismes de coordination sont: l'auto-organisation et stigmergy.
Auto-organisation, définie comme «un processus dans lequel les formes à
l'échelle mondiale émergent uniquement de nombreuses interactions parmi
les bas niveaux des composantes du système» [5], est commun dans les
systèmes naturels. Les études d'auto-organisation dans les systèmes naturels
montrent que l'interaction des commentaires positifs et négatifs des
interactions locales entre les individus est indispensable [4]. Dans ces
systèmes, une évaluation positive est généralement généré par des
comportements auto-catalytiques, c’est le changement infligé dans le
système essaim de l’environnement par l'exécution d'un comportement
1er janvier 2009
Dans les approches ad hoc, les comportements des différents robots sont
conçus manuellement pour réaliser le comportement désiré au niveau
d’essaim. Dans cette approche, en général, mais pas toujours, les
comportements des insectes sociaux sont généralement adaptés à des
robots à portée de main. Ce processus suppose implicitement que les
comportements utilisés comme source d'inspiration sont observés à un certain
niveau d'abstraction qui saisit les paramètres essentiels qui doivent être
Swarm Intelligence
modèles macroscopiques doivent être résolus afin d'obtenir une seule fois
l'état d'équilibre du modèle. Il permet de trouver les paramètres optimaux de
comportement systématique, sans procéder à des expériences avec des
robots et fournit un point de vue de garantie théorique sur le comportement
de niveau système de l'essaim. Un exemple de ce type de modélisation peut
être trouvé dans [19]. Dans cette étude, un modèle d'analyse
macroscopique pour un problème de tirer des bâtons mentionné ci-dessus,
Swarm Intelligence
est proposé.
• Coût. Les robots devraient être marché aussi bon que possible, puisque,
contrairement aux robots autonomes, ils seront vendus au moins en groupes
de plusieurs dizaines.
• Taille. La dimension importe dans l'essaim des systèmes robotiques. Les
robots doivent être suffisamment petits pour ne pas rendre nécessaire
l'augmentation de la taille de la scène lors des essais d'expérimentations
avec le système, et encore de ne pas limiter l'extensibilité du robot ou
d'augmenter le coût de l'essaim de robots en raison de la miniaturisation des
composants.
• Simulation. Les essaims exigent des systèmes robotiques réalistes simulateurs.
Ils sont essentiels pour accélérer le développement de nouveaux algorithmes
de contrôle. Ces simulateurs ont besoin de modéliser les interactions entre les
robots, ainsi que les interactions avec des robots à leur environnement de
manière réaliste qui est aussi vérifié contre les robots physiques.
Le Développement d'une plate-forme de robot unique, cela rendrait compte
que la liste du souhait entière est difficile, sinon impossible. Le choix de
conception réalisés en ce qui concerne l'une des conditions, telles que la
taille, pose des contraintes à la réalisation d'autres conditions, telles que les
centrales électriques et de communication. Dans le reste de cette section,
nous passerons en revue certaines des plates-formes existantes de robot
mobile qui sont développés (ou peut être utilisé) pour mener la recherche et
de la robotique en essaim évaluer en fonction de la liste ci-dessus.
• Alice est un petit robot mobile rectangulaire de dimensions 22 × 21 mm.
Le robot, entraîné par deux moteurs à haut rendement SWATCH de
locomotion, l'hôte d'un microcontrôleur PIC16F877 avec mémoire flash
EPROM 8K mots. Alice dispose de quatre capteurs de proximité IR pour
détection d'obstacles et une courte distance robot robot-à-module de
communication ainsi que d'un récepteur infrarouge pour la télécommande. Il
existe également une grande variété de modules, comme une caméra
linéaire, RF, ou modules de préhension, d'extension de ses capacités. Dix
heures d'autonomie sont signalées avec deux piles bouton et de 20 heures
d'autonomie est atteinte avec une batterie supplémentaire LiPoly. Le robot
modèle est disponible dans le simulateur Webots.
