Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
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–[email protected]://www.irit.fr/smac/Panorama des recherches dans le domaine automobile