Robots d'élevage et autres « systèmes multi-agents »

Écrire un programme pour contrôler un seul robot autonome naviguant dans un environnement incertain avec un lien de communication erratique est déjà assez difficile ; en écrire un pour plusieurs robots qui peuvent ou non devoir travailler en tandem, selon la tâche, est encore plus difficile.

En conséquence, les ingénieurs concevant des programmes de contrôle pour les systèmes multi-agents - qu'il s'agisse d'équipes de robots ou de réseaux d'appareils dotés de différentes fonctions - se sont généralement limités à des cas particuliers, où des informations fiables sur l'environnement peuvent être supposées ou une tâche collaborative relativement simple peut être clairement spécifié à l'avance.

En mai, lors de la Conférence internationale sur les agents autonomes et les systèmes multi-agents, des chercheurs du MIT Laboratoire d'informatique et d'intelligence artificielle (CSAIL) présentera un nouveau système qui assemble des programmes de contrôle existants pour permettre aux systèmes multi-agents de collaborer de manière beaucoup plus complexe. Le système prend en compte l'incertitude - les chances, par exemple, qu'un lien de communication tombe, ou qu'un algorithme particulier entraîne par inadvertance un robot dans une impasse - et planifie automatiquement autour d'elle.

Pour les petites tâches collaboratives, le système peut garantir que sa combinaison de programmes est optimale - qu'elle donnera les meilleurs résultats possibles, compte tenu de l'incertitude de l'environnement et des limites des programmes eux-mêmes.

En collaboration avec Jon How, le professeur Richard Cockburn Maclaurin d'aéronautique et d'astronautique, et son étudiant Chris Maynor, les chercheurs testent actuellement leur système dans une simulation d'une application d'entreposage, où des équipes de robots seraient nécessaires pour récupérer des objets arbitraires à partir de données indéterminées. emplacements, en collaborant au besoin pour le transport de charges lourdes. Les simulations impliquent de petits groupes d'iRobot Creates, des robots programmables qui ont le même châssis que l'aspirateur Roomba.

Doute raisonnable

Dans les systèmes [multiagents], en général, dans le monde réel, il leur est très difficile de communiquer efficacement, explique Christopher Amato, post-doctorant au CSAIL et premier auteur du nouvel article. Si vous avez une caméra, il est impossible que la caméra diffuse en permanence toutes ses informations vers toutes les autres caméras. De même, les robots sont sur des réseaux imparfaits, il faut donc un certain temps pour envoyer des messages à d'autres robots, et peut-être qu'ils ne peuvent pas communiquer dans certaines situations autour d'obstacles.

Un agent peut même ne pas avoir d'informations parfaites sur son propre emplacement, dit Amato - dans quelle allée de l'entrepôt il se trouve, par exemple. De plus, lorsque vous essayez de prendre une décision, il y a une certaine incertitude sur la façon dont cela va se dérouler, dit-il. Peut-être que vous essayez de vous déplacer dans une certaine direction, et qu'il y a un glissement du vent ou des roues, ou il y a une incertitude sur les réseaux en raison de la perte de paquets. Donc, dans ces domaines du monde réel avec tout ce bruit de communication et cette incertitude sur ce qui se passe, il est difficile de prendre des décisions.

Le nouveau système MIT, qu'Amato a développé avec les co-auteurs Leslie Kaelbling, professeur Panasonic d'informatique et d'ingénierie, et George Konidaris, chercheur postdoctoral, prend trois entrées. L'un est un ensemble d'algorithmes de contrôle de bas niveau - que les chercheurs du MIT appellent des macro-actions - qui peuvent régir les comportements des agents collectivement ou individuellement. Le second est un ensemble de statistiques sur l'exécution de ces programmes dans un environnement particulier. Et le troisième est un schéma pour évaluer différents résultats : accomplir une tâche accumule une évaluation positive élevée, mais consommer de l'énergie accumule une évaluation négative.

L'école des coups durs

Amato envisage que les statistiques pourraient être collectées automatiquement, en laissant simplement un système multi-agent fonctionner pendant un certain temps, que ce soit dans le monde réel ou dans des simulations. Dans l'application d'entreposage, par exemple, les robots seraient chargés d'exécuter diverses macro-actions et le système collecterait des données sur les résultats. Les robots essayant de se déplacer d'un point A à un point B dans l'entrepôt peuvent se retrouver dans une impasse un certain pourcentage du temps, et leur bande passante de communication peut chuter un autre pourcentage du temps ; ces pourcentages peuvent varier pour les robots se déplaçant du point B au point C.

Le système MIT prend ces entrées et décide ensuite de la meilleure façon de combiner les macro-actions pour maximiser la fonction de valeur du système. Il peut utiliser toutes les macro-actions ; il peut n'utiliser qu'un petit sous-ensemble. Et il pourrait les utiliser de manières auxquelles un concepteur humain n'aurait pas pensé.

Supposons, par exemple, que chaque robot dispose d'une petite banque de lumières colorées qu'il peut utiliser pour communiquer avec ses homologues si leurs liaisons sans fil sont en panne. Ce qui se passe généralement, c'est que le programmeur décide que le feu rouge signifie aller dans cette pièce et aider quelqu'un, le feu vert signifie aller dans cette pièce et aider quelqu'un, dit Amato. Dans notre cas, nous pouvons simplement dire qu'il y a trois lumières, et l'algorithme crache s'il faut les utiliser ou non et ce que signifie chaque couleur.

Les travaux des chercheurs du MIT définissent le problème du contrôle multi-agents comme un processus de décision de Markov partiellement observable, ou POMDP. Les POMDP, et en particulier les Dec-POMDP, qui sont la version décentralisée, sont fondamentalement insolubles pour les vrais problèmes multirobots, car ils sont si complexes et coûteux en calculs à résoudre qu'ils explosent simplement lorsque vous augmentez le nombre de robots, explique Nora Ayanian, assistante. professeur d'informatique à l'Université de Californie du Sud, spécialisé dans les systèmes multirobots. Ils ne sont donc pas vraiment très populaires dans le monde des multirobots.

Normalement, lorsque vous utilisez ces Dec-POMDP, vous travaillez à un niveau de granularité très bas, explique-t-elle. La chose intéressante à propos de cet article est qu'ils utilisent ces outils très complexes et diminuent en quelque sorte la résolution.

Cela mettra certainement ces POMDP sur le radar des personnes utilisant des systèmes multirobots, ajoute Ayanian. C'est quelque chose qui le rend vraiment plus apte à être appliqué à des problèmes complexes.

cacher