CONTRÔLE ADAPTATIF DE SYSTÈMES COMPLEXES PAR AUTO-ORGANISATION

delacalibrationdemoteursauxvéhiculesautonomes

FrédéricMigeon-Toulouse,12juin2018Panorama des recherches dans le domaine automobile

Calibration de moteurs à combustion

n  ProjetORIANNE–2010-2012l  AboardEngineering(leader)l  Partenairesindustriels

Þ  FHElectronics(calculateur)Þ  Renault(moteursetvéhicules)

l  PartenairesacadémiquesÞ  IRIT(informatique)Þ  IRSEEM(électroniqueembarquée)Þ  CERTAM(aérothermique)Þ  CEVAA(vibro-acoustique)

n  Tâchedel’IRIT:Auto-calibrationl  Apprendrelesbonnesactionsde

contrôle2

Expériences sur moteur réel

3

Expériences sur moteur réel

4

ESCHER Control Desk ECU

Analyseur de gaz

Moteur monocylindre

125 cm3

Ethernet/MCD-3 Bus CAN

Capteurs et effecteurs spécifiques

Sondes échappement USB+RS232/DB25

Expériences sur moteur réel

n  Pointdefonctionnementl  Régime:5000tr/minl  Charge:870mbar

n  Paramètrescontrôlésl  Massedecarburantinjectél  Avanceàl’allumage

n  Critèrel  Maximiserlecouple(donnépar

lapressionmoyenneindiquée,PMI)

n  Résultatsl  PMIaugmentéede50%(+3bar)l  Duréetotale:90secondes

5

Expériences sur moteur réel n  Pointdefonctionnement

l  Régime:2500tr/minl  Charge:750mbar

n  Paramètrescontrôlésl  Massedecarburantinjectél  Avanceàl’allumagel  Phasagedel’injection

n  Critèresl  Maximiserlecouple(PMI)l  Minimiserlaconsommationl  Seuild’hydrocarburesl  Seuildemonoxydedecarbone

n  Résultatsl  PMIaugmentéede60%(+3bar)l  Consommationdiminuéede60%l  Seuilsdepollutionrespectésl  Duréetotale:40minutes 6

Mise au point « in vitro »

n  Pallierl’inaccessibilitédumoteurendébutdeprojet

n  Assemblagedeboîtesnoiresexécutablesl  Utiliséescommecasdetestl  ContraintesutilisateursrespectéesÞ Nombred’E/SÞ  InterdépendancedesE/SÞ PlagesdevariationsÞ Cycles

7

Exemple de boîte noire générée

Expériences sur boîtes générées

n  Uneentrée,2sortiesn  Critères

l  Consignede50surS1l  Consignede50surS2

n  Laboîtenoirenepermetpasdeplacerlesdeuxsortiesà50l  ESCHERdoittrouveruncompromis

8

Expériences sur boîtes générées

n  Resistanceauxperturbationsn  3entrées,1sortie

l  2entréescontrôléesparESCHER

l  1entréesubitdesperturbations

n  Critère:l  Consignede50surlasortiel  ESCHERdoitcorrigerles

erreursprovoquéesparlesperturbations

9

Contrôle

n  Qu’est-cequecontrôlerunsystème?è Modifiersesentréesafindel’amenerdansunétatdésiré

10

Système de contrôle

Système contrôlé

Commandes

Contrôleenboucleouverte

Contrôleenbouclefermée

Consigne État

Système de contrôle

Système contrôlé

Commandes

Consigne

État

11

Objectif

n  Réaliserunsystèmedecontrôlel  Facileàinstancier

Þ SepasserdemodèleÞ Avoirpeudeparamètresàfixer

l  Capabledes’adaptercontinuellementl  Capabledemaîtriserlacomplexité

Þ Nombreimportantd’entrées/sortiesÞ Non-linéaritéÞ Bruit

Contrôle de Systèmes complexes n  Qu’est-cequ’unsystème

complexe?è  Comportementinattenduè  Non-linéaireè  Dynamiqueè  Grandnombred’E/Sè  Bruitè  Différenteséchellesdetemps

12 Bibliographie

• Ashby (1956), An Introduction to Cybernetics. London, UK, Chapman & Hall

Loi de la variété requise

•  La variété du système de contrôle doit être supérieure ou égale à celle du système contrôlé

Apprentissage du contrôle de systèmes complexes

n  Qu’est-cequel’apprentissageartificiel?è Unprogrammequis’amélioregrâceàsonexpérience

n  Diversesapproches

l  Apprentissagesupervisél  Apprentissagenonsupervisél  Apprentissageparrenforcement

