L'équipe CYRUS s'attaquent au bruit d'observation dans RoboCup

RoboCup, c'est un événement annuel où des équipes de robots s'affrontent dans des matchs de foot. Depuis 1997, il y a plusieurs ligues, avec la Ligue de Simulation de Foot 2D qui est l'une des plus importantes. Dans cette ligue, deux équipes de 11 joueurs et un coach s'affrontent. Les joueurs communiquent uniquement avec le Serveur de Simulation de Foot pendant le match.

Une équipe, appelée CYRUS, a gagné le championnat en 2021. Ce document parle de leur travail récent sur la gestion du bruit dans les observations que les joueurs font pendant le jeu.

#Le Parcours de l'Équipe CYRUS

CYRUS participe à RoboCup depuis 2013, et ils ont montré des résultats impressionnants au fil des ans. Ils ont sécurisé plusieurs places de première et deuxième, prouvant leur compétence et leur adaptabilité dans le foot robot. Les succès de l'équipe incluent des victoires dans des compétitions nationales et internationales. Leur base de code, CYRUS2D, est construite sur des travaux précédents, en incorporant les meilleures fonctionnalités des anciennes équipes qui ont bien réussi.

#Le Concept de Bruit d'Observation

Dans la ligue de Simulation de Foot 2D, les joueurs collectent des infos sur leur environnement grâce à des capteurs. Mais les capteurs ont des limites qui entraînent des données bruitées. Les joueurs peuvent choisir parmi trois angles de vue : large, normal et étroit. Chaque angle a des temps d'attente différents avant de pouvoir être utilisé à nouveau. Ça veut dire que les joueurs doivent prendre des décisions sur quand et comment collecter des infos pendant un match.

Pour réduire le bruit, un système appelé 'pos count' mesure combien de cycles se sont écoulés depuis la dernière observation. Malheureusement, même quand les joueurs sont près de la balle ou d'autres joueurs, l'info peut encore être inexacte à cause des limites des capteurs.

#Techniques de Dénoyautage Existantes

Une façon de régler ce problème, c'est d'utiliser une méthode de Helios Base, qui estime les positions des objets en prenant en compte les distances à partir desquelles les joueurs peuvent les voir. Cette technique aide à affiner la position estimée d'un objet avant d'arriver à une position globale. Même si cette approche est utile, elle n'élimine pas totalement les inexactitudes causées par le bruit.

#Apprentissage automatique pour Dénoyauter

L'équipe CYRUS vise à diminuer encore plus le bruit d'observation en utilisant des techniques d'apprentissage automatique. Ils se concentrent sur deux modèles : les Réseaux Neuronaux Profonds (DNN) et les réseaux de Mémoire à Long Court Terme (LSTM). Ces modèles sont entraînés à partir des données de matchs précédents, les aidant à prédire de meilleures positions pour les joueurs basées sur des observations moins fiables.

Pour développer ces modèles, l'équipe a joué 400 matchs entre CYRUS2D et Helios Base. Ils ont collecté une tonne de données, y compris les positions des joueurs, leurs vitesses, et la direction dans laquelle ils sont tournés. Ces données leur permettent de tester différentes configurations de modèles pour voir lequel marche le mieux pour réduire le bruit et améliorer la précision des positions.

#Performance des Modèles d'Apprentissage Automatique

Après de nombreux tests, l'équipe a découvert que le modèle LSTM se débrouillait mieux que le DNN pour prédire les positions des joueurs. Ils ont expérimenté avec différentes tailles et réglages des deux modèles, cherchant à trouver le design idéal pour filtrer les observations bruitées.

Une découverte marquante a été que le LSTM avec certaines configurations de neurones a donné les prédictions les plus précises. Dans les tests comparatifs, le LSTM a surpassé à la fois le DNN et les dernières positions vues des joueurs, montrant son efficacité à gérer le bruit d'observation.

#Défis Futurs

Malgré des résultats prometteurs, l'équipe CYRUS reconnaît les défis de se fier uniquement à ces modèles. Par exemple, si une équipe change sa stratégie ou sa formation pendant un match, la précision du modèle pourrait baisser. De plus, les nouvelles équipes pourraient ne pas avoir assez de données pour faire des prédictions efficaces, entraînant potentiellement des prévisions inexactes.

Pour relever ces défis, l'équipe envisage d'utiliser des modèles pré-entraînés adaptés d'autres équipes. Une autre option pourrait être de mettre en œuvre des méthodes d'apprentissage pendant les matchs pour s'ajuster aux stratégies des adversaires en temps réel. Ces méthodes nécessiteront plus de recherche, mais pourraient grandement améliorer les performances.

#Conclusion

Le travail de l'équipe de simulation de foot CYRUS sur la réduction du bruit d'observation grâce à l'apprentissage automatique met en lumière l'effort continu pour améliorer le foot robot. En développant des modèles avancés pour mieux interpréter les données des capteurs, l'équipe vise à améliorer ses stratégies et ses performances dans les compétitions futures. Ces innovations pourraient mener à un meilleur esprit d'équipe des robots sur le terrain de foot virtuel, repoussant les limites de ce qui est possible dans le sport robotique.