Utiliser l’IA pour entraîner des équipes de robots à travailler ensemble

par Houssen Moshinaly · 26 juillet 2022

Suivez-nous sur notre page Facebook et notre canal Telegram

Lorsque les lignes de communication sont ouvertes, des agents individuels tels que des robots ou des drones peuvent travailler ensemble pour collaborer et accomplir une tâche. Mais que se passe-t-il s’ils ne sont pas équipés du bon matériel ou si les signaux sont bloqués, rendant la communication impossible ? Les chercheurs de l’Université de l’Illinois à Urbana-Champaign ont commencé avec ce défi plus difficile. Ils ont développé une méthode pour former plusieurs agents à travailler ensemble en utilisant l’apprentissage par renforcement multi-agents, un type d’intelligence artificielle.

“C’est plus facile quand les agents peuvent se parler”, a déclaré Huy Tran, ingénieur en aérospatiale à l’Illinois. “Mais nous voulions le faire d’une manière décentralisée, ce qui signifie qu’ils ne se parlent pas. Nous nous sommes également concentrés sur des situations où il n’est pas évident de savoir quels devraient être les différents rôles ou emplois des agents.”

Tran a déclaré que ce scénario est beaucoup plus complexe et un problème plus difficile car il n’est pas clair ce qu’un agent doit faire par rapport à un autre agent.

“La question intéressante est de savoir comment apprenons-nous à accomplir une tâche ensemble au fil du temps”, a déclaré Tran.

Tran et ses collaborateurs ont utilisé l’apprentissage automatique pour résoudre ce problème en créant une fonction utilitaire qui indique à l’agent quand il fait quelque chose d’utile ou de bien pour l’équipe.

“Avec des buts d’équipe, il est difficile de savoir qui a contribué à la victoire”, a-t-il déclaré. “Nous avons développé une technique d’apprentissage automatique qui nous permet d’identifier quand un agent individuel contribue à l’objectif global de l’équipe. Si vous le regardez en termes de sport, un joueur de football peut marquer, mais nous voulons également connaître les actions d’autres coéquipiers. qui ont mené au but, comme les passes décisives. C’est difficile de comprendre ces effets différés.”

Les algorithmes développés par les chercheurs peuvent également identifier quand un agent ou un robot fait quelque chose qui ne contribue pas à l’objectif. “Ce n’est pas tant que le robot a choisi de faire quelque chose de mal, juste quelque chose qui n’est pas utile pour l’objectif final.”

Ils ont testé leurs algorithmes à l’aide de jeux simulés comme Capture the Flag et StarCraft, un jeu informatique populaire.

Vous pouvez regarder une vidéo de Huy Tran démontrant des recherches connexes utilisant l’apprentissage par renforcement profond pour aider les robots à évaluer leur prochain mouvement dans Capture the Flag.

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

Tran a déclaré que ce type d’algorithme est applicable à de nombreuses situations réelles, telles que la surveillance militaire, les robots travaillant ensemble dans un entrepôt, le contrôle des feux de circulation, les véhicules autonomes coordonnant les livraisons ou le contrôle d’un réseau électrique.

Tran a déclaré que Seung Hyun Kim avait élaboré l’essentiel de la théorie derrière l’idée lorsqu’il était étudiant de premier cycle en génie mécanique, avec Neale Van Stralen, un étudiant en aérospatiale, qui l’aidait à la mise en œuvre. Tran et Girish Chowdhary ont conseillé les deux étudiants. Les travaux ont récemment été présentés à la communauté de l’IA lors de la conférence à comité de lecture sur les agents autonomes et les systèmes multi-agents.

Source de l’histoire :

Matériaux fourni par Collège d’ingénierie Grainger de l’Université de l’Illinois. Original écrit par Debra Levey Larson. Remarque : Le contenu peut être modifié pour le style et la longueur.