|
|
--- |
|
|
license: other |
|
|
language: |
|
|
- fr |
|
|
pipeline_tag: robotics |
|
|
tags: |
|
|
- Chiot robot |
|
|
- Simulation de décisions |
|
|
- cerveau d'animaux de compagnie (IA) |
|
|
--- |
|
|
|
|
|
## 📄 Documentation du Modèle MiRobot |
|
|
|
|
|
 |
|
|
|
|
|
### 🤖 Présentation du Modèle MiRobot : Simulation de Chiot Robot |
|
|
|
|
|
**MiRobot** est un modèle de robotique basé sur l'**Apprentissage par Renforcement (RL)**, conçu pour simuler le comportement primaire et les interactions d'un chiot robot. Développé par Clemylia, ce modèle vise à démontrer comment un agent d'Intelligence Artificielle peut apprendre à répondre à des commandes externes tout en gérant ses besoins internes. |
|
|
|
|
|
Ce modèle est idéal pour l'étude et l'expérimentation dans les domaines de la robotique simulée et des systèmes d'agents autonomes. |
|
|
|
|
|
----- |
|
|
|
|
|
### 🚀 Démarrage Rapide |
|
|
|
|
|
Pour utiliser MiRobot, vous devez disposer d'un environnement Python avec les bibliothèques **Gymnasium** et **Stable Baselines3** installées. |
|
|
|
|
|
#### 1\. Installation des Dépendances |
|
|
|
|
|
```bash |
|
|
pip install gymnasium stable-baselines3 huggingface_hub |
|
|
``` |
|
|
|
|
|
#### 2\. Chargement et Exécution du Modèle |
|
|
|
|
|
Le script suivant télécharge automatiquement l'environnement personnalisé et le modèle entraîné depuis Hugging Face, puis exécute une courte simulation. |
|
|
|
|
|
```python |
|
|
import gymnasium as gym |
|
|
from stable_baselines3 import PPO |
|
|
from gymnasium import register |
|
|
from huggingface_hub import hf_hub_download |
|
|
import os |
|
|
|
|
|
# --- PARAMÈTRES DU DÉPÔT --- |
|
|
REPO_ID = "Clemylia/MiRobot" |
|
|
MODEL_FILE = "mirobot_final_model.zip" |
|
|
ENV_SCRIPT_FILE = "MiRobotEnv.py" |
|
|
ENV_ID = 'MiRobot-v0' |
|
|
|
|
|
# 1. Téléchargement des Fichiers |
|
|
env_path = hf_hub_download(repo_id=REPO_ID, filename=ENV_SCRIPT_FILE) |
|
|
model_path = hf_hub_download(repo_id=REPO_ID, filename=MODEL_FILE) |
|
|
|
|
|
# 2. Chargement de la Classe d'Environnement (MiRobotEnv) |
|
|
try: |
|
|
with open(env_path, 'r') as f: |
|
|
exec(f.read()) |
|
|
except Exception as e: |
|
|
print(f"Erreur lors du chargement de l'environnement: {e}") |
|
|
exit() |
|
|
|
|
|
# 3. Enregistrement de l'Environnement Custom |
|
|
try: |
|
|
register( |
|
|
id=ENV_ID, |
|
|
entry_point='MiRobotEnv:MiRobotEnv', |
|
|
) |
|
|
except gym.error.UnregisteredEnv: |
|
|
pass # Déjà enregistré |
|
|
|
|
|
# 4. Chargement du Modèle Entraîné (PPO) |
|
|
model = PPO.load(model_path) |
|
|
print("✅ Modèle MiRobot chargé et prêt pour l'inférence.") |
|
|
|
|
|
# 5. Simulation (Inférence) |
|
|
env = gym.make(ENV_ID) |
|
|
obs, info = env.reset() |
|
|
action_map = {0: "S'Arrêter", 1: "Avancer", 2: "Tourner G", 3: "Tourner D"} |
|
|
|
|
|
print("\n--- Démarrage de la Simulation MiRobot ---") |
|
|
for i in range(20): |
|
|
action, _states = model.predict(obs, deterministic=True) |
|
|
obs, reward, terminated, truncated, info = env.step(action) |
|
|
|
|
|
print(f"[Pas {i+1}] Action Choisie: {action_map[action]}") |
|
|
env.render() # Affiche l'état interne de MiRobot |
|
|
|
|
|
if terminated or truncated: |
|
|
obs, info = env.reset() |
|
|
|
|
|
env.close() |
|
|
print("\nSimulation terminée.") |
|
|
``` |
|
|
|
|
|
----- |
|
|
|
|
|
### 🧠 Détails du Modèle et de l'Environnement |
|
|
|
|
|
Le modèle **MiRobot** prend ses décisions en interprétant un vecteur d'état (Observation) et choisit une action parmi quatre options (Action). |
|
|
|
|
|
#### A. Espace d'Observation (L'état du Chiot) |
|
|
|
|
|
L'observation est un vecteur de 5 nombres décimaux (`float`) que l'agent d'IA utilise pour prendre une décision. |
|
|
|
|
|
| Index | Nom de la Variable | Plage de Valeurs | Rôle | |
|
|
| :---: | :--------------- | :-------------- | :--- | |
|
|
| **0** | `Commande_Avancer` | $0.0$ ou $1.0$ | Commande binaire du maître (1 si demande d'avancer). | |
|
|
| **1** | `Commande_Tourner` | $0.0$ ou $1.0$ | Commande binaire du maître (1 si demande de tourner). | |
|
|
| **2** | `Faim` | $0.0$ (Pleine) à $1.0$ (Affamée) | Niveau de faim interne (augmente avec le temps). | |
|
|
