Update README.md

README.md

@@ -7,4 +7,137 @@ tags:
 - Chiot robot
 - Simulation de décisions
 - cerveau d'animaux de compagnie (IA)
----
+---
+
+## 📄 Documentation du Modèle MiRobot
+
+![MiRobot](http://www.image-heberg.fr/files/17604561812362382903.jpg)
+
+### 🤖 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 \!