Abstract : Decision making in autonomous systems is particularly challenging in unknown and changing complex environments, where providing a complete a priori representation is not possible. The so built representation should be the result of the system interactions with the environment. To illustrate the problem, we consider a decentralized control of road traffic, where a control device of the distributed infrastructure locally controls traffic by sending recommendation messages to connected vehicles. We propose an approach able to combine, without prior domain-knowledge, a set of existing traditional unsupervised learning methods that collaborate as a population of agents in order to build an efficient representation. This study addresses the main scientific issues to consider for such a system to efficiently learn. Our approach follows a constructivist learning perspective, where a population of agents is able to collectively build a representation that dynamically combines discretization processes.
Résumé : Lorsqu’un système autonome évolue dans un environnement complexe, en partie inconnu ou dynamique, il n’est pas possible de fournir une représentation exhaustive a priori facilitant son processus de prise de décision ; cette représentation étant le résultat de l’interaction du système avec son environnement. Pour illustrer ce problème, nous considérons le cas du contrôle décentralisé du trafic coopératif, où une unité d’infrastructure est en charge de réguler localement le flux, en envoyant des consignes aux véhicules connectés. Ce contrôle est le fruit d’une stratégie construite par l’apprentissage d’une représentation précise (états perception- action) des différents états de trafic. Nous proposons un modèle capable, sans connaissance experte, d’utiliser un ensemble de méthodes de classification représentées sous la forme d’une population d’agents et de les combiner dynamiquement pour construire une représentation précise de l’environnement. Cette étude parcourt différents verrous scientifiques à considérer pour qu’un tel système puisse apprendre efficacement. Notre approche s’inscrit dans une démarche d’apprentissage constructiviste où la population d’agents construit collectivement une représentation qui exploite, suivant l’usage, les discrétisations possibles de l’espace de perception.
