Time in Planning and Scheduling: Towards a complete and efficient management of heterogeneous and uncertain constraints
Le temps en planification et en ordonnancement. Vers une gestion complète et efficace de contraintes hétérogènes et entachées d'incertitude
Résumé
The IxTeT planning system, dedicated to autonomous robots, relies upon a temporal constraint manager, adressing both symbolic (simple precedence) and numerical (dates and durations) constraints,. Its purpose is to maintain the consistensy of the constraint network and give swift and sound answers to temporal queries made by the planner. Those requirements compel us to use a costly numerical constraint propagation process. Nevertheless, numerical constraints being rather scarce in planning applications, we can restrain this propagation to a numerical subgraph.
Moreover, we must pay attention in planning applications to "contingent" durations, whose values are unpredictable. Such uncertainties lead to a new characterization of the network consistency and to the proposal of a dual temporal model, called the Decision Graph, where we can use classical propagation processes.
A distinct task scheduling application with several robots is presented in the last part. Numerical constraint uncertainty requires allocation of ressources in a sliding short-term horizon, as the execution process run. Fortunately, an application-dependent graph decomposition technique allows us to get very efficient propagation algorithms.
Le planificateur temporel IxTeT, véritable «intelligence embarquée» d'un robot autonome, s'appuie sur un gestionnaire de contraintes temporelles dont le rôle est double: maintenir la cohérence du réseau de contraintes, et répondre rapidement et correctement à une interrogation émanant du planificateur. La prise en compte de contraintes symboliques (simples précédences) et numériques (dates et durées imprécises) oblige alors à une propagation coûteuse des contraintes numériques. Néanmoins, ces dernières étant proportionnellement peu nombreuses en planification, nous pouvons restreindre cette propagation à un sous-graphe numérique. Par ailleurs, nous devons tenir compte en planification de durées «contingentes», dont la valeur est aléatoire. Ces incertitudes nous obligent à redéfinir la notion classique de cohérence, et à nous ramener à un modèle temporel dual, appelé Graphe de Décision, dans lequel nous pouvons utiliser les algorithmes classiques de propagation. Le mémoire s'achève par la présentation d'une application distincte relevant du domaine de l'ordonnancement de tâches pour un ensemble de robots. L'incertitude pesant sur les contraintes numériques oblige ici à allouer les ressources au fur et à mesure de l'exécution. Les caractéristiques propres à l'application suggèrent une décomposition du graphe temporel conduisant à une efficacité optimale des algorithmes de propagation