Autosub Long Range 6000 AUV du Centre océanographique national, avant le déploiement sous la plate-forme de glace FilchnerRonne en Antarctique. Crédit :Sprague et al.
Des chercheurs du Royal Institute of Technology (KTH) et du National Oceanography Center ont récemment utilisé des arbres de comportement (BT) pour concevoir des modules, polyvalent, et des architectures de contrôle robustes pour les missions critiques. Leur étude, prépublié sur arXiv, a spécifiquement appliqué un cadre BT au système de contrôle des véhicules sous-marins autonomes (AUV).
Les AUV sont des véhicules sous-marins utilisés pour diverses missions, tels que la détection et la cartographie des objets submergés ou l'identification des dangers et des obstacles à la navigation. En raison des limitations de leur bande passante et de leur portée de communication, ces véhicules ne peuvent pas s'appuyer sur des solutions de télé-opération utilisées par des robots aériens ou terrestres.
De plus, Les AUV sont généralement déployés dans des zones reculées, ainsi les récupérer après un dysfonctionnement est souvent très difficile et coûteux. Pour relever ces défis, Les systèmes de contrôle AUV doivent être à la fois robustes et polyvalents, assurer la sécurité du véhicule et s'adapter aux différentes situations.
L'équipe de chercheurs du KTH et du National Oceanography Center a tenté de relever ces défis en utilisant des arbres de comportement (BT), modèles mathématiques qui sont récemment devenus de plus en plus populaires dans le domaine de l'IA et de la robotique. Les BT ont été initialement développés pour les jeux vidéo afin d'augmenter la modularité des structures de contrôle des personnages non joueurs (NPC).
« Cette modularité permet des tests efficaces, conception de fonctionnalités incrémentielles et réutilisation de code, qui ont tous été très avantageux dans l'industrie du jeu vidéo, " Christophe Iliffe Sprague, l'un des chercheurs qui a mené l'étude, a déclaré TechXplore. "De la même manière, nous trouvons ces aspects très utiles dans la conception de l'intelligence artificielle robotique (IA), les principaux avantages étant que les comportements peuvent être réutilisés et testés dans le contexte d'autres comportements de niveau supérieur sans spécifier leur relation avec les comportements ultérieurs. Ce sont des avantages frappants par rapport aux machines à états finis plus conventionnellement utilisées. »
Système critique de mission générale BT. La robustesse est obtenue en vérifiant toujours les conditions de sécurité et en prenant les mesures appropriées en cas de besoin. Crédit :Sprague et al.
Essentiellement, Les BT fournissent une structure hiérarchique pour basculer entre plusieurs tâches. Dans les systèmes critiques, comme les véhicules de reconnaissance ou les voitures autonomes, un objectif trop ambitieux peut souvent être décomposé en plusieurs sous-tâches. Par conséquent, Les BT pourraient aider à mieux structurer ces tâches et à passer de l'une à l'autre.
"Avec la structure hiérarchique inhérente aux BT, les tâches peuvent être décomposées à un degré variable de spécificité, " expliqua Sprague. " Dans notre journal, nous montrons cela dans le contexte des AUV qui sont chargés d'exécuter une mission définie par une séquence de points de cheminement. On définit d'abord généralement un BT qui répond aux exigences du domaine du système (i.e. véhicules sous-marins), puis affinez davantage le BT en ajoutant des sous-tâches relatives à des objectifs spécifiques."
Sprague et ses collègues ont appliqué ce processus de raffinement BT à une mission AUV menée par le National Oceanography Institute. Leur cadre BT a rendu les systèmes de contrôle AUV plus robustes, surveiller leur sécurité avant de procéder à d'autres tâches ultérieures. Les BT ont également permis une plus grande polyvalence, hiérarchiser les sous-tâches et permettre au système de basculer de l'une à l'autre de manière flexible.
« Le plus important des résultats de notre étude est que nous avons montré comment les arbres de comportement peuvent d'abord être décrits pour répondre aux exigences générales du domaine, puis affinés pour des missions spécifiques, sans sacrifier la structure de l'arbre d'origine, " a déclaré Sprague. " Le point crucial à retenir est que l'on peut inculquer certaines priorités de tâches, la sécurité étant la plus cruciale, et conservez-les, peu importe à quel point l'arbre devient spécifique à la mission."
Sprague et ses collègues ont démontré avec succès les avantages de l'utilisation des BT pour contrôler les systèmes critiques, comme les AUV. Cependant, le degré auquel les tâches peuvent être abstraites à l'aide des BT est encore limité par la capacité des humains à identifier les décompositions des tâches. Alors que dans certains cas, les tâches peuvent être décomposées intuitivement, dans d'autres, les comportements du système sont beaucoup plus complexes.
"Nous cherchons maintenant à synthétiser automatiquement des BT à partir d'exemple, dans un souci d'optimalité, " dit Sprague. " Dans un autre journal, nous avons étudié comment mettre en œuvre un contrôle optimal avec des méthodes d'apprentissage automatique pour des tâches spécifiques. Nous aimerions maintenant étudier l'utilisation de telles méthodes pour identifier et optimiser les tâches et les structures arborescentes globales à partir d'exemples. Nous soupçonnons que cela révélera des comportements difficiles à identifier par les humains. »
© 2018 Réseau Science X
