L’optimisation de systèmes industriels complexes représente une classe de problèmes difficiles, en raison de leur incarnation dans le monde physique, et dont les espaces de recherche sont perturbés, non-linéaires et potentiellement vastes. Leur paramétrage repose sur la combinaison de plusieurs variables, dont chaque changement unitaire impacte généralement l’ensemble du système. Les approches mathématiques se heurtent aux modélisations trop grossières ou inexistantes, et aux imprécisions des mesures et de l’usinage des composants de tels systèmes.
Les travaux de cette thèse se focalisent sur la manipulation robotique de composants, pour laquelle un robot, un actionneur ou tout système automatisé est vu comme une composition d’un ou plusieurs axes, qui sont associés aux degrés de liberté du système. En particulier, nous nous intéressons aux applications qui intègrent un certain nombre de composants dont les interactions sont primordiales pour optimiser le comportement global (par exemple, robots à plusieurs bras ou problèmes multi-robots).
Nous proposons une approche multi-agent permettant une modélisation “boîte noire” globale du système en termes de variables d’entrées et d’objectifs, ainsi qu’une optimisation adaptative agnostique et continue, asservie aux retours de capteurs directement intégrés dans le système en fonctionnement. Deux avantages principaux sont à tirer de cette approche :
1. Une représentation naturelle du domaine, facilement observable et explicable, où chaque agent représente une variable du problème et peut percevoir et interagir dans la topologie réelle du système ;
2. Un processus de résolution collectif au cours duquel les agents s’adaptent continuellement aux retours d’informations, qu’ils viennent d’un capteur ou d’un expert qui interagit avec le système, et peuvent donc intégrer les perturbations, imperfections, etc.
Le système ADOC (Adaptive Decentralized Optimizer for Complex systems) est un système multi-agent (SMA) auto-adaptatif pour l’optimisation, capable de s’adapter à de multiples contextes robotiques. Nous nous concentrons sur le domaine d’application de l’industrie photonique. |
The optimization of complex industrial systems represents a difficult class of problems, due to their embodiment in the physical world, and whose research spaces are disrupted, non-linear and potentially vast. Their parameterization relies on the combination of several variables, each change generally impacting the whole system. Mathematical approaches are hampered by overly coarse or non-existent modeling, and by the imprecision of measurements and machining of components in such systems.
The work in this thesis focuses on robotic manipulation of components, for which a robot, an actuator or any automated system is seen as a composition of one or more axes, which are associated with the system's degrees of freedom. In particular, we are interested in applications that integrate a number of components whose interactions are crucial to optimizing overall behavior (e.g. multi-armed robots or multi-robot problems).
We propose a multi-agent approach enabling global “black box” modeling of the system in terms of input variables and objectives, as well as agnostic and continuous adaptive optimization, based on feedback from sensors directly integrated into the running system. There are two main advantages to this approach:
1. A natural representation of the domain, easily observable and explicable, where each agent represents a variable of the problem and can perceive and interact in the real topology of the system;
2. A collective resolution process in which agents adapt conti- nually to feedback, whether
to feedback, whether from a sensor or an expert interacting with the system interacting with the system, and can therefore integrate disturbances, imperfections, etc.
The ADOC system (Adaptive Decentralized Optimizer for Complex systems) is an adaptive multi-agent system (AMAS) for optimization, capable of adapting to multiple robotic contexts. We are focusing on the photonics industry. |