THÈSE
Résumé
La vie artificielle peut être présentée comme une alternative
intéressante à l'intelligence artificielle classique. Cette
récente discipline apporte en effet un nouveau regard sur les problèmes
liés à l'adaptation et à l'apprentissage. Cette thèse
propose une contribution à l'un des domaines les plus fascinants
de la vie artificielle : la neuroéthologie artificielle. Il s'agit
de l'étude de modèles neuronaux artificiels sous-jacents
au comportement d'agents autonomes. La méthodologie évolutionniste
EVOTS (EVolutionary robOTS) proposée dans cette thèse permet
de générer de manière incrémentale des architectures
neuronales dotant des robots mobiles de comportements réactifs simples,
et également, dans une certaine mesure, de comportements adaptatifs
plus évolués. Cette méthodologie est fortement inspirée
de la biologie pour chacune de ses composantes. Elle fait intervenir un
algorithme génétique opérant sur des populations de
génotypes de taille variable.. Un processus de morphogenèse
de réseau de neurones (neurogenèse), exhibant une dynamique
complexe, permet de synthétiser une architecture neuronale à
partir de chaque génotype. Ces architectures sont alors évaluées
à l'aide d'un simulateur de robot mobile réaliste que nous
avons développé. Le concept de métabolisme artificiel
introduit dans cette thèse sert à attribuer une valeur sélective
à chaque individu afin que l'algorithme génétique
puisse opérer la sélection. Les résultats obtenus,
dont certains ont été transférés avec succès
sur un robot réel Khepera, sont encourageants et laissent
présager de nouveaux développements prometteurs.
Mots clefs : Morphogenèse Artificielle, Algorithmes Génétiques,
Réseaux de Neurones Artificiels, Robotique Mobile.
Abstract
Artificial life may be seen as an interesting alternative to classical
artificial intelligence. This recent research field provides a new point
of view on adaptation and learning. This thesis proposes a contribution
to one of the most fascinating area of artificial life: computational neuroethology.
It corresponds to the study of the mechanisms underlying the behavior of
autonomous agents. The evolutionary methodology EVOTS (EVolutionary robOTS)
proposed in this thesis allows an incremental generation of neural architectures
leading to reactive and more sofisticated adaptive behaviors for mobile
robots. It relies on a strong biological inspiration, for each of its components.
It uses a genetic algorithm operating on populations of variable length
genotypes. A neural network morphogenesis process (neurogenesis), exhibiting
complex dynamics, allows to synthesize a neural architecture from each
genotype. These architectures are then evaluated through a realistic mobile
robot simulator we developed. The concept of artificial metabolism introduced
in this thesis is used to assign a fitness to each individual, so that
the genetic algorithm can perform the selection. Some of the results have
been successfuly transfered to a real mobile robot Khepera. They
are promising and let us expect further interesting developments.
Keywords: Artificial Morphogenesis, Genetic Algorithms, Artificial
Neural Networks, Mobile Robotics.
URL: http://diwww.epfl.ch/lami/team/michel/publications/these.html
Last updated: 12-Jan-98 by Olivier
Michel <Olivier.Michel@di.epfl.ch>