<  Retour au portail Polytechnique Montréal

Conception d'une plateforme d'Animats destinée à l'étude d'aglgorithmes d'apprentissage appliqués à la survie en environnement réel

Jean-François Pons

Mémoire de maîtrise (2012)

[img]
Affichage préliminaire
Télécharger (12MB)
Citer ce document: Pons, J.-F. (2012). Conception d'une plateforme d'Animats destinée à l'étude d'aglgorithmes d'apprentissage appliqués à la survie en environnement réel (Mémoire de maîtrise, École Polytechnique de Montréal). Tiré de https://publications.polymtl.ca/878/
Afficher le résumé Cacher le résumé

Résumé

RÉSUMÉ Le présent mémoire résume les travaux de maîtrise réalisés dans l’optique de proposer une plateforme de déploiement et d’analyse d’algorithmes d’apprentissage appliqués aux animats. Les animats désignent des agents minimalement équipés aussi bien sur le plan mécanique qu’en termes de puissance de calcul. Néanmoins, la théorie gravitant autour de l’étude de ces entités vise à mettre en avant des méthodes d’apprentissages permettant à ceux-ci d’évoluer à partir de ce qu’ils auront appris de leur expérience dans l’environnement. À l’image des êtres vivants, les différences de perception du milieu environnant devraient permettre de voir naître des particularités et des comportements différents pour chacun d’entre eux. Par ailleurs, ces animats devraient avoir la faculté de pouvoir communiquer entre eux dans le but de permettre, s’ils le désirent, de pouvoir partager de l’information et de se servir d’une connaissance et d’un apprentissage communs pour assouvir ce qui devrait être leur principal objectif : survivre dans leur environnement. Le domaine de recherche des animats comprend aussi bien l’étude des animats simulés que celle des animats réels. Alors que le premier permet un déploiement facilité par l’abstraction rendue possible par les langages de haut niveau, la nécessité de devoir simuler un environnement avec l’ensemble de ses singularités induit une erreur de modélisation qui n’existe pas lorsque les animats sont physiquement réalisés. Par conséquent, si une telle plateforme était disponible, il serait alors seulement nécessaire de se concentrer sur les algorithmes d’apprentissage plutôt que sur des problèmes de modélisation. Par ailleurs, bien souvent, des algorithmes puissants lors des simulations se retrouvent inadaptés pour des problèmes réels de par le manque de fidélité entre l’environnement simulé et réel. Notamment, qu’adviendrait-il si un capteur devenait défectueux? Si une situation inconnue était rencontrée? Si le bruit ou la précision des capteurs avait mal été modélisés?Dans ce contexte, nous proposons d’étudier et de concevoir ce qui sera la base d’une plateforme de développement et d’analyse d’algorithmes d’apprentissage. À la différence des plateformes existantes, la principale originalité de cette plateforme réside dans la prise en compte des problèmes énergétiques. En effet, pour pouvoir survivre l’animat devrait être capable d’estimer et de prévoir ses dépenses énergétiques présentes et futures et de les prendre en considération dans le choix des tâches à effectuer.----------ABSTRACT This master’s thesis summarizes the achievements realized towards proposing a platform for deployment and analysis of machine learning algorithms applied to animats. Animats are agents minimally equipped on the mechanical plan as well as in terms of computing power. Nevertheless, the theory describing the study of these entities aims at discovering learning methods allowing them to evolve using what they learnt from their experience in the environment. Just like human beings, differences in perception of the surrounding environment should allow peculiarities and several behaviors for each of them. Besides, these animats should be able to communicate between them so as to allow, if needed, to share information and to use common knowledge and learning in order to succeed in what should be their main objective: survive in their environment. The research field of animats includes the study of simulated and real animats. While the former allows a facilitated deployment due to the abstraction made possible by high-level languages, the necessity to emulate an environment with all peculiarities can lead to modeling errors that may be avoided when animats are physically built. Consequently, if such a platform was available, it would only be necessary to focus on the learning algorithms rather than on the modelling problems. Besides, very often, powerful algorithms tested on simulation may prove themselves unsuitable for real problems in real environments. For instance, it is hard to predict what would happen if a sensor became defective, if an unexpected situation was met, or if the noise or the precision of the sensors was not properly modeled.In this context, we suggest studying and designing what will be the base of a platform for development and analysis of learning algorithms. Unlike the existing platforms, the main originality of this platform lies in the consideration of energy constraints. Indeed, to enhance its survivability, the animat should be able to estimate and to plan its present and future energy consumption and to consider it in the choices made. Besides, the objective was to design an animat sufficiently equipped to realize simple tasks but relatively primitive to make it necessary to take advantage of algorithmic parades, like for example the pooling of information. Therefore, the computing power embedded in the animat was purposely reduced to force the relocation of processing that proves too complex. On the other hand, a reduced size and a moderate price are necessary features to enable deployment of a colony of animats.

Document en libre accès dans PolyPublie
Département: Département de génie électrique
Directeur de mémoire/thèse: Jean-Jules Brault et Yvon Savaria
Date du dépôt: 18 oct. 2012 10:11
Dernière modification: 24 oct. 2018 16:10
Adresse URL de PolyPublie: https://publications.polymtl.ca/878/

Statistiques

Total des téléchargements à partir de PolyPublie

Téléchargements par année

Provenance des téléchargements

Actions réservées au personnel