Réseaux bayésiens dynamiques génériques et hiérarchiques pour la décision en environnement incertain
Les techniques de planification sous incertitudes sont difficiles à appliquer à des problèmes de robotique autonome : l'effort de modélisation est parfois pénible voire rédhibitoire lorsque l'espace d'états est très grand. Les représentations factorisées, basées sur des variables d'état, sont plus compactes, mais elles gèrent mal les variables qui ont un grand nombre de valeurs possibles, comme par exemple les variables de localisation du robot. Les problèmes de recherche et sauvetage de personnes en danger combinent ces variables et celles de mission. Nous proposons un modèle abstrait hiérarchique pour simplifier la phase de modélisation des problèmes de planification en robotique sous incertitude des actions. Un algorithme instancie automatiquement notre modèle abstrait, que nous présentons et évaluons sur plusieurs instances de problèmes de recherche et sauvetage par un drone hélicoptère autonome.
Planning under uncertainty techniques are hard to apply to autonomous robotics problems: they require a tedious modeling effort when dealing with large state spaces. Factored representations, using state variables, are more compact, but they cannot cope very efficiently with variables that can take a large number of values, e.g. the robot localization variables. Search and rescue problems combine these with mission variables. We propose a generic hierarchical abstract model in order to simplify the modeling stage for robotics planning problems with action uncertainties. An algorithm automatically instanciates our abstract model, which is shown and assessed on several instances of search and rescue autonomous rotorcraft problems.
F.TEICHTEIL-KÖNIGSBUCH, P.FABIANI
réseaux bayésiens dynamiques, processus décisionnels markoviens, décomposition de graphes.
dynamic bayesian networks, markov decision processes, graph decomposition.
Français
|
