Algorithmes amenant une meilleure SdF

• Inevitable Collision States A Step Towards Safer Robots ?
  [Fraichard & Asama 2003] : INEVCOL03
  Cet article présente la notion d'état de collision inévitable (inevitable collision state), qui sont des états à partir desquels il est impossible pour un système d'éviter une collision. L'article décrit formellement cette notion, ainsi que celle d'obstacle de collision inévitable (inevitable collision obstacle) qui représente l'ensemble des états de collision inévitable lié à un obstacle. Il donne ensuite deux exemples théoriques (un très simple, puis un plus réaliste), et présente des résultats préliminaires dans la planification de déplacements sûrs à partir de ces notions.

• A Study toward Cognitive Action with Environment Recognition by a Learning Space Robot
  [Senda et al. 2003] : COGSPACE03
  Cet article présente une application d'un algorithme de reinforcement learning, le Q-learning, permettant à un système autonome de remplir une tâche dont la réalisation a précédemment échouée (à cause par exemple d'une modification de l'environnement). Le principe de l'algorithme consiste à converger vers une solution par une succession de tentatives. L'application étudiée dans l'article est une simulation de robot spatial auquel on demande d'assembler une structure. Cependant pour une raison de temps de calcul, l'algorithme n'est pas applicable en opération dans des cas complexes, et l'article présente ensuite une méthode pour simplifier sa résolution et réduire son temps d'exécution.

• An Error Restraining Method for Accurate Freeform Surface Cutting
  [Jaganathan & Lin 2003] : FREECUT03
  Cet article présente un algorithme de correction d'erreur (généralement des aléas causés par l'environnement) pour une machine de découpe controllée par ordinateur. Cet algorithme utilise un feedback : à partir de la position précédente de l'outil l'ordinateur calcule la prochaine position et son écart par rapport à la position désirée, et génère un ordre à la machine suivant ces valeurs théoriques pour corriger l'écart au besoin. L'article présente ensuite rapidement la plate-forme expérimentale, les expériences menées et leurs résultats.

• Proscriptive Bayesian Programming Application for Collision Avoidance
  [Koike et al. 2003] : BAYCOL03
  Cet article présente une approche probabiliste bayésienne cherchant à traiter les incertitudes d'observation pour l'évitement de collisions. Il décrit rapidement les principes de la programmation bayésienne : le calcul de la répartition probabiliste des valeurs de chaque variable inconnue à partir de celles des variables connues, de connaissances préliminaires et de données expérimentales. L'application de ce type de programmation est très dépendante de l'application, particulièrement du choix des variables à considérer et de leurs relations. L'article donne l'exemple d'une plate-forme expérimentale et de deux approches de comportement : un comportement prescriptif (on cherche à ce que le robot s'éloigne d'un obstacle) et un comportement proscriptif (on cherche à ce que le robot ne s'approche pas d'un obstacle). Ce dernier met en uvre avec succès l'évitement de collision.

• Nonstop Update of Mission Critical Robotic Services
  [Horiuchi 2003] : NONSTOP03
  Cet article présente une approche basée sur les brins d'exécutions (threads) pour mettre à jour un système autonome en cours d'exécution, en ne souffrant que d'une courte interruption de services. Il donne deux exemples d'application de l'environnement NSU (NonStop Update framework) basé sur cette approche. Un premier exemple applicable à plusieurs plate-formes est basé sur un courtier CORBA et les mécanismes de gestion d'exceptions du langage C++ ; il consiste en la création d'un brin mis à jour sur une machine distante, puis sa migration pour remplacer le brin original. Le second exemple est spécifique à une plate-forme (RTLinux), et n'est basé que sur les instructions de cette plate-forme ; il installe les modules mis à jour, crée un nouveau brin d'exécution, termine le brin original en récupérant son contexte, et enfin élimine les anciens modules.

• A Suite of tools for Debugging Distributed Autonomous Systems
  [Kortenkamp et al. 2002] : DEBUG02
  Cet article présente un ensemble d'outils permettant à un développeur de modifier le code d'un système autonome distribué pour recueillir des données en cours d'exécution, puis d'analyser ces données pour vérifier que le comportement du programme est correct. Il présente tout d'abord le langage de logique temporelle ITCL (Interval Temporal Checking Logic) utilisé pour reformuler la spécification à partir de laquelle sera vérifiée l'exactitude des données. Il décrit ensuite la collecte de ces données : les différents processus du système appellent une fonction qui enregistrera les valeurs passées en paramètres dans une base de donnéees. L'article présente finalement un exemple d'application de ces outils sur le test d'un système automatique de recyclage d'eau de la NASA.

