Conclusion
Coopération d’algorithmes d’apprentissage par renforcement multiples

La combinaison de modules multiples pour la résolution d’une tâche en robotique autonome (et en particulier pour la navigation) a été peu explorée jusqu’ici. Pourtant, les complémentarités en matière de vitesse d’adaptation et de coût computationnel des différents types d’algorithmes d’apprentissage par renforcement susceptibles d’être utilisés, d’une part, et les résultats de neurosciences démontrant l’utilisation de systèmes d’apprentissage multiples chez les animaux, d’autre part, plaident en faveur de la conception d’architectures de contrôle intégrant de multiples algorithmes.

C’est cette exploration encore limitée des possibilités de telles combinaisons en robotique qui explique que bon nombre des algorithmes passés en revue ici sont issus des neurosciences computationnelles, et ont pour but initial d’expliquer des données biologiques. Pourtant, ces méthodes, exprimées dans le formalisme de l’apprentissage par renforcement sont parfaitement adaptables et testables en robotique, ce que nous nous sommes efforcés de mettre en évidence.

Comme le souligne un article de synthèse des travaux sur l’apprentissage en robotique , il n’y a d’une part actuellement pas de solution générale qui puisse permette à un même robot d’apprendre correctement chacun des problèmes étudiés, et il n’y a d’autre part pas de comparaison facile à faire entre toutes ces solutions puisqu’elles n’ont pas été testées sur un ou plusieurs mêmes problèmes. La proposition qui émerge du travail de Caluwaerts et al. ...