Auto-Reconfiguration Robuste et Adaptative par Algorithmes d'IA pour les Robots Modulaires // Robust and Adaptive Self-Reconfiguration for Modular Robots Using AI

Les méthodes de self-reconfiguration développées précédemment dans l'équipe DISC/OMNI reposent sur des successions de mouvements des robots déclenchées si les conditions initiales sont valides. De tels algorithmes peuvent enchaîner des successions de déplacements si toutes les étapes se déroulent dans des conditions parfaites, en particulier en termes de temporalité (les robots mobiles doivent arriver à l'heure prévue) et de robustesse (aucun robot ne tombe en panne).
Les algorithmes d'Intelligence artificielle excellent dans la gestion de situations non parfaites grâce à leur capacité de généralisation : ils sont tolérants à des erreurs ou des variations dans les données d'entrée. Un robot doit pouvoir prendre la décision de contourner un obstacle en prenant compte d'une information locale sur l'état de son voisinage, par exemple en cas de de panne ou de présence d'un robot sur un chemin pré-calculé,
Le sujet de cette thèse consiste à définir des méthodes rendant l'auto-reconfiguration plus robustes en utilisant l'Intelligence Artificielle. Avec de telles méthodes, lorsqu'un robot doit prendre une décision de déplacements, il doit disposer de plusieurs solutions de probabilité ou de qualité différentes afin de pouvoir choisir celle qui est la mieux adaptée dans le contexte local du robot.
Lors d'une étude préalable, nous avons étudié une première piste avec les Catoms 3D sur le simulateur VisibleSim. Lorsqu'un Catom 3D est connecté à un ensemble de voisins, il existe en règle générale plusieurs déplacements possibles pour atteindre la même position finale, en tournant autour d'un voisin. Il est donc possible de faire l'inventaire de toutes les situations de voisinage du bloc mobile, et de déduire pour chacune d'entre-elles la liste des solutions possibles pour réaliser le même déplacement. Cette étude faite pour un mouvement unitaire peut aussi être réalisée pour plusieurs mouvements successifs et ainsi élargir l'expertise du module, afin qu'il se déplace d'une position initiale vers une position proche après 1, 2 ou 3 sauts.
Au cours de cette thèse, l'étudiant devra évaluer une telle base de connaissance générée par un algorithme expert pour produire automatiquement un contrôleur de manière hors ligne en utilisant par exemple des techniques d'apprentissage par imitation. Ce contrôleur comportemental devra ensuite être embarqué dans chacun des robots afin de permettre à ceux-ci de proposer des déplacements adaptés à de nouvelles situations, non prévues dans l'algorithme initial.
Une étude théorique de la complexité des algorithmes proposés devra être réalisées ainsi que des expérimentations sous VisibleSim avec des configurations de complexité croissantes.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The self-reconfiguration methods developed in the team are based on sequences of robot movements triggered when initial conditions are valid. Such algorithms can chain together successive movements if all steps take place under perfect conditions, particularly in terms of timing (mobile robots must arrive at the expected time) and robustness (no robot should break down).
Artificial intelligence algorithms excel in handling imperfect situations thanks to their generalization capabilities: they are tolerant of errors or variations in input data. A robot must be able to make the decision to bypass an obstacle based on local information about its neighborhood, for example, in the event of a breakdown or the presence of a module blocking a pre-calculated path.
The objective of this thesis is to define methods that make self-reconfiguration more robust by using Artificial Intelligence. With such methods, when a robot needs to make a movement decision, it should have several solutions with different probabilities or qualities to be able to choose the one best suited to the robot's local context.
In a preliminary study, we explored an initial approach with 3D Catoms on the VisibleSim simulator. When a 3D Catom is connected to a set of neighbors, there are generally multiple possible movements to reach the same final position by rotating around a neighbor. It is therefore possible to use an expert algorithm to inventory all neighborhood situations of the mobile block and to deduce, for each of them, the list of possible solutions to achieve the same movement. This study, conducted for a single movement, can also be extended to several successive movements, thereby broadening the module's expertise to move from an initial position to a nearby position after 1, 2, or 3 jumps.
During this thesis, the student will evaluate an expert algorithm's knowledge base to automatically generate a behavioral controller using techniques like imitation learning. This controller will be embedded in each robot, enabling them to propose appropriate movements for unforeseen situations not anticipated by the initial algorithm.
A theoretical study of the complexity of the proposed algorithms will be conducted, as well as experiments using VisibleSim with configurations of increasing complexity.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/09/2025
WEB : https://www.programmable-matter.com/home

Financement d'une collectivité locale ou territoriale

Université Marie et Louis Pasteur

37 SPIM - Sciences Physiques pour l'Ingénieur et Microtechniques

Etudiant titulaire d'un Master en Informatique ou équivalent Un intérêt et de l'expérience dans le développement logiciel en C++ et Python. Une connaissance de l'algorithmique distribuée est souhaitée. Une connaissance et une expérience en deep learning est souhaitée.
Student with a Master's degree in Computer Science or equivalent. Interest and experience in software development in C++ and Python. Knowledge of distributed algorithms is desirable. Knowledge and experience in deep learning is desirable.