Le 26 septembre 2019, un incendie s’est déclaré dans la zone de stockage de l’usine de produits chimiques Lubrizol à Rouen. Cette usine synthétise et stocke des additifs pour lubrifiants. Le feu s’est rapidement étendu dans la zone de stockage et a également touché une partie des entrepôts voisins appartenant à Normandie Logistique. Le panache de fumée qui s’est formé a ensuite survolé plusieurs zones résidentielles.
Si heureusement aucune victime n’est à déplorer, ce sinistre a relancé le débat sur la sécurité des sites à risques et plusieurs études scientifiques ont été impulsées, notamment en région Normandie, pour apporter des solutions opérationnelles aux situations de crise, en particulier l’utilisation de robots mobiles pour collecter des informations en toute sécurité dans les zones exposées.
En effet, après un incident majeur, il est souvent impossible de disposer d’un relevé suffisamment précis d’une situation qui évolue rapidement et de manière imprévisible. À cause des dangers encourus, il est aussi difficile de dépêcher sur zone des observateurs ou des inspecteurs.
Recourir à des drones et à des véhicules automatisés, en les équipant de capteurs dédiés pour prendre des mesures, faire des photos, ou encore prélever des échantillons, présente dans ces circonstances de nombreux avantages : ces robots sont capables de se déplacer en milieu hostile, ils disposent d’une certaine capacité d’adaptation et peuvent coopérer entre eux afin de réaliser des tâches d’inspection complexes sur des sites couvrant plusieurs kilomètres carrés. Mais peut-on confier en totalité ces missions à des robots ?
Apprendre aux robots à prendre des décisions rapidement
Pour utiliser efficacement ces nouvelles technologies, il est nécessaire de doter les robots d’algorithmes de prise de décision et de méthodes d’apprentissage automatique afin de les aider à répartir entre eux les tâches qu’ils devront accomplir. Il faut décider quelle ronde sera réalisée par chaque agent, quelles informations il devra recueillir durant sa mission et dans quel ordre les tâches seront effectuées. Pour lever les doutes à certains endroits sensibles, il faudra peut-être recourir à plusieurs agents, alors qu’à l’inverse certaines tâches moins critiques pourront être prises en charge indifféremment par l’un ou l’autre robot.
De plus, le problème est contraint par des considérations technologiques selon les équipements disponibles : les drones se déplacent rapidement mais l’autonomie de leur batterie limite leur rayon d’action et la durée de leurs missions ; les robots terrestres disposent d’une plus grande autonomie mais ne sont pas capables de se déplacer sur tous les terrains… Configurer la mission d’inspection devient rapidement compliqué, encore plus lorsque le sinistre vient de se produire et que la confusion règne.
La recherche à la rescousse
Des spécialistes en informatique, automatique et robotiques développent les outils nécessaires à la programmation des agents robotiques, afin que ceux-ci acquièrent une certaine autonomie comportementale qu’ils mettraient à profit une fois sur le terrain. Ainsi, ces agents pourraient intervenir non seulement pour des missions de routine mais également en situation de crise. Les méthodes d’optimisation combinatoire contribuent à résoudre ces problèmes et peuvent aider les opérateurs des services d’intervention et de secours à organiser rapidement et efficacement la collecte d’information.
[Plus de 80 000 lecteurs font confiance à la newsletter de The Conversation pour mieux comprendre les grands enjeux du monde. Abonnez-vous aujourd’hui]
Aujourd’hui, des modèles mathématiques existent et des approches exactes, telles que la programmation linéaire ou dynamique, peuvent être mises en œuvre : l’idée est alors de trouver la meilleure solution en regard d’un critère donné. Ce critère dépend du contexte et de l’incident : durée de l’inspection, nombre des agents sollicités, ou encore coût économique des missions.
En théorie, tout ce qui peut être « formalisé » au travers du modèle peut être optimisé !
Des solutions imparfaites mais adaptées pour les flottes de robots
La grande difficulté de ces approches est le passage à l’échelle : le même algorithme qui produira en moins d’une fraction de seconde, la solution optimale pour deux ou trois robots identiques et une vingtaine de mesures à prendre en quelques endroits connus, nécessitera des heures voir des jours de calcul si l’on considère une dizaine de robots différents, davantage de mesures et une zone plus vaste à explorer. Ce problème est connu sous le nom d’« explosion combinatoire » et ne peut être complètement résolu par l’augmentation de la puissance de calcul. Chaque fois qu’un agent ou qu’une mesure supplémentaire est considéré, le temps de calcul sera, lui, multiplié par deux, alors même que la situation continue d’évoluer et que de nouvelles demandes apparaissent. Lorsque les requêtes s’accumulent plus rapidement qu’elles ne peuvent être traitées, le système sature et devient inopérant.
La résolution à ce problème passe par un changement de paradigme. L’optimalité et l’exactitude sont abandonnées au profit de l’efficacité et de la rapidité. Une « approche heuristique » est privilégiée. Il ne s’agit plus de trouver la solution optimale, mais la solution la meilleure possible… ou la moins mauvaise.
Ces nuances vont permettre de faire toute la différence. Imaginez les solutions potentielles comme autant de feuilles sur un arbre. Là où les méthodes exactes vont examiner les feuilles une à une afin de trouver la solution parfaite, les méthodes heuristiques vont commencer par élaguer l’arbre, ne conserver que quelques branches et finalement certains rameaux. La probabilité de retenir la solution parfaite est faible, mais si les rameaux retenus ont été bien choisis, la solution ne sera pas mauvaise pour autant. Ainsi, l’intelligence de ces approches réside-t-elle dans sa capacité à éliminer progressivement les solutions les plus médiocres et à conserver les plus prometteuses.
Mais comment ce tri est-il réalisé ? L’astuce est de définir un critère pour évaluer et classer les solutions potentielles sans avoir à les calculer explicitement. Reprenons l’analogie avec l’arbre et imaginons un instant que l’examen des branches et des rameaux nous renseigne sur l’état des feuilles. Il suffira d’évaluer progressivement la ramure de l’arbre afin d’affiner la recherche de la meilleure solution possible, sans jamais regarder précisément le feuillage. La qualité du résultat dépendra de la finesse de cette évaluation.
Ramené au cas qui nous intéresse, à savoir l’affectation des tâches de surveillance aux différents robots de la flotte et la planification de leurs trajets, un algorithme commence par affecter chaque robot à l’une des tâches pour lesquelles il est compétent. Il calcule ensuite la durée ou l’énergie nécessaire à l’exécution de cette tâche par le robot choisi et surtout il évalue la durée ou l’énergie résiduelle nécessaire pour exécuter les tâches qui n’ont pas encore été affectées.
Ce principe permet de classer à chaque étape de l’algorithme la qualité des solutions partielles calculées, en fonction du critère choisi, pour ne conserver que les meilleures d’entre elles.
Ce sont précisément des méthodes de parcours de graphes, de recherche en faisceau, et d’apprentissage automatique qui sont étudiées et améliorées par les chercheurs pour qu’elles puissent être utilisées par les robots mobiles. Ainsi dotés de capacités de décision, les robots pourront s’adapter et réagir rapidement dans des situations difficiles avec le niveau d’autonomie que leur auront conféré les experts et les opérateurs de l’intervention. Ce degré d’autonomie restera cependant contraint par le nombre et la diversité des situations – réelles ou fictives – auxquelles les robots auront été confrontés durant leur programmation.