Robotique évolutionniste: conception orientée vers le comportement

The goal of this research is to develop a behavior oriented design methodology dedicated to mobile and autonomous robotics. The sought design methodology should start from what is known, i.e. a description of the mission to be fulfilled. Noticing that animals have a high level of autonomy that would provide to robots the ability to fulfill numerous missions, we have focused our search, in the frame of the animat approach, on the main mechanism that has built and designed living creatures: natural selection. One of the features of natural selection, is that it only takes into account the result, i.e. the ability to transmit the genes. In an artificial context, such an algorithm will take into account the ability to solve the given task. We have focused our research on the scaling problem in terms of the complexity of behaviors exhibited by evolved neuro-controllers – both structure and parameters of a neural network being generated by the evolutionary algorithm. A study on modularity has revealed us the importance of the selection pressure definition, leading to a so called exaptation approach. We propose then the use of a multi-objective scheme in which the fitness function rewarding task achievement is associated to objectives that may be independent from this goal. In this “multi-objectivization” context and besides work on exaptation, our contributions are the following: * multi-objective incremental approach: each sub-task is associated to a separate objective. It is then neither necessary to weight them, nor to choose a resolution order, nor to decide when to switch from one task to another; * behavior diversity: an objective measuring the mean distance in the space of behaviors to the rest of the population is used to maintain a high diversity in this space. This approach has led to very efficient results, even with the most simple neural network encodings; * transferability: a transferability objective is maximized to facilitate the transfer from simulation to reality without any significant performance loss. In the perspective of designing more cognitive controllers and in the frame of the ANR EvoNeuro project, we have proposed a methodological approach relying on neurosciences and consisting in generating neural networks close to models developed in this research field. On the basis of a specific neural network encoding, we have generated neural networks exhibiting simple action selection or working memory abilities. The goal of this project is to generate neural network showing other cognitive abilities studied in computational neuroscience while relying on their evaluation protocol and then applying these results in a robotic context. In this project, we have also developed a multi-objective analysis method allowing neuroscientists to compare and analyze their own models on the basis of a multi-objective optimization.L'objectif des travaux présentés dans cette HDR est de concevoir une méthode de conception orientée vers le comportement et dédiée à la robotique mobile et autonome. Cette méthode doit partir des informations disponibles, à savoir une description de la mission à accomplir. Constatant que les animaux ont un niveau d'autonomie élevé qui permettrait à des robots d'accomplir de nombreuses missions, nous avons choisi de focaliser cette étude, dans le cadre de l'approche animat, sur le “mécanisme de conception” à l'oeuvre dans la nature: la sélection naturelle. Ce processus algorithmique a l'avantage de ne prendre en compte que le résultat, c'est à dire la capacité à transmettre ses gènes dans un cadre naturel. Dans un cadre artificiel, c'est le bon accomplissement de la mission du robot qui est pris en compte. Nous nous sommes intéressé au passage à l'échelle de ces algorithmes en terme de complexité des comportements générés, l'algorithme évolutionniste étant utilisé pour synthétiser la structure et les paramètres d'un réseau de neurones artificiels. Une étude sur la modularité nous a révélé l'importance de la définition des pressions de sélection, conduisant à une approche dite d'exaptation. Nous avons alors proposé l'utilisation d'un cadre multi-objectif dans lequel la fonction de fitness récompensant le bon accomplissement de la tâche du robot est associé à des objectifs qui peuvent être indépendants de ce but, approche dite de “multi-objectivisation”. Dans ce contexte, en plus des travaux sur l'exaptation, nous avons proposé les contributions suivantes: * approche incrémentale multi-objectif: chaque sous-tâche du problème à résoudre est associée à un objectif indépendant. Il n'est alors pas nécessaire de les pondérer, de les ordonner ou de décider quand passer d'une tâche à une autre; * diversité comportementale: un objectif mesurant la distance moyenne au reste de la population dans l'espace des comportement est ajouté pour maintenir une diversité élevée dans cet espace. Cette approche s'est révélée très efficace, même avec les codages de réseaux de neurones les plus simples; * transférabilité: un objectif de transférabilité est maximisé pour faciliter le passage de la simulation à la réalité sans dégradation de performance. Dans la perspective de tendre vers des contrôleurs plus cognitifs et dans le cadre du projet ANR EvoNeuro, nous avons proposé une approche méthodologique s'appuyant sur les neurosciences et consistant à synthétiser des réseaux de neurones proches des modèles développés dans ce domaine. Sur la base d'un codage spécifique, nous avons ainsi reproduit des capacités élémentaires de sélection de l'action ou de mémoire de travail. L'objectif de ce projet est de synthétiser d'autres capacités cognitives en s'appuyant sur des protocoles d'évaluation venant des neurosciences avant de les appliquer dans un cadre robotique. Dans le cadre de ce projet, nous avons développé une méthode d'analyse multi-objectif permettant, sur la base d'une optimisation multi-objectif, de comparer et d'analyser les modèles complexes que les neuroscientifiques manipulent