Tester des systèmes de conduite automatique à l’aide de la modélisation multi-agents

Tester des systèmes de conduite automatique à l’aide de la modélisation multi-agents

Le Southwest Research Institute (SwRI) s’est fait connaître dans le monde entier en dirigeant des missions de la NASA, telles que la mission New Horizons vers Pluton et la mission Juno vers Jupiter. SwRI est également un leader dans les domaines de l’efficacité et du rendement énergétique, des géosciences, des turbomachines et du stockage de l’énergie. Leurs efforts dans le domaine de l'ingénierie profitent à la fois aux gouvernements, à l’industrie et au grand public grâce à l’application de la science et des technologies.

Problème :

Un des domaines de recherche de l’institut est les systèmes de conduite automatique. SwRI est actif dans ce domaine depuis 2006 et a conçu des systèmes pour une semi-remorque, le Ford Explorer, de nombreuses plateformes militaires et une grande variété de véhicules aériens sans pilotes, que l’on appelle plus communément des drones. Ces systèmes automatiques n’ont plus besoin de pilotes humains qui les contrôlent durant leurs missions, qu’il s’agisse de reconnaissance, de fret ou simplement de transport.

Mais les ingénieurs de SwRI voulaient aller plus loin et ont décidé de rendre les véhicules autonomes indépendants, non seulement d’un conducteur, mais également d'un centre de contrôle. Dans cette conception, les véhicules communiquent de façon uniforme les uns avec les autres, partagent des informations à propos de leur emplacement et de leur environnement actuel et prennent eux-mêmes la décision de leurs futures actions, en s’appuyant sur ces informations. Cette technologie devrait être principalement employée par les forces militaires pour le transport de l’approvisionnement sur le théâtre d’opérations, le déminage, les opérations de reconnaissance, mais aussi dans de nombreux autres domaines où les humains peuvent être remplacés par des machines pour leur sécurité.

La mise en œuvre de tels systèmes peut s’avérer coûteuse, à la fois en temps et en argent, c’est pourquoi les ingénieurs de SwRI ont décidé de faire appel à la modélisation de simulation, afin d’explorer les possibilités offertes par les véhicules autonomes.

Solution :

Carte collaborative de la zone fondée sur les explorations des agents

Image 1. Carte collaborative de la zone fondée sur les explorations des agents

Pour analyser les performances des véhicules autonomes et évaluer les algorithmes et le partage des tâches entre les véhicules, les ingénieurs SwRI ont décidé de développer un modèle AnyLogic présentant les mouvements des véhicules dans une zone fermée, avec des obstacles aléatoires. Il s’agissait du moyen le plus simple pour représenter plusieurs véhicules virtuels en interaction, avec différentes capacités, et les opérer simultanément.

Les véhicules ont détecté des obstacles et trouvé, puis réapprovisionné, des capsules dans la zone. Accomplir ces tâches a vite nécessité des véhicules qu’ils coopèrent et partagent des informations à propos de leur environnement.

Tous les véhicules disposaient de capteurs capables de détecter leur environnement, de rassembler des informations à propos des objets qui les entouraient et de partager leurs connaissances avec d’autres agents. À chaque véhicule était attribué des caractéristiques comportementales prédéfinies : certains véhicules pouvaient uniquement rechercher des capsules, d’autres pouvaient uniquement vérifier si les capsules étaient vides ou pleines et d’autres encore pouvaient uniquement les réapprovisionner en carburant.

Graphique d’état des agents

Image 2. Graphique d’état des agents

Vous pouvez voir, à droite dans l’Image 1, comment chaque véhicule a exploré la zone et trouvé des obstacles. À gauche de l’image figure la carte collaborative de la zone s’appuyant sur leurs explorations. Cette carte collaborative était partagée entre tous les agents et chacun d’entre eux pouvait profiter des capacités de cartographie combinées des autres.

Pour le réapprovisionnement des capsules dans cette zone, les véhicules devaient constituer des équipes en fonction de leurs capacités et du lieu où ils se trouvaient. Lorsqu’un véhicule de recherche trouve une capsule, il signale aux véhicules les plus proches les capacités requises. Ces véhicules se constituent alors en équipe avec le véhicule de recherche et apportent leur assistance en matière de classification et de réapprovisionnement, afin de mener à bien leur mission. Vous pouvez voir, sur l’image 2, le graphique d’état des agents, qui décrit ce processus.

Conclusions :

Grâce à AnyLogic, les ingénieurs SwRI ont testé la façon dont les véhicules autonomes pouvaient se comporter dans un réseau coopératif et ont montré qu’il était possible de créer de tels réseaux. Cela porte par conséquent à croire que les chercheurs peuvent développer des algorithmes afin de résoudre un problème en lien avec cela dans AnyLogic, tester ces algorithmes et les mettre en œuvre dans des véhicules autonomes. Par exemple, la création d’un mélange de drones et de robots terrestres pour des patrouilles de reconnaissance ou de sécurité.

Pour en savoir plus, regardez la présentation de ce projet effectuée lors de la conférence AnyLogic 2016 ou bien téléchargez-la.

Études de cas similaires

Plus d’études de cas

Obtenez une brochure avec des études de cas de l’industrie (en anglais)

Télécharger