Learning system for self-reconfiguration of micro-robot networks
Système d'apprentissage pour le problème d'auto-reconfiguration des réseaux de micro-robots
Résumé
The problem of self-reconfiguration of micro-robot networks is one of the major challenges of modular robotics. A set of micro-robots connected by electromagnetic or mechanical links reorganize themselves in order to reach given target shapes. The self-reconfiguration problem is a complex problem for three reasons. First, the number of distinct configurations of a modular robot network is very high. Secondly, as the modules are free to move independently of each other, from each configuration it is possible to reach a very high number of other configurations. Thirdly and as a consequence of the previous point, the search space connecting two configurations is exponential which prevents the determination of the optimal schedule of the self-reconfiguration.In this work, we propose, firstly, a distributed autonomous self-reconfiguration approach TBSR, focused on the optimization of movements for a better distribution of tasks. In other words, it involves distributing the effort made by each robot to reach the final shape.Secondly, we propose hybrid approaches that take advantage of the advantages of centralized methods and distributed methods. These approaches make it possible to select the best distributed algorithm before launching the reconfiguration procedure. A range of distributed algorithms are pre-installed on each modular robot. At the start of the self-reconfiguration procedure, a coordinator broadcasts to all the micro-robots the data relating to the final shape to be achieved and the distributed algorithm.To do this, we determined the relevant characteristics of self-reconfiguration problems allowing us to identify the most suitable algorithmic approach.A study of the impact of each reconfiguration method and performance parameters was conducted to establish a knowledge base. This database records the performance of various algorithms based on different parameters for a diverse range of self-reconfiguration problem scenarios.Using a classification system, it is thus possible to establish for each self-reconfiguration method the characteristics of the self-reconfiguration scenarios for which it is effective. The learning mechanisms developed by AI (e.g., neural networks) are implemented. A first proposed hybrid CNNSR approach uses artificial neural networks to predict the optimal approach for self-reconfiguration. A CNN2SR approach (an improved version of CNNSR), was introduced for accuracy and error reduction, by refining the classification.Thirdly, a modeling of energy consumption, resulting from real experiments with physical modular robots (Catom 2D) was established. This made it possible to implement a third hybrid CNN3SR approach focused on energy optimization for modular robots.
Le problème d'auto-reconfiguration des réseaux de micro-robots est l'un des défis majeurs de la robotique modulaire. Un ensemble de micro-robots reliés par des liens électromagnétiques ou mécaniques se réorganisent afin d'atteindre des formes cibles données. Le problème d'auto-reconfiguration est un problème complexe pour trois raisons. Premièrement, le nombre de configurations distinctes d'un réseau de robots modulaires est très élevé. Deuxièmement, comme les modules sont libres de se mouvoir indépendamment les uns des autres, à partir de chaque configuration il est possible d'atteindre un nombre d'autres configurations lui aussi très élevé. Troisièmement et comme conséquence du précédent point, l'espace de recherche reliant deux configurations est exponentiel ce qui empêche la détermination du planning optimal de l'auto-reconfiguration.Nous proposons dans ce travail, dans un premier temps, une approche d'auto-reconfiguration autonome distribuée TBSR, axée sur l'optimisation des déplacements pour une meilleure répartition des tâches. En d'autres termes, il s'agit de répartir l'effort fourni par chaque robot pour atteindre la forme finale.Dans un deuxième temps, nous proposons des approches hybrides qui tirent profit des avantages des méthodes centralisées et des méthodes distribuées. Ces approches permettent de sélectionner le meilleur algorithme distribué avant le lancement de la procédure de reconfiguration. Une gamme d'algorithmes distribués sont préalablement installés sur chaque robot modulaire. Au début de la procédure d'auto-reconfiguration, un coordinateur diffuse à l'ensemble des micro-robots, les données relatives à la forme finale à atteindre et l'algorithme distribué.Pour ce faire, nous avons déterminé les caractéristiques pertinentes des problèmes d'auto-reconfiguration permettant d'identifier l'approche algorithmique la plus adaptée.Une étude de l'impact de chaque méthode de reconfiguration et des paramètres de performances a été menée pour établir une base de connaissances. Cette base consigne les performances des divers algorithmes en fonction de différents paramètres pour un éventail varié de scénarios de problèmes d'auto-reconfiguration.A l'aide d'un système de classification, il est ainsi possible d'établir pour chaque méthode d'auto-reconfiguration les caractéristiques des scénarios d'auto-reconfiguration pour lesquels elle se montre efficace. Les mécanismes d'apprentissage développés IA (e.g., réseaux de neurones) sont mis en œuvre. Une première approche hybride CNNSR proposée fait appel aux réseaux de neurones artificiels pour prédire l’approche optimale pour l'auto-reconfiguration. Une approche CNN2SR (une version améliorée de CNNSR), a été introduite pour la précision et la réduction des erreurs, en affinant la classification.Dans un troisième temps, une modélisation de la consommation énergétique, issue d'expérimentations réelles avec des robots modulaires physiques (Catom 2D) a été établie. Cela a permis de mettre en œuvre une troisième approche hybride CNN3SR axé sur l'optimisation énergétique pour les robots modulaires.
| Origine | Version validée par le jury (STAR) |
|---|