Concevoir des Systèmes Autonomes : apports et défis des techniques basées sur l’apprentissage.

L’automatisation des systèmes connait une révolution. Aux systèmes actuellement en service effectuant un ensemble de tâches prédéfinies dans un contexte parfaitement connu et caractérisé, succèdent désormais des systèmes dit intelligents, pouvant se substituer partiellement, voir complètement à l’homme et étant capable de prendre des décisions de manière autonomes et ce en toutes circonstances, y compris face à des situations totalement imprévues.

Ces systèmes souvent mobiles et énergétiquement autonomes, doivent être capables d’interagir avec un environnement plus ou moins connu et plus ou moins caractérisé. Dans cette acceptation, la première forme d’intelligence consiste en la capacité que possède le système de percevoir et de s’adapter à son environnement.

La vision à la fois par sa richesse mais aussi par son caractère passif et peu coûteux en énergie est une modalité de prédilection de nos recherches. Un point important de nos travaux de recherche porte sur l’étude des méthodes d’apprentissage liées à la perception visuelle, notamment la détection et la reconnaissance des objets mais aussi du mouvement. Le choix des méthodes est souvent limité par les ressources disponibles en fonction du système (robot, drone, voiture autonome) et des contraintes de détection en temps-réel. Nous privilégions des méthodes capables d’apprendre à partir d’une quantité de données très importantes pour tenir compte notamment de la diversité des situations pouvant être rencontrées mais aussi étant capables de fournir des résultats en temps-réels sur du matériel ayant une puissance de calcul relativement limité.

De même, détecter les objets n’est pas suffisant, il est nécessaire de déterminer les représentations et les intentions. Pour exemple, détecter un piéton au bord de la route ne permet pas en soi au véhicule de décider s’il doit s’arrêter ou non, il est nécessaire de détecter en plus si ce piéton risque de s’engager sur la chaussée. Nous utilisons notamment le « deep learning » pour aborder cette classe de problème.

Du fait même de la diversité des situations, nous ne pouvons pas nous contenter uniquement d’un apprentissage initial. Nous développons des algorithmes d’apprentissage capables d’apprendre en continu de situations nouvelles, « long-life learning ». Ces algorithmes d’apprentissage incrémental permettent au système d’apprendre de nouvelles situations mais aussi de s’adapter à l’évolution du contexte du système.

Ces techniques d’apprentissage sont aussi utiles pour l’interaction entre l’humain et le robot. Il est ainsi possible d’adapter le comportement du robot ou du système à la charge émotionnelle mais aussi au caractère de l’humain interagissant avec ce système. Il est ainsi possible d’adapter la réponse du robot ou du système de façon à être à la fois la plus efficace possible mais aussi la plus conforme possible pour l’utilisateur du système.

Le problème principal des techniques basées sur l’apprentissage reste la robustesse de ces approches et la pertinence des décisions ainsi prises. Si les progrès réalisés permettent de considérer que dans la plupart des cas, la perception de l’environnement et les décisions prises sont correctes, il reste des difficultés à déterminer quand l’algorithme fournit manifestement de mauvais résultats ou quand cet algorithme peut fournir des résultats potentiellement incorrects. Nous développons un environnement de modélisation des architectures systèmes implantant de tels algorithmes non déterministes ainsi qu’un ensemble de barrières de sécurité. Cet environnement propose une approche compositionnelle ainsi qu’un ensemble d’outils qui permettent d’estimer le niveau de confiance pouvant être obtenu par ces systèmes.

Les techniques d’apprentissage ont connu ces dernières années un fort essor et elles commencent à être déployer dans l’industrie de manière effective. Même si des points difficiles restent encore présents, notamment la problématique de la robustesse de ces approches, l’accélération des développements en cours montrent que de plus en plus d’applicatifs reposeront sur ces techniques et qu’elles seront amenées à jouer un rôle essentiel dans les systèmes automatisés qui nous accompagnerons très prochainement.

Bruno Monsuez
Enseignant- chercheur
Directeur de l’unité d’informatique et d’ingénierie des systèmes (U2IS)
ENSTA ParisTech