PFIA 2024
Défense et IA - IA hybride : intégration d'approches basées sur des règles et basées sur les données pour une robotique autonome améliorée
La méthodologie traditionnelle de développement de robots autonomes intelligents implique une approche basée sur des règles, qui comprend la création d’un modèle global du système, la définition de règles spécifiques à une tâche et la conception de lois de contrôle robustes basées sur des capteurs. Bien qu’efficace dans des environnements contrôlés, cette approche se heurte à la complexité et à la nature dynamique des environnements réels en raison de la difficulté de capturer toutes les règles et paramètres nécessaires en temps réel. Pour remédier à ces limitations, nous explorons deux solutions : améliorer les approches basées sur les modèles avec une fidélité de modélisation accrue, qui peuvent nécessiter des calculs intensifs et donc exiger des algorithmes plus efficaces, et adopter des approches basées sur les données telles que l’apprentissage automatique, qui s’appuie sur de grands ensembles de données et cycles de formation approfondis. Les méthodes basées sur les données, en particulier celles utilisant des réseaux de neurones artificiels, apprennent à partir d’exemples plutôt que de règles explicites, mais sont confrontées à des défis en matière de disponibilité des données et de preuve de stabilité et de robustesse. Notre méthodologie vise à combiner les deux méthodologies, créant des systèmes d’IA hybrides qui exploitent les atouts des deux approches. L’objectif est d’améliorer la fidélité du modèle grâce à des informations basées sur les données et de contraindre les méthodes basées sur les données avec une connaissance précise du modèle, garantissant ainsi une stabilité et une robustesse théoriquement prouvées dans les lois de contrôle basées sur des capteurs. Cette intégration pose des défis, tels que l’interprétation des résultats basés sur les données pour éclairer les modèles et l’intégration des connaissances basées sur les modèles dans des systèmes basés sur les données, ce qui nécessite le développement de nouvelles architectures et d’une IA explicable.