SOS - Auto-organisation adaptative et résiliente de flottes de robots hétérogènes par
émergence collective pour une mission

Coordinatrice : Madame Cindy Cappelle Université de Lille - CRIStAL

Équipe : ToSyMA du Groupe Thématique : ToPSyS.

Dates : 2023 / 2027

Résumé :

La révolution de la robotique et de l’intelligence artificielle rend désormais possible le rêve d’applications ambitieuses et d’envergure. En particulier, la mise en œuvre de flottes de robots intelligemment gérée permettrait d’apporter des solutions innovantes à de nombreux problèmes concrets. Parmi ceux-ci, le projet SOS (Self-Organizing, Smart and safe heterogeneous robots fleet by collective emergence for a mission) s’intéresse à la détection de feux de forêts à l’aide d’une flotte de robots aériens et terrestres.

Il rassemble deux laboratoires (CRIStAL et CRAN) et une PME (Lynxdrone) dans le but de proposer, concevoir et développer un mécanisme de gestion intelligente de flottes de robots hétérogènes par émergence collective :
i) prenant en compte les caractéristiques propres des robots ;
ii) adaptatif à l’environnement dynamiqe et évolutif ;
iii) ainsi qu’à l’état de santé estimé et prédit des robots (en termes d’actionneurs de contrôle, de capteurs de localisation, de charge des batteries, de durée de vie résiduelle,...)
iv) et résilient à l’apparition d’un incident ;
en vue d’accomplir une mission.

Nous nous mettons dans les hypothèses suivantes :
i) le système est composé de plusieurs robots mobiles ;
ii) les robots sont hétérogènes : terrestres ou aériens, avec des capacités de perception, de localisation, de commande, de communication variées ;
iii) les conditions environnementales sont susceptibles d’être difficiles ;
iv) les robots sont assujettis à des pannes capteurs et/ou actionneurs ;
v) l’architecture du système est décentralisée : il n’y a pas de chef d’orchestre.

Les recherches menées apporteront des contributions sur trois axes en particulier :
i) L’auto-organisation intelligente et décentralisée de flottes.
Il s’agit de concevoir les comportements individuels des robots, qui disposent de capacités différentes selon leurs équipements. Ces robots doivent déterminer par eux-mêmes le rôle qu’il leur convient d’endosser pur contribuer au mieux à la réalisation collective de la mission. Par exemple, ces robots doivent adapter leur manière de communiquer selon l’environnement, ou de devenir "relais d’information" au lieu de patrouiller dans une zone. Le but est d’obtenir un système capable de se réorganiser dynamiquement pour faire face aux imprévus, alors que chacun ne dispose que d’information incomplète.

ii) La commande des robots.
Il s’agira d’explorer l’apport de l’apprentissage par renforcement pour élaborer des schémas de reconfiguration de la commande des robots tenant compte de l’état de santé du système ainsi que des prévisions de défaillances futures, permettant ainsi de garantir l’achèvement de la mission avec un certain niveau de performance en termes notamment de stabilité et de sécurité.

iii) La localisation des robots.
Il s’agira d’une part d’exploiter de manière efficiente et innovante la coopération entre les robots pour améliorer la précision, la disponibilité et la sûreté de l’estimation de la position. Les UAV peuvent, par exemple, être utilisé comme récepteur GNSS déporté et redondant de ceux des AGV. En effet, alors que les mesures GNSS des AGV peuvent être affectées en raison d’une mauvaise réception des signaux satellitaires, la qualité de celles des UAV peut être meilleure grâce à leur altitude plus élevée, au-dessus des obstacles. Grâce à la perception, les AGV peuvent alors se positionner relativement aux UAV. À l’inverse, leurs positions in situ, permettent aux AGV d’avoir un meilleur positionnement relativement à l’environnement et en faire bénéficier les UAV. Il s’agira d’autre part de rendre la localisation tolérante aux fautes en ajoutant une couche de diagnostic en charge de détecter et isoler les mesures défaillantes afin de les exclure de la procédure de la fusion multi-capteurs. La combinaison d’approches basées modèles et d’approches basées données sera investigué.

Les solutions proposées seront testées et évaluées en simulation et sur données réelles.

Abstract :

The revolution of robotics and artificial intelligence now makes it possible to dream of ambitious
applications.

In particular, the implementation of intelligently managed fleets of robots would provide innovative solutions to many concrete problems. Among these, the SOS project (Self-Organizing, Smart and safe heterogeneous robots fleet by collective emergence for a mission) focuses on forest fire detection using a fleet of aerial and ground robots.

It brings together three research teams from two laboratories (CRIStAL and CRAN) and one SME (Lynxdrone) with the aim of proposing, designing and developing a mechanism for intelligent management of heterogeneous robot fleets by collective emergence :
i) taking into account the specific characteristics of the robots
ii) adaptive to the dynamic and evolving environment
iii) as well as to the estimated and predicted health state of the robots (in terms of control actuators, localization sensors, battery charge, residual life, ...)
iv) and resilient to the occurrence of an incident, in order to fulfill a defined mission.

We put ourselves under the following assumptions :
i) the system is composed of several mobile robots,
ii) the robots are heterogeneous : terrestrial or aerial, with varying load, energy, computation, perception, localization, control, decision, communication, ... capacities,
iii) environmental conditions could be difficult,
iv) the robots are subject to sensor and/or actuator failures,
v) the chosen architecture of the multi-robot aero-terrestrial system is a decentralized architecture : there is no master.

The research conducted will bring contributions, under a safe framework, on three axes in particular :
i) Intelligent and decentralized self-organization of fleets
This involves designing the individual behaviors of robots, whether air or ground, which have different capacities of perception and action depending on their equipment. These robots must determine by themselves the role they should take on in order to best contribute to the collective realization of the mission. For example, these robots must be able to adapt their communication vector according to the characteristics of the environment, or to become "information relays" instead of patrolling an area.
The goal is to obtain a system capable of dynamically reorganizing itself to face unexpected events,
while each one has only incomplete information.

ii) Robot control
The aim is to explore within the learning paradigm the development of reconfiguration schemes for robot control that take into account the health of the system as well as predictions of future failures, thus guaranteeing the completion of the mission with a certain level of performance in terms of stability and safety.

iii) Robot localization
On the one hand, we will efficiently and innovatively exploit the cooperation between robots to improve the accuracy, availability and safety of the estimation of the robots’ position. UAVs can, for example, be used as GNSS receivers remote and redundant to those of AGVs. Indeed, while the accuracy or even the availability of the AGV GNSS measurements can be affected by poor reception of satellite signals due to nearby obstacles, the quality of the UAV GNSS measurements can be better due to their higher altitude, above the obstacles. Thanks to perception, AGVs can then position themselves relatively to UAVs. Conversely, their positions in situ, can allow the AGVs to have a better positioning relative to the environment (possibly a marker) and benefit the UAVs. On the other hand, it will be necessary to make the localization fault-tolerant by adding a diagnostic layer in charge of detecting and isolating the faulty measurements and/or sensors in order to exclude them from the multi-sensor fusion procedure. The combination of model-based and data-based (machine learning) approaches will be investigated.

The proposed solutions will be tested and evaluated in simulation and on real data.