La mémoire des décisions relie observations, hypothèses, actions, résultats et erreurs afin d’éviter les répétitions, d’expliquer les choix et de reprendre une mission à partir d’un état connu.
Un environnement observable permet d’inférer l’état utile à partir des mesures disponibles ; un environnement partiellement observable laisse plusieurs états compatibles avec les mêmes observations et exige mémoire, estimation ou action d’information.
Un environnement est partiellement observable lorsque les capteurs ne révèlent pas directement tout l’état utile : obstacles masqués, objets hors champ, bruit et identité incertaine doivent être estimés dans le temps.
Sous incertitude, un système autonome combine plusieurs mesures, estime confiance et risque, puis ralentit, demande une information, replanifie ou s’arrête selon des seuils définis.
Vérifier qu’un agent autonome respecte son domaine de fonctionnement prévu consiste à surveiller contexte, capteurs et conditions, puis à déclencher un mode limité dès qu’une frontière est dépassée.
L’automatisation exécute une procédure définie, l’autonomie choisit certaines actions selon la situation, et la téléopération laisse un humain commander à distance.
Permettre à un humain de reprendre une décision autonome demande un canal d’intervention clair, un état compréhensible, une transition prévisible et une confirmation que la reprise a réussi.
Rendre une décision autonome traçable consiste à conserver observation, version du modèle, règles actives, action choisie, incertitude et résultat.
Quand la perception est incertaine, le robot doit ralentir, recueillir une mesure supplémentaire, choisir une action plus conservatrice ou demander une intervention.
Une décision robotique hiérarchise d’abord les contraintes non négociables, puis les règles de sécurité et enfin les objectifs de service ou d’efficacité.
Pour choisir entre plusieurs actions, un robot compare leur utilité, leurs contraintes, leur risque et les informations disponibles, puis garde une solution de repli.
Quand un robot ne voit pas tout son environnement, il combine mémoire, modèle et nouvelles mesures pour estimer ce qui est caché, puis adapte sa vitesse ou demande une confirmation.