• Fault tolerance in cooperative Manipulators
  [Tinos et al. 2002] : FEEDBACK02
  Cet article présente un système de tolérance aux fautes de manipulateurs coopérant et reliés au même objet. Ce système est basé sur une modélisation mathématique de la position et de la vitesse de ces manipulateurs, pour détecter puis corriger 4 types possibles de fautes sur un manipulateur : une position erronée, une vitesse erronée, un blocage, ou une absence. A partir des commandes données, la position et vitesse théorique des manipulateurs sont détectées, puis comparées aux valeurs données par les capteurs ; la détection de blocage ou d'absence d'un manipulateur se fait à l'aide d'un réseau neuronal. Une fois une faute d'étectée, le système de tolérance aux fautes impose aux manipulateurs une loi de contrôle dépendant du type de fautes. L'article présente ensuite quelques résultats expérimentaux.

• Pusher-washer : An approach to fault-tolerant tightly-coupled robot coordination
  [Gerkey & Mataric 2002] : PUSHER02
  Cet article présente une approche de tolérance aux fautes dans la coopération robots, basée sur le systême d'allocation de tâches MURDOCH ; le cadre de travail est composé de plusieurs robots (dans la pratique 2 actionneurs et un superviseur) dont le but est de pousser un objet jusqu'à un point donné. Suivant la position de l'objet et de l'objectif, un des robots (le superviseur) établit des actions à effectuer, puis attribue ces actions aux autres robots en fonction de la compétence (présence de capteurs ou d'actionneurs) et la situation de chacun. Une défaillance d'un des robots est détecté par le superviseur si la situation n'évolue pas en accord avec les ordres donnés, et prise en compte dans la suite des opérations. L'article présente une implémentation des robots, et plusieurs jeux d'expériences, simulant la désactivation ou la défaillance puis récupération d'un des robots actionneurs.

• Robotic Fault Detection Using Nonlinear Analytical Redundancy
  [Leuschen et al. 2002] : NLAR02
  Cet article présente une version non-linéaire de la technique consistant à comparer les sorties de capteurs à une modélisation mathématique du comportement d'un système ; cette méthode est appelée NLAR (NonLinear Analytical Redundancy). Il décrit tout d'abord le principe de cette méthode, basée sur les matrices d'observabilité du système non-linéaire étudié. En fonction de ces matrices et de la sensibilité des capteurs, NARL donne la liste des équations à considérer pour détecter toutes les déviations possibles du système par rapport au modèle mathématique. L'article décrit ensuite en détail des expériences menés sur un robot pour valider cette approche à travers plusieurs simulations de fautes (blocage d'un capteur, imprécision graduelle d'un capteur) et une compariason avec un modèle linéaire du mee système.

• An Analysis of Cooperative Repair Capabilities in a Team of Robots
  [Bererton & Khosla 2002] : REPAIR02
  Cet article présente une analyse théorique du MTTF (Mean Time To Failure) entre une équipe de robots réparables et une de robots non-réparables. La réparation considérée consiste à prélever les composants nécessaires à la réparation sur des robots qui ont déjà défailli. L'analyse est basée sur des modèles de Markov et fait plusieurs assomptions, par exemple que les défaillances des robots sont exclusivement dues aux défaillances des composants ou que le temps de réparation est nul. Les résultats de cette analyse théorique prévoient que le MTTF de l'équipe de robots réparables serait plus élevé que celui de l'autre équipe, mais ne deviendrait vraiment significatif qu'à partir d'un certain nombre de robots dans l'équipe (autour de quatre ou cinq, suivant le nombre considéré de composants pouvant défaillir).

• Merging Planning and Verification Techniques for ``Safe Planning'' in Space Robotics
  [Aiello et al. 2001] : SAFEPLAN01
  Cet article présente une méthode de planification visant à rajouter des contraintes de sûreté de fonctionnement. Il décrit tout d'abord le langage du planificateur (utilisé dans le système JERRY) pour obtenir des plans valides, puis il introduit des notions de logique temporelle formelle pour ajouter des contraintes de sûreté de fonctionnement que les plans candidats devront vérifier. Il donne ensuite des expressions pour valider et vérifier le plan en même temps, et une règle de génération prenant en compte les contraintes ajoutées.