L'intelligence d'un essaim

Un murmure d'étourneaux                                                       Crédit image : John Holmes

Le comportement des essaims d'insectes et des nuées d'oiseaux a toujours fasciné les scientifiques, car ils semblent faire preuve d'une intelligence collective qui dépasse de loin celle des membres individuels. Un exemple classique de ce phénomène est le "murmure" d'étourneaux, lorsque des milliers d'oiseaux volent en formation, exécutant des virages rapides avec une précision incroyable.

Qu'est-ce qui constitue un essaim ?

Un essaim est un grand groupe d'organismes identiques, naturels ou artificiels, chacun disposant d'une intelligence limitée, qui travaillent ensemble pour atteindre un objectif supérieur qui dépasse leurs capacités individuelles. Les termes clés ici sont organismes identiques et intelligence limitée. Les candidats évidents dans le monde naturel incluent les fourmis, les abeilles et les termites. Chacun de ces insectes semble ne pas avoir la capacité de raisonner : ils réagissent simplement pour entrer en contact avec leurs voisins immédiats du groupe et l'environnement local. Et pourtant, en tant que groupe, ils sont capables de construire les nids les plus élaborées pour se multiplier. Toutefois, l'interaction directe entre les individus n'est pas nécessaire : par exemple, les fourmis marquent un chemin entre une source alimentaire et le nid en déposant des phéromones pour que leurs collègues suivent. Ce processus de modification de l'environnement (laissant un marqueur codé) pour influencer l'action des agents suivants est appelé Stigmergie. Elle entraîne l'émergence d'une puissante intelligence collective qui ne nécessite pas de direction centrale ou de planification ; c'est l'intelligence distribuée.

Naturel ou artificiel

Le concept d'intelligence distribuée s'est révélé nécessaire pour expliquer la capacité des grandes colonies d'insectes à "penser" comme une seule entité. Compte tenu des schémas comportementaux simples des individus naturels, les scientifiques pensaient qu'ils pouvaient être modélisés par un ensemble relativement restreint de "règles" mathématiques. Les règles étaient suffisamment simples pour que les simulations d'essaims puissent être exécutées sous forme de programmes sur les ordinateurs relativement peu performants de l'époque. En 1970, un mathématicien du nom de John Conway a conçu une simulation d'une colonie d'organismes unicellulaires imaginaires. Le Jeu de la vie, tel qu'il l'a appelé, a entrainé une série de recherches sur la façon dont un comportement de groupe sophistiqué peut émerger lorsque des individus artificiels plutôt idiots interagissent, tant qu'ils sont quasiment identiques et respectent les mêmes règles. C'est un groupe homogène.

Les chercheurs avaient vu la possibilité d'utiliser des robots pour simuler un comportement d'essaim dans les années 1950, mais il était tout simplement trop difficile et coûteux de fabriquer suffisamment d'unités pour modéliser un essaim de taille respectable. Grâce à la microélectronique, il est désormais possible de construire des essaims artificiels de robots très économiques. Ils sont généralement mobiles et peuvent détecter, et communiquer directement avec leurs voisins immédiats. Bien sûr, ils ne peuvent pas modéliser toutes les fonctions d'un être vivant, seulement certains comportements spécifiques, tels que le regroupement pour former des schémas ou des formes spécifiques, suivre le chef et entourer une "menace". En 2011, des chercheurs de l'Université Harvard ont fait la démonstration de leur conception pour un robot d'essaim léger et bon marché, le Kilobot, appelé ainsi parce qu'il a été conçu pour aider à créer des essaims artificiels de plus de mille unités.

Dans la vidéo suivante, vous pouvez voir un essaim de Kilobots programmés pour créer une variété de formes de groupe. Chaque robot est programmé avec le même ensemble de règles et interagit uniquement avec ses voisins immédiats : il n'y a pas de commande centrale (sauf pour la programmation de groupe et le démarrage/l'arrêt).

