Chapitre 1 : Robotique cloud

La robotique cloud est un sous-domaine de la robotique qui se concentre sur les avantages de l'infrastructure convergée et des services partagés pour la robotique. La robotique cloud est une tentative d'utilisation des technologies cloud, telles que le cloud computing, le stockage en nuage et d'autres technologies Internet. Lorsqu'ils sont connectés au cloud, les robots sont capables de tirer parti des solides ressources de calcul, de stockage et de communication des centres de données actuels dans le cloud. Ces centres sont capables de traiter et de distribuer des informations provenant d'une variété de robots ou d'agents, y compris d'autres machines, des objets intelligents, des humains, etc. Grâce à l'utilisation des réseaux, les humains sont également en mesure d'externaliser des tâches à des robots opérant à distance. Les technologies de cloud computing permettent aux systèmes robotiques d'être dotés d'énormes capacités tout en réduisant les dépenses grâce à l'utilisation de la technologie cloud. Par conséquent, il est possible de construire des robots moins coûteux et plus intelligents, légers et dotés d'un « cerveau » intelligent stocké dans le cloud. Le « cerveau » est composé de facteurs tels que le centre de données, la base de connaissances, les planificateurs de tâches, l'apprentissage profond, le traitement de l'information, les modèles d'environnement, le support de communication et d'autres composants similaires.

En ce qui concerne les robots, un cloud pourrait théoriquement être composé d'au moins six composants importants :

Une stratégie connue sous le nom d'« apprentissage tout au long de la vie ». CAS a proposé l'utilisation de l'apprentissage tout au long de la vie afin de construire un nuage que les robots pourraient utiliser comme cerveau. Le dilemme de savoir comment faire en sorte que les robots combinent et transmettent leur expérience afin de leur permettre de faire bon usage des connaissances existantes et de s'adapter rapidement à de nouvelles situations a été l'impulsion du travail de l'auteur. Les auteurs proposent une architecture d'apprentissage pour la navigation dans les systèmes robotiques en nuage qu'ils appellent Lifelong Federated Reinforcement Learning (LFRL). Cette architecture est destinée à résoudre le problème. Dans leur étude, ils présentent un algorithme de fusion de connaissances qui peut être utilisé pour améliorer un modèle partagé qui est mis en service sur le cloud. Les stratégies d'apprentissage par transfert qui ont fait leurs preuves en LFRL sont ensuite présentées. Le LFRL et les sciences cognitives humaines sont compatibles l'un avec l'autre, et ils fonctionnent bien avec les systèmes robotiques en nuage. Dans le cadre de la navigation robotisée, des expériences ont démontré que LFRL améliore considérablement l'efficacité de l'apprentissage par renforcement. De plus, la mise en place du système robotique cloud démontre que LFRL est capable de combiner des informations précédemment acquises.

La méthode est connue sous le nom d'apprentissage fédéré. En 2020, il a été prédit que les robots pourraient être équipés d'un cerveau nuageux en utilisant l'apprentissage tout au long de la vie. Apprendre un nouveau comportement est quelque chose que les humains sont capables de faire en étudiant comment d'autres personnes pratiquent cette compétence. Les robots, en revanche, sont également capables de le faire grâce à l'apprentissage par imitation. De plus, si les humains reçoivent des directives de sources extérieures, ils seront en mesure de saisir plus efficacement la nouvelle habitude. Ainsi, comment les robots sont-ils capables d'accomplir cela ? Les auteurs proposent un nouveau cadre qu'ils ont identifié comme FIL afin d'aborder la question. Pour les systèmes robotiques cloud, il offre un cadre pour la fusion de connaissances hétérogènes provenant de plusieurs sources. Ensuite, un algorithme de fusion des connaissances en FIL est proposé comme solution. Par conséquent, il permet au cloud de combiner les diverses expertises des robots locaux et de produire des modèles de guides pour les robots qui sont en possession de demandes de service. Ensuite, nous présentons un mécanisme de transfert de connaissances qui facilitera l'acquisition de connaissances par des robots locaux à partir du cloud. Avec l'aide de FIL, un robot est capable d'utiliser les informations qu'il a apprises d'autres robots afin d'améliorer la précision et l'efficacité de son apprentissage par imitation. Par rapport à l'apprentissage par transfert et au méta-apprentissage, le FIL est une option plus acceptable pour le déploiement dans des systèmes robotiques en nuage. Ils font de la recherche sur une tâche qui nécessite que des robots (voitures) se conduisent eux-mêmes. Les résultats des expériences montrent que le modèle partagé développé par FIL permet d'augmenter l'efficacité de l'apprentissage par imitation pour les robots locaux qui font partie des services robotiques en nuage.

