Apprentissage par renforcement et systèmes distribués : Application à l\u27apprentissage de la marche d\u27un robot hexapode

Le but de cette thèse est d\u27étudier et de proposer des techniques d\u27apprentissage par renforcement pour l\u27apprentissage de la marche d\u27un robot marcheur hexapode. L\u27hypothèse sur laquelle repose ce travail est que des marches peuvent être obtenues lorsque la commande des mouvements est distribuée au niveau de chaque patte plutôt que d\u27être centralisée. Une approche distribuée de l\u27apprentissage par renforcement de type Q-learning a été retenue dans laquelle les agents (les contrôleurs de mouvement) contribuant à une même tâche mènent leur propre apprentissage en tenant compte ou non de l\u27existence des autres agents. Différentes simulations et tests on été menés avec pour objectif la génération de marches périodiques stables. La marche apparaît comme un phénomène émergeant des mouvements individuels des pattes. L\u27influence des paramètres d\u27apprentissage sur les marches obtenues est étudiée. Sont aussi traités des problèmes de tolérances aux fautes et de manque d\u27information sur l\u27état du robot. Enfin il est vérifié en simulation que, avec les algorithmes développés, le robot apprend à rattraper une trajectoire prédéfinie tout en contrôlant sa posture