Ingénierie d'essaim

Quels sont les avantages de l'utilisation d'un grand nombre de robots relativement primitifs fonctionnant comme en essaim pour effectuer une tâche donnée, plutôt que d'un petit nombre de machines beaucoup plus puissantes, entièrement autonomes mais collaboratives ? Cela dépend de l'application. Tenez compte des avantages pratiques suivants de l'ingénierie d'essaim :

• Simplicité : un robot en essaim, tout en étant autonome, est capable d'effectuer un nombre limité d'actions. Ce qui en fait un processeur plus petit qui convient aux fonctionnalités des petits robots.
• Évolutivité : besoin d'une main-d'œuvre plus importante ? Il vous suffit d'ajouter des robots identiques. Toutes les interactions étant locales, elles prendront effet immédiatement.
• Tolérance aux pannes : si les robots cessent de travailler, la main-d'œuvre diminue, mais le groupe continue de réaliser la tâche, ce qui prendra juste un peu plus de temps.
• Parallélisme : la même tâche peut être réalisée à différents endroits par des "équipes" distinctes.

C'est assez facile de simuler la stigmergie dans un logiciel ; il est beaucoup plus difficile de créer l'équivalent de la communication indirecte des fourmis par phéromones dans le matériel. La communication sans fil directe basée sur l'infrarouge, le Bluetooth ou le Wi-Fi est disponible sur la plupart des robots conçus pour la recherche sur les essaims. En d'autres termes, la recherche sur les mécanismes d'essaim se divise en deux flux, basés sur les processus indirects "naturels" et directs "artificiels". Voir la référence (1) ci-dessous. Une nouvelle méthode de communication indirecte basée sur une grille d'étiquettes RFID montées au sol est décrite dans la référence (2).

Petit groupe ou grand essaim ?

La mise en œuvre d'un système d'essaim artificiel pour une application nécessitant une "intelligence" est une proposition intéressante compte tenu des avantages pratiques décrits ci-dessus. Il ne remplace pas un grand robot autonome dans certaines situations ou même un groupe de ces machines agissant en coopération.

Prenez par exemple un site de catastrophe étendu, tel qu'une zone touchée par un séisme. On pourrait imaginer un grand nombre, peut-être des milliers, de drones de la taille d'oiseaux ou d'insectes qui volent en formations très espacées à la recherche de poches de survivants. Le premier drone à repérer quelque chose descend, et ses voisins immédiats le suivent pour effectuer une recherche plus détaillée. Pendant ce temps, les autres se rapprochent et poursuivent la recherche en haute altitude. Compte tenu de leur taille physique, les drones sont limités à un rôle de détection et de signalement, mais ils sont parfaits pour les opérations d'essaim sur une grande zone. Un programme de recherche de longue date sur les insectes robotisés vise à créer un tel essaim : The RoboBee Collective de l'Université Harvard. Cette vidéo montre la dernière version de RoboBee en action :

Au sol, un groupe beaucoup plus petit de robots à usage intensif peut être dirigé pour gravir le terrain endommagé, en se dirigeant vers le "point chaud" avec des fournitures et des équipements de secours. Ce groupe ne fonctionnera pas en essaim. Au lieu de cela, les individus collaboreront selon les besoins, peut-être sous la supervision d'un opérateur humain.

Apprentissage distribué

La programmation d'essaim peut sembler assez simple, car elle n'implique que quelques lignes de code identiques pour chaque robot. La difficulté réside dans le fait de s'assurer que les quelques règles simples qui régissent l'interaction de chaque robot avec son voisin génèrent le comportement d'essaim requis pour réaliser la tâche. Le but est qu'un robot puisse être programmé pour répondre de manière prévisible à ses entrées sensorielles, mais les entrées elles-mêmes ne peuvent pas être prédites avec certitude. Cela signifie que l'enchaînement des actions individuelles et, par conséquent, le comportement global de l'essaim est difficile à déterminer à l'avance. Prenez par exemple notre groupe d'étourneaux dans la photo d'illustration : les "règles" qui régissent le mouvement de chaque oiseau peuvent être simples :

• Voler dans la même direction que l'oiseau qui précède.
• Maintenir une distance constante les uns par rapport aux autres, dans les trois dimensions.