L'apprentissage assisté par les pairs est l'approche choisie. Il a été proposé par UM qu'un cerveau cloud pour les robots pourrait être construit grâce à l'utilisation de l'apprentissage assisté par les pairs. Avec l'introduction de technologies d'apprentissage profond basées sur les données, le domaine de la robotique connaît actuellement une révolution technologique révolutionnaire. Néanmoins, le processus de construction d'ensembles de données pour chaque robot local est fastidieux. D'autre part, les îlots de données existant entre les robots locaux empêchent l'exploitation collaborative des données. Le travail fournit l'apprentissage robotique assisté par les pairs (PARL) en robotique, qui s'inspire du concept d'apprentissage assisté par les pairs en psychologie cognitive et en pédagogie. Le but de ce travail est d'aborder la question qui a été présentée. Dans le cadre des systèmes robotiques cloud, PARL est responsable de la mise en ouvre de la collaboration des données. Après avoir terminé leur formation localement et fait de l'informatique sémantique, les robots téléchargent ensuite leurs données et leurs modèles sur le cloud. En plus d'effectuer l'augmentation, l'intégration et le transfert, le cloud est responsable de la collecte des données. Enfin, perfectionnez cet ensemble de données partagées plus important dans le cloud afin qu'il puisse être utilisé par des robots locaux. Afin de mettre en ouvre le traitement des données dans PARL, nous vous suggérons également d'utiliser le réseau DAT, qui signifie Data Augmentation and Transfer Network. L'augmentation des données de plusieurs robots locaux est quelque chose qui peut être accompli à l'aide du réseau DAT. Des expérimentations sont menées par les auteurs sur une version simplifiée du défi de conduite autonome pour les robots (voitures). Dans le domaine des scénarios de conduite autonome, DAT Network a fait des progrès considérables en termes d'amélioration. En outre, les résultats des expériences sur les véhicules autonomes montrent également que PARL est capable d'améliorer les effets d'apprentissage grâce à la collaboration de données provenant de robots locaux.

RoboEarth a reçu un financement du septième programme-cadre pour des initiatives de recherche et de développement technique mises en ouvre par l'Union européenne. L'objectif de ce financement était d'étudier en particulier le thème de la robotique dans le cloud. L'objectif de RoboEarth est de permettre aux systèmes robotiques d'acquérir des connaissances à partir des expériences d'autres robots. Cela ouvrira la voie à des progrès rapides de la cognition et du comportement des machines et, en fin de compte, à une interaction homme-machine plus nuancée et intelligente. Une infrastructure Cloud Robotics est quelque chose que RoboEarth fournit. La base de données que RoboEarth a construite dans le style du World Wide Web comprend des informations créées par des humains ainsi que par des robots dans un format lisible par les machines. Les composants logiciels, les cartes de navigation (telles que les emplacements d'objets et les modèles de monde), la connaissance des tâches (telles que les recettes d'action et les méthodes de manipulation) et les modèles de reconnaissance d'objets (tels que les photos et les modèles d'objets) sont tous des exemples des types de données stockées dans la base de connaissances RoboEarth. Les robots mobiles, les véhicules autonomes et les drones sont pris en charge dans le moteur RoboEarth Cloud. Ces types d'appareils nécessitent une quantité importante de traitement pour naviguer.

Un cadre de robotique cloud open source appelé Rapyuta a été développé par un chercheur en robotique de l'EPFZ. Il est construit sur RoboEarth Engine et a été créé par le chercheur. Dans le cadre, chaque robot connecté à Rapyuta a le potentiel d'avoir un environnement informatique protégé, qui est représenté par des boîtes rectangulaires. Cela leur donne la possibilité de déplacer leurs calculs lourds vers le cloud. De plus, les environnements informatiques sont fortement interconnectés les uns aux autres et disposent d'une connexion au référentiel de connaissances RoboEarth capable de fournir une énorme quantité de bande passante.

L'une des extensions du projet RoboEarth est connue sous le nom de KnowRob. Il s'agit d'un système de traitement des connaissances qui combine des méthodes de représentation et de raisonnement des connaissances avec des techniques d'acquisition de connaissances et d'ancrage des connaissances dans un système physique. De plus, il a la capacité de servir de cadre sémantique commun pour l'intégration d'informations...