| **3** | `Sommeil` | $0.0$ (Éveillé) à $1.0$ (Fatigué) | Niveau de fatigue interne (augmente avec le temps). | |
|
|
| **4** | `Humeur` | $-1.0$ (Mauvaise) à $1.0$ (Joyeuse) | État émotionnel du chiot (influencé par la faim/sommeil). | |
|
|
|
|
|
#### B. Espace d'Action (Ce que MiRobot peut faire) |
|
|
|
|
|
Le modèle sélectionne une action discrète à chaque pas de temps. |
|
|
|
|
|
| ID d'Action | Action du Robot | |
|
|
| :---------: | :------------- | |
|
|
| **0** | **S'arrêter** (ou ne rien faire) | |
|
|
| **1** | **Avancer** | |
|
|
| **2** | **Tourner à gauche** | |
|
|
| **3** | **Tourner à droite** | |
|
|
|
|
|
----- |
|
|
|
|
|
### 🏅 Fonction de Récompense (Ce que MiRobot apprend) |
|
|
|
|
|
Le modèle PPO a été entraîné pour maximiser la récompense cumulée, ce qui signifie qu'il a appris à : |
|
|
|
|
|
* **Obéir (Récompense Positive 🏆) :** Choisir l'action demandée par le maître (`Commande_Avancer` ou `Commande_Tourner`). |
|
|
* **Maintenir le bien-être (Récompense/Pénalité) :** L'agent est pénalisé proportionnellement à ses niveaux de **Faim** et de **Sommeil**, encourageant implicitement l'intégration future d'actions de bien-être (dormir, manger) si le modèle est étendu. |
|
|
|
|
|
----- |
|
|
|
|
|
### 🛠️ Contribution et Extension |
|
|
|
|
|
Ce projet est une preuve de concept. Nous encourageons les développeurs à étendre **MiRobot** en ajoutant : |
|
|
|
|
|
1. **Actions Supplémentaires :** Ajouter des actions comme "Manger" ou "Dormir" pour que l'agent puisse activement réduire ses états de `Faim` et `Sommeil`. |
|
|
2. **Simulation 2D/3D :** Intégrer un rendu visuel (avec Pygame ou Unity) à la méthode `render()` pour visualiser le chiot se déplaçant dans un espace physique. |
|
|
|
|
|
N'hésitez pas à forker le dépôt sur Hugging Face pour proposer des améliorations \! |
|
|
|
|
|
code exemple d'utilisation |
|
|
|
|
|
``` |
|
|
import gymnasium as gym |
|
|
from stable_baselines3 import PPO |
|
|
from gymnasium import register |
|
|
from huggingface_hub import hf_hub_download |
|
|
import os |
|
|
import sys # Import sys |
|
|
|
|
|
# --- PARAMÈTRES DU DÉPÔT --- |
|
|
REPO_ID = "Clemylia/MiRobot" |
|
|
MODEL_FILE = "mirobot_final_model.zip" |
|
|
ENV_SCRIPT_FILE = "MiRobotEnv.py" |
|
|
ENV_ID = 'MiRobot-v0' |
|
|
|
|
|
# 1. Téléchargement des Fichiers |
|
|
env_path = hf_hub_download(repo_id=REPO_ID, filename=ENV_SCRIPT_FILE) |
|
|
model_path = hf_hub_download(repo_id=REPO_ID, filename=MODEL_FILE) |
|
|
|
|
|
# 2. Chargement de la Classe d'Environnement (MiRobotEnv) |
|
|
# Extract the directory of the downloaded environment script |
|
|
env_dir = os.path.dirname(env_path) |
|
|
# Add this directory to sys.path so Python can find it as a module |
|
|
if env_dir not in sys.path: |
|
|
sys.path.insert(0, env_dir) # Add to the beginning of sys.path |
|
|
|
|
|
try: |
|
|
# No need for exec(f.read()) anymore, as gymnasium.make will handle the import |
|
|
pass |
|
|
except Exception as e: |
|
|
print(f"Erreur lors du chargement de l'environnement: {e}") |
|
|
exit() |
|
|
|
|
|
# 3. Enregistrement de l'Environnement Custom |
|
|
try: |
|
|
register( |
|
|
id=ENV_ID, |
|
|
entry_point='MiRobotEnv:MiRobotEnv', # This will now try to import MiRobotEnv module |
|
|
) |
|
|
except gym.error.UnregisteredEnv: |
|
|
pass # Déjà enregistré |
|
|
|
|
|
# 4. Chargement du Modèle Entraîné (PPO) |
|
|
model = PPO.load(model_path) |
|
|
print("✅ Modèle MiRobot chargé et prêt pour l'inférence.") |
|
|
|
|
|
# 5. Simulation (Inférence) |
|
|
env = gym.make(ENV_ID) |
|
|
obs, info = env.reset() |
|
|
action_map = {0: "S'Arrêter", 1: "Avancer", 2: "Tourner G", 3: "Tourner D"} |
|
|
|
|
|
print("\n--- Démarrage de la Simulation MiRobot ---") |
|
|
for i in range(20): |
|
|
action, _states = model.predict(obs, deterministic=True) |
|
|
obs, reward, terminated, truncated, info = env.step(action) |
|
|
|
|
|
print(f"[Pas {i+1}] Action Choisie: {action_map[action.item()]}") # Fixed: Use .item() to get scalar from numpy array |
|
|
env.render() # Affiche l'état interne de MiRobot |
|
|
|
|
|
if terminated or truncated: |
|
|
obs, info = env.reset() |
|
|
|
|
|
env.close() |
|
|
print("\nSimulation terminée.") |
|
|
``` |
