Description
Date depot: 1 janvier 1900
Titre: Apport des méthodes d'apprentissage profond (deep Learning) au problème de la patrouille multiagent dans un environnement dynamique.
Directrice de thèse:
Amal EL FALLAH SEGHROUCHNI (LIP6)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Non defini
Resumé:
Les tâches susceptibles d'être exécutées par des robots autonomes sont de plus en plus nombreuses et de complexité croissante, que ce soit dans notre environnement quotidien, pour la production industrielle ou même dans l'espace. En particulier, l'époque des robots spécialisés et isolés laisse maintenant la place aux réseaux de robots, comme par exemple l'exploration de zones par des drones dans un objectif de surveillance et/ou d'interception d'un adversaire. Pour remplir leur tâche, ces drones doivent être capables de réaliser des calculs de façon indépendante, de se synchroniser entre eux via la vision ou l'envoi de messages et de se déplacer tout en maintenant la connectivité du réseau qui les relie. Ce type de problèmes peut être généralisé comme un problème de la patrouille multiagent qui étant donné un graphe, un ensemble de robots et une classe de métriques, le problème de la patrouille exige la coordination des visites des robots sur les nœuds du graphe dans le but d’optimiser les métriques. Les nœuds du graphe représentent un ensemble de sites à visiter. Les liens du graphe modélisent les chemins reliant chaque site avec ses voisins.
[Poulet 2013] a étudié une relaxation des contraintes sur le problème de la patrouille multiagent tel que l'ouverture du système et l’utilisation de communications de type asynchrone. Pour cela il a utilisé plusieurs stratégies d'agents innovantes: agents cognitifs introduits par [Machado 2002], agents de type heurisitque et navigateur introduits par [Almeida 2003], des stratégies pré-calculées proposées par [Chevaleyre 2004], des stratégies à base d'enchère ainsi que des stratégies inspirées des méthodes de choix social computationnel afin de prendre en compte le bien-être global.
Doctorant.e: Othmani Mehdi