13

Principedel’apprentissageparrenforcement

Système Apprenant Environnement

Actions

+ signal de renforcement Perceptions

Apprentissage du contrôle de systèmes complexes par un Système Multi-Agent

n  Qu’est-cequ’unagent?è  Uneentitéautonomeè  Plongédansun

environnementlogicielè  Cycledevie

Þ  Perception(limitée)Þ  Décision(autonome)Þ  Action(locale)

n  Qu’est-cequ’unSystèmeMulti-Agent(SMA)?è  Unsystèmecomposé

d’agentseninteraction

14

UnSMAetsonenvironnement

Système Multi-Agent

Environnement du SMA

Actions

Perceptions

Apprentissage du contrôle de systèmes complexes par Auto-organisation coopérative d’un système multi-agent

n  AdaptiveMulti-AgentSystems(AMAS)l  Lesagentschangentdecomportement

l  Leschangementsdecomportementsontdirigéspardesrèglesdecoopération

15

Interactions système/environnement

n  S’ilexistedesinteractionsneutresouantinomiquesl  Lesystèmeestdansunétatnon-coopératif

l  Deuxconséquencespossibles:Þ  IlneréalisepassafonctionÞ  Ilneréalisepassafonctiondefaçonoptimale

16

Coopérative Les actions du système favorisent

l’activité de l’environnement

Neutre Les actions du système

n’empêchent ni ne favorisent l’activité de l’environnement

Antinomique Les actions du système empêchent

l’activité de l’environnement Bibliographie

• Glize (2001), L’Adaptation des Systèmes à Fonctionnalité Émergente par Auto-Organisation Coopérative. HDR. Toulouse, France, Université Paul Sabatier.

• Kalenka et Jennings (1999), Socially responsible decision making by autonomous agents. Cognition, Agency and Rationality. Springer, p. 135–149.

17

Principes de l’approche

n  AdaptiveMulti-AgentSystems(AMAS)l  Résoudredesproblèmescomplexes

Þ Besoind’adaptationetd’apprentissagel  Adaptationobtenueparauto-organisationl  Auto-organisationdirigéeparlacoopérationl  Conceptionbottom-up

Þ Lafonctionglobaledusystèmeémergedesinteractionslocalesdesagents

Bibliographie

• Georgé et al. (2011). Cooperation. Dans : Self-organising Software. Natural Computing Series. Springer Berlin Heidelberg, p. 193–226.

Auto-organisation coopérative

n  Commentmaintenirlesystèmeenétatcoopératif?è  Détecterouanticiperles

SituationsdeNon-Coopération(SNC)

è  LesrésoudrelocalementÞ  Ajustementdeparamètresinternes

Þ  RéorganisationdesrelationsÞ  Ouverture(ajout/suppressiond’agent)

18

Perception

Décision Action

Environnement

V Incompréhension V Ambigüité

V Incompétence V Improductivité V Concurrence

V Conflit V Inutilité

19

Véhicule Autonome Connecté

n  SéminaireXSYSMadeelil  LAAS–sept2017

PublicContinental Automotive in France

Automated DrivingThe Functional Architecture

9

Sense

Act

Plan

08/09/2017

20

Contrôle

Système de contrôle

Système contrôlé

Commandes

Consigne

État

21

Contrôle, apprentissage

Système de contrôle

Système contrôlé

Commandes

Consigne

État

Système Apprenant Environnement

Actions

+ signal de renforcement Perceptions

22

Contrôle, apprentissage, SMA

Système de contrôle

Système contrôlé

Commandes

Consigne

État

Système Apprenant Environnement

Actions

+ signal de renforcement Perceptions

Système Multi-Agent

Environnement du SMA

Actions

Perceptions

23

Contrôle, apprentissage, SMA

État

ESCHER

Environnement

Actions : commandes sur les entrées

Perceptions : état du système contrôlé + satisfaction des critères

Système contrôlé

Critères de contrôle

ESCHER:EmergentSelf-adaptiveControllerforHeatEnginecalibRation

24

Sureté de fonctionnement

n  Donnéesbruitéesn  Chaînede

responsabilitésn  Complexitén  Systèmesde

systèmes

RENAULT INTERNAL 15DIRECTION/REDACTOR DATE

Connected CarCONNECTED CAR SYSTEM EVOLUTION

25

Véhicule Autonome Connecté

PublicContinental Automotive in France

Automated DrivingThe Functional Architecture

9

Sense

Act

Plan

08/09/2017

n  Reprisedecontrôlel  quandleconducteurlesouhaitel  quandlecontextelenécessitel  quandleconducteurlenécessite

n  Apprentissagedescomportementsduconducteur,duvéhicule,ouautres

n  Contrôleduvéhiculen  Collectif/Flottedevéhicules

Merci de votre attention.

CONTRÔLE ADAPTATIF DE SYSTÈMES COMPLEXES PAR AUTO-ORGANISATION

delacalibrationdemoteursauxvéhiculesautonomes

FrédéricMigeon–frederic.migeon@irit.fr-https://www.irit.fr/smac/Panorama des recherches dans le domaine automobile