Validation du modèle pour des interactions multi-agents

Le modèle de navigation réactive que nous proposons, fonctionne correctement pour les environnements statiques. Nous souhaitons vérifier si les choix restent valides lorsque plusieurs agents sont instanciés dans un même environnement.

Avant de présenter ces tests, notons que nous avons dû réaliser un changement sur l'inertie. En environnement dynamique, il arrive qu'il n'y ait pas de solution valide pour un agent. En

Chapitre IV : Validation du modèle proposé : application à la navigation autonome. 121

cas de blocage, l'inertie ne doit pas intervenir dans le prochain cycle sinon elle encourage l'agent à s'immobiliser. Nous reviendrons sur ces problèmes liés à l'inertie dans les perspectives (chapitre V).

La figure IV.21 illustre un exemple de simulation comprenant vingt cinq agents. Nous avons représenté par un trait situé derrière chaque agent, les trajectoires suivies par eux lors des cycles précédents. Outre les évitements statiques, cette figure montre des exemples de croisements (passés et à venir) et de dépassements. Il faut noter que l'environnement utilisé pour les tests est encombré de nombreux obstacles et qu'en de nombreux endroits les agents n'ont pas la place pour se croiser. Il faut également noter qu'aucune hypothèse n'est faite sur les chemins suivis par les agents. Les agents ne possèdent pas une ordonnée curviligne privilégiée qui pourrait simplifier le problème.

Figure IV.21 : Exemple de simulation multi-agents.

Lors des simulations, il apparaît que la suppression des pondérations a une influence importante sur le réalisme des interactions entre agents. Il est important que les agents anticipent suffisamment tôt leurs croisements sinon ils apparaissent trop réactifs. La figure IV.22 montre deux exemples. Sur la partie gauche de la figure, les agents ont anticipé leur croisement. Sur la partie droite, ils s'évitent au dernier moment. La suppression des pondérations peut donc s'avérer parfois problématique. Dans notre exemple, le vote d'un seul comportement d'évitement ne peut aller à l'encontre des votes des comportements « inertie » et « suivre la voie ». Lorsque les agents sont proches, ils s'évitent grâce au veto. Dans le chapitre V, nous présentons des perspectives (liées à l'inertie) utiles pour résoudre ce problème. Rebroussement suite à un blocage Évitement statique anticipé Croisement passé Agent et options évaluées Dépassement Trajectoires Agent commençant à anticiper un croisement

Chapitre IV : Validation du modèle proposé : application à la navigation autonome. 122

Figure IV.22 : Anticipation ou non des croisements.

En revanche, comme le montre la figure IV.23, un agent seul a tendance à s'écarter d'un groupe d'agents. Ce résultat est intéressant car selon [Thomas, 1999] il est conforme au comportement de piétons dans la réalité. De plus, il faut noter que ce résultat émerge sans que nous n'ayons programmé la notion de groupe et sa priorité face à un individu isolé. L'explication est que l'agent seul possède plusieurs comportements d'évitement correspondant à chaque agent du groupe. Ces comportements d'évitement votent pour dévier la trajectoire et emportent le vote. Pour les agents du groupe, l'unique comportement d'évitement d'agent ne parvient pas à s'opposer au vote des autres comportements (« intertie » et « suivre la voie ») c'est pourquoi les agents du groupes maintiennent leur trajectoire.

Figure IV.23 : Agent seul s'écartant d'un groupe d'agents.

Des blocages entre les agents peuvent apparaître durant les tests. Par exemple, sur la figure IV.24 un obstacle statique rétrécit la voie. Les agents ne se coordonnant pas, ils peuvent éventuellement se gêner mutuellement pendant plusieurs cycles. Comme nous allons le voir, les blocages se résorbent de moins en moins facilement avec l'augmentation de la densité d'agents.

Chapitre IV : Validation du modèle proposé : application à la navigation autonome. 123

Figure IV.24 : Blocage induit par un rétrécissement de la route.

