L’IA aide à former des équipes de robots et de drones collaboratifs

Une équipe de chercheurs de l’Université de l’Illinois, Grainger College of Engineering, a développé une nouvelle méthode pour former plusieurs agents, tels que des robots et des drones, à travailler ensemble en utilisant l’intelligence artificielle (IA). Les agents s’appuient sur l’apprentissage par renforcement, qui est l’un des principaux types de techniques d’apprentissage automatique.

Technique décentralisée

Huy Tran est un ingénieur aérospatial à l’université.

« C’est plus facile lorsque les agents peuvent se parler », a déclaré Huy Tran. « Mais nous voulions le faire de manière décentralisée, ce qui signifie qu’ils ne se parlent pas. Nous nous sommes également concentrés sur les citations où il n’est pas évident quelles sont les différentes rôles ou tâches pour les agents. »

Selon Tran, ce scénario est plus complexe car il n’est pas clair ce qu’un agent doit faire contre un autre agent.

« La question intéressante est de savoir comment nous apprenons à accomplir une tâche ensemble au fil du temps », a-t-il déclaré.

Technique d’apprentissage par renforcement

L’équipe s’est appuyée sur la technique d’apprentissage automatique appelée apprentissage par renforcement pour contourner ce problème. Cela leur a permis de créer une fonction d’utilité qui indique à l’agent lorsqu’il fait quelque chose d’utile pour l’équipe.

« Avec les objectifs d’équipe, il est difficile de savoir qui a contribué à la victoire », a poursuivi Tran. « Nous avons développé une technique d’apprentissage automatique qui nous permet d’identifier lorsque un agent individuel a contribué à l’objectif global de l’équipe. Si l’on regarde cela en termes de sports, un joueur de soccer peut marquer, mais nous voulons également savoir quels sont les actions des autres coéquipiers qui ont mené au but, comme les passes. Il est difficile de comprendre ces effets retardés. »

Les algorithmes des chercheurs identifient également lorsque un agent ou un robot fait quelque chose qui va à l’encontre de l’objectif ou qui ne contribue pas à l’objectif.

« Ce n’est pas tant le robot qui a choisi de faire quelque chose de mal, mais plutôt quelque chose qui n’est pas utile pour l’objectif final », a-t-il déclaré.

Les algorithmes ont été testés à l’aide de jeux simulés, tels que StarCraft.

« StarCraft peut être un peu plus imprévisible – nous étions ravis de voir notre méthode fonctionner bien dans cet environnement également. »

Ce type d’algorithme est applicable à diverses situations réelles, selon l’équipe. Certaines des applications potentielles incluent la surveillance militaire, les robots dans un entrepôt, la régulation des feux de circulation, les véhicules autonomes coordonnant les livraisons et la régulation d’un réseau électrique.

L’équipe qui a mené cette recherche innovante comprenait Seung Hyun Kim, Neale Van Stralen et Girish Chowdhary. Elle a été présentée à la conférence peer-reviewed Autonomous Agents and Multi-Agent Systems.