• e-Puck est un robot circulaire d'un diamètre de 70 mm. Le robot, entraînés
par deux moteurs pas à pas pour la locomotion, l'hôte d'un microcontrôleur
dsPIC 30F6014A avec 144 Ko de mémoire programme et 8 Ko de RAM. IR
ePuck a huit capteurs utilisés pour mesurer la proximité des objets, ainsi que la
1er janvier 2009
lumière ambiante.
Il a un haut-parleur de commentaires sonores et de trois microphones
directionnels qui peuvent être utilisés pour la localisation du son et d'un
accéléromètre à trois axes. Le robot a une caméra couleur, un certain
nombre de voyants pour signaler ou de montrer son état et Bluetooth comme
le principal canal de communication sans fil. Les robots peuvent être
programmés par l'intermédiaire de ce module Bluetooth. e-Puck prévoit
également une extension de bus est en option et des modules de
Swarm Intelligence
• Swarmbot est un robot de forme carrée avec des dimensions 130 × 130 mm.
Il a quatre roues de chaque côté par deux engins de tête des moteurs DC. Le
robot est équipé d'un processeur ARM Thumb, un FPGA, huit capteurs de
choc, quatre capteurs de lumière et une caméra. Le Swarmbot utilise ISIS, un
système infrarouge qui peut capter la gamme, l'incidence et l'orientation des
voisins d'autres robots. Des modules supplémentaires sont linéaires CCD,
magnétiques et de la nourriture essaim-cam émetteurs qui peuvent être
utilisés sur demande. Il ya une unité de communication RF pour le débogage
et la programmation. La durée de vie des piles des robots ne sont pas
déclarés.
1er janvier 2009
4.3.4 Problèmes.
Jusqu'à présent, les recherches en robotique en essaim sont surtout limitées à
l'élaboration de concept proof-of-études dans des simulateurs ou des
systèmes robotiques et dans des environnements de laboratoire. Ci-dessous,
nous allons décrire quelques-uns des problèmes qui ont été abordées dans un
essaim de robotique de recherche et de décrire quelques-unes des études
portant sur leur exemplaire.
• Agrégation. Une agrégation Auto-organisé, le groupement de personnes
d'un essaim dans un cluster sans utiliser des indices de l'environnement, est un
comportement observé dans les organismes allant des bactéries aux
mammifères et les insectes sociaux. En essaim des systèmes robotiques, il peut
être considéré comme l'un des comportements qui peuvent agir comme un
précurseur d'autres comportements tels que le flocage et l'auto-assemblage.
Dans [11, 30], les comportements d'agrégation ont été développés pour des
robots myopes, des robots capables de percevoir qu'une petite partie de
l'ensemble de l'environnement, limitée à une grande scène, en utilisant
l'évolution des approches ainsi que d'un contrôleur probabiliste inspirés par les
insectes sociaux.
• Dispersion. Une dispersion Auto-organisées peut être considérée comme le
contraire de l'agrégation et est d'intérêt dans la surveillance des scénarios.
Dans ce problème (voir, par exemple, [27, 26, 28]), le défi est d'obtenir la
diffusion uniforme d'un essaim de robots dans un espace, la maximisation de
la zone couverte reste encore reliés par une certaine forme de canal de
communication.
1er janvier 2009
4.4 Conclusion
Dans ce chapitre, on a fourni une brève revue de la robotique en essaim une
nouvelle approche pour le contrôle et la coordination de systèmes multi-
robots. On a affirmé l'inspirateur de cette approche, les propriétés, et les
exigences et clarifier la définition des caractéristiques de cette approche par
rapport à d'autres études existantes. Ensuite, on a examiné les études dans
ce nouveau domaine, en les regroupant en quatre catégories. En raison de
l'absence d'un bon article de synthèse dans ce domaine relativement
nouveau, on a choisi de présenter au lecteur une vue d'ensemble du champ
en termes assez généraux et a souligné certaines des études les plus
intéressantes.