Lors des tests réalisés, nous avons augmenté progressivement la densité des agents. Les courbes présentées ci-dessous ont été obtenues en mesurant les performances d'un agent sur le circuit de la figure IV.21. Nous avons réalisé des simulations avec 10, 15, 20, 25, 30, 40 et 50 agents (positionnés aléatoirement). Pour un nombre d'agents donné, nous avons réalisé dix simulations de 10 000 cycles chacune (les courbes représentent des valeurs moyennes). Nous n'avons pas pu réaliser plus de 10 simulations à chaque fois car leur durée totale représente déjà environ 35 heures de calculs. Il faut environ 5 heures pour toutes les simulations de 10 à 25 agents et environ 30 heures pour toutes les simulations de 30 à 50 agents (sur un ordinateur de bureau de 2GHz). (Nous reviendrons sur ce point.)

La figure IV.25 montre l'évolution de la distance parcourue par un agent en fonction du nombre total d'agents. La distance totale parcourue diminue au delà de 20 agents. A partir de ce nombre, les modèles décisionnels trouvent difficilement de bonnes solutions. Les agents s'immobilisent plus souvent. La distance utile diminue plus rapidement, ce qui correspond au nombre croissant de manoeuvres réalisées par les agents pour éviter les obstacles.

10 15 20 25 30 35 40 45 50 10000 11000 12000 13000 14000 15000 16000 17000 18000 19000 20000

Figure IV.25 : Évolution des distances totales (trait continu) et utiles (pointillés)

en unité de distance, en fonction du nombre d'agents.

La figure IV.26 illustre l'évolution du nombre de cycles pendant lesquels l'agent est considéré bloqué, en fonction du nombre total d'agents. Pour 50 agents, l'agent instrumenté passe le quart des cycles en situation de blocage. Il est assez difficile d'analyser cette courbe. En particulier, nous ne pouvons déterminer si ces blocages sont dûs aux limites du modèle ou à la complexité de l'environnement. Il faudrait disposer de données réelles pour voir comparer ces résultats au trafic dans une rue piétonne. Ce travail constitue une perspective. A ce stade de notre recherche, nous souhaitions évaluer les défauts du modèle dans les situations complexes. Dans le cadre de notre application, une vingtaine d'agents semble suffisante.

Chapitre IV : Validation du modèle proposé : application à la navigation autonome. 124 10 15 20 25 30 35 40 45 50 0 500 1000 1500 2000 2500

Figure IV.26 : Évolution du nombre de blocages en fonction du nombre d'agents.

La figure IV.27 illustre l'évolution de la variation moyenne de direction d'un agent, en fonction du nombre total d'agents. Celle-ci croit jusque 30 agents et décroît ensuite. En effet comme nous venons de le voir, pour un nombre important d'agents (entre 30 et 50), ceux-ci ont tendance à s'immobiliser. Ce qui réduit le nombre moyen de leurs hésitations.

10 15 20 25 30 35 40 45 50 1 2 3 4 5 6 7 8 9 10

Figure IV.27 : Évolution de la variation moyenne de direction (en degré)

en fonction du nombre d'agents.

La courbe IV.28 ci-dessous illustre l'évolution du nombre maximal (trait continu) et moyen (pointillés) d'options valides en fonction du nombre d'agents. La courbe montre que lors des simulations avec 50 agents, un agent peut évaluer jusqu'à 80 options lors d'un cycle (80 étant la moyenne sur 10 simulations). Dans le pire des cas, un agent a utilisé 37 comportements et proposé 113 options invalides et 119 options valides.

Le nombre important d'options et de comportements explique la durée excessive des simulations. L'implémentation naïve du modèle qui alloue dynamiquement les options renforce ce problème.

Afin d'atténuer ces défauts, nous envisageons d'adapter, en fonction de la situation, la distance au-dessous de laquelle les obstacles et autres agents sont pris en compte. En effet, lorsque la voie est encombrée, un piéton ne doit pas prendre en compte tous les piétons mais seulement ceux qui le gênent directement. En outre, il serait possible d'accélérer la perception des agents en utilisant une division de l'environnement (voir le paragraphe « perception des

Chapitre IV : Validation du modèle proposé : application à la navigation autonome. 125

acteurs virtuels » au chapitre I). Ces critiques ne remettent pas en cause le modèle décisionnel mais son application. Nous reviendrons sur ces critiques dans nos perspectives.

10 15 20 25 30 35 40 45 50 0 10 20