Robots autonomes motivés par l'apprentissage
Dans un environnement inconnu et en changement constant, un robot autonome doit pouvoir réagir instantanément aux changements et aux événements inattendus afin d'éviter les collisions et mettre à jour ses cartes. Pour une navigation réussie, le robot doit réagir avant tout en fonction des informations sensorielles immédiates dont il dispose et accessoirement en fonction des cartes internes du cadre environnant. Un tel comportement intelligent est, outre les autres conditions préalables, une conséquence directe de l'architecture du système associée à un schéma d'apprentissage et d'adaptation, formulé individuellement par rapport à l'expérience acquise. Sous les auspices de l'université de Bonn, les partenaires du projet SIGNAL ont cherché à concevoir une architecture systémique, permettant aux robots autonomes de croître à l'aide d'une séquence de capacités acquises. L'architecture systémique proposée a été organisée sous la forme d'une hiérarchie de couches, qui correspond aux différents niveaux des capacités du robot et sont divisées en fonction de l'itinéraire d'information. Les données sensorielles des capteurs primaires sont traitées pour en déduire des informations sur le cadre environnant par l'intermédiaire d'une suite de modules de reconnaissance et de catégorisation de thèmes, jusqu'à ce que les informations symboliques soient générées. Le flux d'informations traverse de multiples couches afin de fournir les données sensorielles de base à des tâches de traitement d'informations plus complexes, avant que les résultats ne parviennent finalement aux modules de commande. Les ordres adéquats sont alors envoyés aux modules de commande du robot en fonction de la tâche que le système intelligent doit effectuer, ainsi que de «l'état interne» du système. Pendant que le robot se déplace dans son cadre environnant, des graphiques d'interconnexion des différents éléments sensoriels successifs représentant des objets du monde réel sont créés à l'aide des actions successives effectuées. Ces associations topologiques du cadre environnant peuvent fournir les cartes internes nécessaires à la navigation et à la planification des actions. De plus, des modules individuels au sein de chacune des couches du système peuvent s'adapter et sont capables d'apprendre leur fonctionnalité respective par le biais de paradigmes issus de réseaux neuronaux, de l'apprentissage machine, de systèmes immuns artificiels et de l'apprentissage psychologique. Contrairement aux systèmes conventionnels qui sont conçus pour acquérir des capacités rapidement, la méthode de mappage capteur-module de commande permet aux artefacts techniques d'acquérir des sous-fonctionnalités par le biais de l'apprentissage.
