Amélioration de la fiabilité des véhicules sous-marins sans équipage grâce à une intelligence artificielle bio-inspirée
Une nouvelle étude menée par l’Université Flinders en Australie et des chercheurs français a utilisé une solution d’intelligence artificielle bio-inspirée pour améliorer la fiabilité des véhicules sous-marins sans équipage (UUV) et d’autres systèmes de contrôle adaptatifs dans des conditions imprévisibles et difficiles.
Les véhicules sous-marins sans équipage (UUV) sont utilisés dans le monde entier pour mener des missions environnementales, océaniques, de défense et de sauvetage difficiles et souvent dans des conditions imprévisibles. Une nouvelle étude a mis en œuvre une approche innovante, la méthode Biologically-Inspired Experience Replay (BIER), publiée dans le journal IEEE Access de l’Institute of Electrical and Electronics Engineers.
Contrairement aux méthodes conventionnelles, la méthode BIER vise à surmonter l’inefficacité des données et la dégradation des performances en tirant parti d’expériences récentes incomplètes mais précieuses, explique le premier auteur, le Dr Thomas Chaffre.
Des performances optimales dans des conditions variées
Les résultats de l’étude ont montré que la méthode BIER surpassait les méthodes standard d’Experience Replay, atteignant une performance optimale deux fois plus rapidement dans le domaine des UUV. La méthode a démontré une adaptabilité et une efficacité exceptionnelles, prouvant sa capacité à stabiliser les UUV dans des conditions variées et difficiles.
La méthode BIER intègre deux tampons de mémoire, l’un se concentrant sur les paires récentes état-action et l’autre mettant l’accent sur les récompenses positives.
Des scénarios de simulation pour tester l’efficacité de la méthode
Pour tester l’efficacité de la méthode proposée, les chercheurs ont mené des scénarios simulés en utilisant un simulateur d’UUV basé sur le système d’exploitation robotique (ROS) et en augmentant progressivement la complexité des scénarios. Ces scénarios variaient en fonction des valeurs de vitesse cible et de l’intensité des perturbations de courant.
Le professeur associé de l’Université Flinders en IA et robotique, Paulo Santos, affirme que le succès de la méthode BIER est prometteur pour améliorer l’adaptabilité et les performances dans divers domaines nécessitant des systèmes de contrôle adaptatifs dynamiques.
Les capacités des UUV en matière de cartographie, d’imagerie et de contrôle des capteurs s’améliorent rapidement, notamment grâce à l’apprentissage par renforcement profond (DRL), qui fait progresser les réponses de contrôle adaptatif aux perturbations sous-marines que les UUV peuvent rencontrer. Cependant, l’efficacité de ces méthodes est mise à l’épreuve face aux variations imprévues dans les applications du monde réel.
Les dynamiques complexes de l’environnement sous-marin limitent l’observabilité des tâches de manœuvre des UUV, rendant difficile pour les méthodes DRL existantes de fonctionner de manière optimale.
En synthèse
L’introduction de la méthode BIER marque une avancée significative dans l’amélioration de l’efficacité des méthodes d’apprentissage par renforcement profond en général. Sa capacité à naviguer efficacement dans des environnements incertains et dynamiques signifie un progrès prometteur dans le domaine des systèmes de contrôle adaptatifs, concluent les chercheurs.
Newsletter Enerzine
Recevez les meilleurs articles
Énergie, environnement, innovation, science : l’essentiel directement dans votre boîte mail.
Pour une meilleure compréhension
1. Qu’est-ce qu’un véhicule sous-marin sans équipage (UUV) ?
Un UUV est un véhicule sous-marin autonome ou télécommandé utilisé pour effectuer des missions environnementales, océaniques, de défense et de sauvetage dans des conditions souvent imprévisibles et difficiles.
2. Qu’est-ce que la méthode BIER ?
La méthode Biologically-Inspired Experience Replay (BIER) est une approche d’intelligence artificielle bio-inspirée qui vise à améliorer la fiabilité des UUV et d’autres systèmes de contrôle adaptatifs en tirant parti d’expériences récentes incomplètes mais précieuses.
3. Comment la méthode BIER se compare-t-elle aux méthodes standard d’Experience Replay ?
La méthode BIER a surpassé les méthodes standard d’Experience Replay, atteignant une performance optimale deux fois plus rapidement dans le domaine des UUV.
4. Comment la méthode BIER a-t-elle été testée ?
Les chercheurs ont mené des scénarios simulés en utilisant un simulateur d’UUV basé sur le système d’exploitation robotique (ROS) et en augmentant progressivement la complexité des scénarios. Ces scénarios variaient en fonction des valeurs de vitesse cible et de l’intensité des perturbations de courant.
5. Quelles sont les applications potentielles de la méthode BIER ?
La méthode BIER est prometteuse pour améliorer l’adaptabilité et les performances dans divers domaines nécessitant des systèmes de contrôle adaptatifs dynamiques, tels que la cartographie, l’imagerie et le contrôle des capteurs pour les UUV.
Principaux enseignements
| Enseignement |
|---|
| La méthode BIER est une approche d’IA bio-inspirée pour améliorer la fiabilité des UUV. |
| BIER a surpassé les méthodes standard d’Experience Replay, atteignant une performance optimale deux fois plus rapidement. |
| La méthode BIER intègre deux tampons de mémoire pour tirer parti des expériences récentes et des récompenses positives. |
| Les chercheurs ont testé la méthode BIER en utilisant un simulateur d’UUV basé sur le système d’exploitation robotique (ROS). |
| La méthode BIER a démontré une adaptabilité et une efficacité exceptionnelles dans des conditions variées et difficiles. |
| Le succès de la méthode BIER est prometteur pour améliorer l’adaptabilité et les performances dans divers domaines nécessitant des systèmes de contrôle adaptatifs dynamiques. |
| Les capacités des UUV en matière de cartographie, d’imagerie et de contrôle des capteurs s’améliorent rapidement grâce à l’apprentissage par renforcement profond (DRL). |
| Les dynamiques complexes de l’environnement sous-marin limitent l’observabilité des tâches de manœuvre des UUV. |
| La méthode BIER marque une avancée significative dans l’amélioration de l’efficacité des méthodes d’apprentissage par renforcement profond en général. |
| La capacité de la méthode BIER à naviguer efficacement dans des environnements incertains et dynamiques signifie un progrès prometteur dans le domaine des systèmes de contrôle adaptatifs. |
Références
Légende illustration principale : La plateforme BlueRov2 du pool de l’université de Flinders est prête pour les expériences. Crédit : T Chaffre (Flinders University)
Article : « Learning Adaptive Control of a UUV using A Bio-Inspired Experience Replay Mechanism » – DOI: 10.1109/ACCESS.2023.3329136
Learning Adaptive Control of a UUV using A Bio-Inspired Experience Replay Mechanism (2023) by Thomas Chaffre, Paulo E Santos, Gilles Le Chenadec, Estelle Chauveau, Karl Sammut and Benoit Clement has been published in IEEE Access, an Institute of Electrical and Electronics Engineers journal DOI: 10.1109/ACCESS.2023.3329136 https://ieeexplore.ieee.org/document/10304148
Ce travail a été financé par l’Université Flinders et l’ENSTA Bretagne avec le soutien du gouvernement d’Australie-Méridionale (Australie), de la Région Bretagne (France) et de Naval Group.
