• Zack Salloum

L'intelligence artificielle pour la régulation



forbes.com

L'automatique et la régulation


L'automatique est une science appliquée qui aide à résoudre des problèmes techniques dans plusieurs domaines.

L'énoncé de la réflexion menée par la section Automatique du club E.E.A en 1994:

" L'automatique est la discipline qui étudie les systèmes dynamiques, les signaux et l'information, à des fins de conduite ou de prise de décision. On entend par "étude", le développement et l'application de concepts, de méthodes, de moyens et d'outils. La conduite recouvre notamment la planification, l'ordonnancement, l'observation, la commande, la surveillance, ainsi que la supervision. La prise de décision nécessite l'acquisition et le traitement de signaux, d'images et d'informations, l'observation, la reconstruction, la détection, l'estimation, la classification, la reconnaissance et la diagnostique. L’opérateur humain doit pouvoir être associé à la conduite ou à la prise de décision. La démarche s'articule autour des activités suivantes: analyse, modélisation, identification, spécification de performances et de contraintes d'exploitation, conception et synthèse de stratégies de conduite ou de décision, simulation et évaluation de performances, optimisation, réalisation et validation, exploitation et mesure de performances.

De par la généralité de ses concepts et de ses méthodes, l'automatique contribue au développement d'un large éventail de domaines, notamment: procédés et systèmes industriels, produits nouveaux, instrumentation, vision et actionneurs, productique, robotique, communication, transport, conversion d'énergie, biomédical, agriculture, ingénierie de l'environnement, système socio-économiques... "

A travers les années plusieurs techniques et méthodes ont été développées pour contrôler les systèmes à réguler.




Théorie de contrôle intelligent


La théorie de contrôle intelligent pour un système consiste à saisir le comportement du système et abstraitement modéliser le système. Ce type de contrôle est affectueusement appelé « approche paresseuse ». Le concepteur n'a pas besoin de connaître la dynamique interne du système à contrôler. Un contrôleur intelligent est un système intelligent hybride à base de règles avec une méthode de contrôle intelligent.

Pour donner une meilleure compréhension de la différence entre le contrôle classique et le contrôle intelligent, la notion de décalage d'intelligence est parfois utile. Pour le contrôle classique, le concepteur doit modéliser le système à contrôler et donc l'intelligence (ou les connaissances) se trouve avec lui. L'intelligence est déplacée vers le concepteur.

Pour le contrôle intelligent, l'intelligence (ou les connaissances) se trouve au sein du système. L'intelligence est déplacée vers le logiciel. Il convient toutefois de noter que le concepteur doit avoir une certaine connaissance du système, il conçoit le système sans avoir besoin de connaissances pour développer un modèle précis.


Les méthodes de contrôle intelligent 

  • La logique floue : La logique floue est une extension de la logique classique qui permet la modélisation des imperfections des données et se rapproche dans une certaine mesure de la flexibilité du raisonnement humain.



  • Les réseaux de neurones : Un réseau de neurones artificiels est un modèle de calcul dont la conception est très schématiquement inspirée du fonctionnement des neurones biologiques. Le neurone artificiel reçoit des signaux des autres neurones par une fonction de pondération, celle ci est habituellement une amplification ou une atténuation du signal. Tous ces signaux connectés au neurone sont additionnées, si cette somme est supérieure à un certain seuil, le neurone se déclenche et envoie son propre signal à d'autres neurones. La sortie du neurone est souvent déterminée par une fonction sigmoïde de son entrée au lieu de la fonction de seuil, cela donne une relation non-linéaire entre l'entrée et la sortie d'un neurone.



  • Les algorithmes génétiques : Les algorithmes génétiques sont utiliser pour créer de nouveaux processus pour résoudre un problème de contrôle basé sur les processus qui fonctionnent et qui s'adaptent le mieux. Un algorithme génétique va reproduire ce modèle d'évolution dans le but de trouver des solutions pour un problème donné.



  • Les Machines à vecteurs de support : Les machines à vecteurs de support trouvent la plupart de leurs applications dans les domaines de reconnaissance des formes (par exemple de vision par ordinateur). Ils sont utilisés dans des problèmes de contrôle, même si elles ne sont pas beaucoup utilisés à cette fin. Les machines à vecteurs de support sont utilisées pour contrôler de manière optimale un système non-linéaire.


  • L'apprentissage par renforcement : L'apprentissage par renforcement à la même idée des autres méthodes de contrôle de l'intelligence artificielle. L'apprentissage par renforcement consiste à présenter un agent  (un système) avec un ensemble de choix d'action. A priori, tous les choix sont enrichissants. L'agent fait ensuite des choix, basé sur une politique comportementale, et reçoit des récompenses ou des punitions à travers une fonction de récompense. Ces récompenses / punitions affectent la façon dont l'agent fera ses choix quand il rencontre le même scénario à nouveau. Ainsi, il apprend des choix fait dans le passé et conserve les choix enrichissants.



Exemple d'utilisation de la logique floue : Le chariot filoguidé



Pour contrôler ce système, la solution la plus facile serait d'utiliser un système hybride à base de règles avec de la logique floue. Le choix de cette approche réduit le temps de développement ainsi que la complexité du contrôleur.


Le dispositif de guidage optique est formé par deux capteurs optiques qui détectent le niveau de l'intensité lumineuse reçue, ainsi qu'un moteur pour la traction et un moteur pour la direction.


Les entrées du système :

  • Capteur gauche: si la lumière est détectée, retourne un niveau "1", sinon un niveau "0"

  • Capteur droit: si la lumière est détectée, retourne un niveau "1", sinon un niveau "0"


 Les sorties du système :

  • Moteur de traction: vitesse lente, vitesse rapide ou arrêt.

  • Moteur de direction: virage à gauche, virage à droite ou tout droit.


Diagramme d’état de la solution :


Conclusion


Les méthodes de contrôle classiques et les méthodes de contrôle intelligents ont toutes les deux leur place dans la théorie automatique. Habituellement, on pense au contrôle classique en premier lieu. Cela est dû au simple fait que le contrôle intelligent peut être non nécessaire ou trop coûteux dans certaines situations.


Les méthodes de contrôle intelligents sont utilisées dans les domaines où les systèmes sont fortement non-linéaires, ou lorsque les méthodes de contrôle classique échouent, ou lorsque le modèle du système est difficile ou impossible à obtenir, ou simplement lorsqu'on trouve une façon plus simple et efficace à contrôler le système sans passer par la méthode classique, comme dans le cas de l'exemple présenté dans cet article.


 Dans le domaine de la robotique, on utilise souvent le contrôle intelligent en raison du fait que le système est difficile (voire impossible) à modéliser. En fait, la nature non-déterministe de la robotique nécessite presque toujours une sorte de contrôle intelligent.