Afin d’entrainer les réseaux de neurones nous avons développé un environnement virtuel marin dédié à l’apprentissage automatique.
Il permet de reproduire de façon réaliste et efficace le comportement dynamique de différent types de bateaux dont des voiliers de courses comme les class40, oceanFifty, IMOCA (à dérives ou à foils), Ultims, mini6.50 :
- dans des conditions environnementales réalistes et variées (toutes les allures et forces de vent rencontrées, modèles de vagues multi-composantes pour simuler la mer croisée)
- en prenant en compte des réglages, configurations de voiles (prises de ris, différentes voiles d’avant…) et d’appendices (angle de quilles basculante, profondeur et rake des foils et des plans porteurs…) personnalisés
Cette approche est particulièrement évolutive grâce à la plasticité des réseaux de neurones qui permet au pilote:
- d’apprendre à contrôler d’autres degrés de liberté comme par exemple, le rake des foils et des plans porteurs.
- d’apprendre à exploiter les données issues de capteurs supplémentaires très variés…
Exemples de polaires comparatives générées dans l’environnement virtuel, pour voilier de course au large barré, soit par un réseau de neurone pré-entrainé (neuro-pilote) soit par un algorithme de contrôle classique (PID)
Comparaison entre le voilier barré par un réseau de neurones pré-entrainé (en haut) et par un algorithme de pilote classique (en bas). Les courbes de droite représentent les mouvements des safrans.
Le comportement global est identique mais grâce à des petites corrections le réseaux de neurone stabilise la trajectoire et fini par moins bouger le safran tout en maintenant le bateau plus près de la route voulue (ligne rouge)