Leur approche combine des modèles basés sur la physique du problème d'identification de source avec des algorithmes de planification de trajectoire pour la robotique dans une boucle de rétroaction. Les robots prennent des mesures des concentrations de contaminants dans l'environnement, puis utilisent ces mesures pour calculer progressivement d'où proviennent réellement les produits chimiques.

"La création de ces modèles basés sur la physique nécessite la résolution d'équations aux dérivées partielles, qui est exigeant en calcul et rend leur application à bord petite, robots mobiles très difficiles, " a déclaré Khodayi-mehr. " Nous avons dû créer des modèles simplifiés pour rendre les calculs plus efficaces, ce qui les rend également moins précis. C'est un compromis difficile."

Khodayi-mehr a construit une boîte rectangulaire avec un mur coupant presque en deux l'espace dans le sens de la longueur pour créer un couloir miniature en forme de U qui imite un espace de bureau simplifié. Un ventilateur pompe de l'air dans le couloir à une extrémité du U et en ressort de l'autre, tandis que l'éthanol gazeux s'échappe lentement dans l'un des coins. Malgré la simplicité de la configuration, les courants d'air créés à l'intérieur sont turbulents et désordonnés, créant un problème d'identification de source difficile à résoudre pour tout robot renifleur d'éthanol.

Mais le robot résout le problème de toute façon.

Le robot effectue une mesure de concentration, le fusionne avec les mesures précédentes, et résout un problème d'optimisation difficile pour estimer où se trouve la source. Il détermine ensuite l'emplacement le plus utile pour prendre sa prochaine mesure et répète le processus jusqu'à ce que la source soit trouvée.

"En combinant des modèles basés sur la physique avec une planification de trajectoire optimale, nous pouvons déterminer où se trouve la source avec très peu de mesures, " a déclaré Zavlanos. " C'est parce que les modèles basés sur la physique fournissent des corrélations entre les mesures qui ne sont pas prises en compte dans les approches purement basées sur les données, et une planification de trajectoire optimale permet au robot de sélectionner ces quelques mesures avec le plus de contenu d'informations. »

"Les modèles basés sur la physique ne sont pas parfaits, mais ils contiennent encore bien plus d'informations que les seuls capteurs, " ajouta Aquino. " Ils n'ont pas besoin d'être exacts, mais ils permettent au robot de faire des inférences basées sur ce qui est possible dans la physique des flux d'air. Cela se traduit par une approche beaucoup plus efficace. »

Cette série complexe de résolution de problèmes n'est pas nécessairement plus rapide, mais c'est beaucoup plus robuste. Il peut gérer des situations avec plusieurs sources, ce qui est actuellement impossible pour les approches heuristiques, et peut même mesurer le taux de contamination.

Le groupe travaille toujours à créer des algorithmes d'apprentissage automatique pour rendre leurs modèles encore plus efficaces et précis en même temps. Ils travaillent également à étendre cette idée à la programmation d'une flotte de robots pour effectuer une recherche méthodique d'une vaste zone. Bien qu'ils n'aient pas encore essayé l'approche de groupe dans la pratique, ils ont publié des simulations qui démontrent son potentiel.

« Passer d'un environnement de laboratoire avec des paramètres contrôlés à un scénario plus pratique nécessite évidemment de relever d'autres défis également, " dit Khodayi-mehr. " Par exemple, dans un scénario réel, nous ne connaîtrons probablement pas la géométrie du domaine. Ce sont quelques-unes des directions de recherche en cours sur lesquelles nous travaillons actuellement. "

"Identification de source active basée sur un modèle dans des environnements complexes." Reza Khodayi-mehr, Wilkins Aquino, Michael M. Zavlanos. Transactions IEEE sur les robots , 2019.