Vous pouvez voir immédiatement un problème : qu'est-ce qui régit le mouvement des oiseaux "meneurs" ? Et qu'est-ce qui est à l'origine d'une décision de décollage ou d'atterrissage ? Cela donne l'impression qu'ils ne sont pas en groupe ; les oiseaux sont autonomes individuellement, par exemple lorsqu'ils piquent une pelouse à la recherche de larves. Mais lorsqu'un oiseau s'envole, les autres suivent. Une fois qu'ils sont tous en train de voler, les changements de direction soudains et apparemment chorégraphiés semblent être dus à des courants d'air aléatoires, provoquant de légères variations de trajectoire de vol qui sont ensuite amplifiées par les règles de la nuée. En tout cas, cela suggère que les créatures peuvent passer à volonté d'un comportement de groupe à un comportement individuel et inversement.

Tenter d'écrire des règles rapides et strictes pour une tâche d'essaim de robots complexe est extrêmement difficile en raison des influences aléatoires sur l'essaim dans son ensemble. Cela peut être aussi difficile que d'essayer de calculer manuellement tous les facteurs de pondération d'un réseau neuronal profond (DNN) utilisé pour reconnaître les objets d'une image photographique. Dans chaque cas, il n'y a pas de résultat certain ou déterministe : seule une liste de résultats probables issus de ce qu'on appelle un système stochastique. Une technique appelée l'apprentissage automatique peut être utilisée pour "former" un DNN pour reconnaître des objets. Elle peut également être utilisée pour caractériser le comportement d'un essaim. Voir la référence (3) ci-dessous pour plus de détails.

Nanobots

Nous, humains, avons tendance à considérer les essaims de quoi que ce soit de manière négative, en particulier les insectes volants capables d'infliger des piqûres douloureuses. Le film de 1963 d'Alfred Hitchcock Les Oiseaux, bien que fictif, a sans aucun doute ravivé les craintes face aux grands oiseaux à l'époque ! Les essaims de robots déclenchent la même réaction dans les films, tels que I, Robot. Techniquement, les robots de ce film sont commandés de manière centralisée et ne reposent pas sur l'intelligence distribuée, mais... Comment imaginez-vous un scénario cauchemardesque ? Peut-être que d'immenses essaims de robots de taille moléculaire seraient capables de traverser la peau et de pénétrer dans votre cerveau par le biais des vaisseaux sanguins. Beurk. Mais s'ils pouvaient sauver votre vie ? L'idée navigue autour de nous depuis longtemps : en 1959, le physicien Richard Feynman a écrit un essai portant essentiellement sur la réalisation de choses en manipulant directement les atomes. Il émet l'idée d'injecter des robots à l'échelle nanométrique pour réaliser une intervention chirurgicale dans le corps humain. Rien ne s'est vraiment passé jusqu'aux années 1980, lorsque les concepts de nanotechnologie et de micro-machines comme réalités pratiques ont commencé à gagner du terrain. Est-il possible que des appareils si petits disposent de suffisamment d'intelligence ? Eh bien, nous pouvons nous inspirer des modèles naturels de virus et de bactéries. Jusqu'à présent, toutefois, peu de progrès ont été réalisés ; des "moteurs moléculaires" et des engrenages ont été produits en laboratoire, mais la seule réalisation pratique des mécanismes à l'échelle des micropuces a été la technologie MEMS, qui inclut des gyroscopes, des accéléromètres et autres capteurs miniaturisés.

Les auteurs de science-fiction n'ont plus qu'à nourrir notre imagination avec ce qui pourrait se passer dans un avenir où les nanobots dotés d'une intelligence distribuée et sophistiquée dégénèrent. Vous pouvez lire le roman de 2002 La Proie de Michael Crichton pour vous faire peur. Ou peut-être pour être un peu inquiet.

Repérage

Swarm Robotics and minimalism Amanda J.C. Sharkey (1)

From Ants to Service Robots: an Exploration in Stigmergy-Based Navigation Algorithms A. Khaliq (2)

Turing learning: a metric-free approach to inferring behaviour and its application to swarms Wei Li, Melvin Gauci and Roderich Groß (3)