Approches évolutionnaires pour la robotique modulaire et anticipatoire

Cette thèse propose une approche évolutionnaire de la robotique autonome à mi-chemin entre l'architecture de subsomption de Brooks, basée sur une conception réaliste et modulaire d'un contrôleur de robot, et les approches purement boîte moire de la robotique évolutionnaire. Toutes ces approches passent en effet difficilement à l'échelle lorsque avec la complexité du problème.L'approche des contrôleurs symboliques'' utilise comme sorties du contrôleur des comportements déterministes de haut niveau, comme aller tout droit'', tourner à gauche''. L'étape suivante est l'approche par "superviseurs", dans laquelle le contrôleur prescrit lequel des comportements présents dans une librairie sera utilisé - les-dits comportements pouvant être eux-même le résultat d'évolutions antérieures (comme explorer'', aller vers la lumière'',...). Cette approche a été validée expérimentalement dans une experience d'exploration avec recharge d'énergie.Nous nous sommes intéréssés dans un second axe de recherche à l'apprentissage pendant la vie du robot. L'architecture auto-teaching, proposée par Nolfi et Parisi, a été testée en détail, et des défauts patents de ses propriétés de généralisation ont été mis en évidence. L'architecture baptisée Action, Anticipation, Adaptation (AAA) a été créée pour pallier ces défauts : elle utilise les erreurs sur la prédiction des futures sensations du robot pour modifier en ligne les poids du contrôleur.Malgré certaines divergences de comportements en généralisation, l'étude de cette architecture a révélé quelques capacités d'adaptation. Les résultats obtenus suite à la modification de certains paramètres montrent des potentialités intéressantes.In this thesis, we propose some original approaches to autonomous robotics tha are somehow intermediate between Brooks'subsumption architecture and the pure black-box Evolutionary Robotics approach. Both those approaches badly scale up with the complexity of the task of the robot.The "symbolic controllers" approach uses some high level behaviors as output of the controller (e.g. move forward, turn left, ...). The following step is that of the "supervisors", where the controller simply chooses between different possible behaviors from a library of behaviors that can themselves be the result of previous evolutions (e.g. explore, go to the light, ...). This approach is then validate on a homing experiment with battery recharge.Finally, we studied the coupling between evolution and life-time learning for the robot. The "auto-teaching" architecture, proposed by Nolfi and Parisi, has been thoroughly tested, and some clear defects of its generalization properties have been shown. The AAA architecture (Action, Anticipation Adaptation) was designed to remedy those defects: it uses the errors made by the anticipatory part of the controller compared to its actual sensations to on-line modify the weights of the controller.Even though some long-term weaknesses still remain, this architecture showed some small adaptation capabilities, and some prmosing results were obtained after tuning some parameters of the model.ORSAY-PARIS 11-BU Sciences (914712101) / SudocSudocFranceF