Page 22 - GESI n°97 // Février 2023

22 // LES OBJETS CONNECTÉS
III. La base de connaissances
Les informations traitées par le système sont classées en deux types. Les informations dites persistantes, liées au domaine d'application, regroupent des données sur la structure de la résidence et les caractéristiques des OC. Le second type concerne les données volatiles constituées, principalement des mesures fournies par les OC et des ordres envoyés aux actionneurs. Les données volatiles sont distribuées dans les agents, alors que les données persistantes sont centralisées dans une ontologie ([6,7]) d’Assistance Ambiante (AA). Elles sont utilisées par le module de traitement pour modéliser et manipuler les ressources de l'environnement ambiant et exécuter les services demandés. Pour traiter les différents types de situations considérées, l’ontologie AA modélise quatre concepts (cf. Figure 4). La catégorie Objet Communicant décrit les caractéristiques et le mode de fonctionnement des OC, la catégorie Être Vivant représente le profil de l'utilisateur et la catégorie Tâche regroupe les tâches et les services que le système est capable de fournir.
Figure 4. Base de connaissances
IV. Mécanisme d’adaptation
Le module de traitement lance la recherche d'une solution lorsqu'il reçoit une demande de service à fournir avec une liste de critères (précision, degré d’urgence...). Nous avons modélisé la notion d’effet, qui généralise la notion de service, pour caractériser les OC. Certains OC (Caméra, détecteur de présence...) aident à la localisation du robot ou de la personne. D’autres, tels qu’un téléphone portable ou un téléviseur, peuvent être utilisés pour l’éclairage d’une zone de la résidence. Cette caractérisation "détourne" parfois les OC de leur fonction usuelle, mais c’est là que réside une partie de la capacité d’adaptation (et donc de l’intelligence) de notre approche. Le SMA s’auto-configure pour fournir une solution en fonction de la disponibilité des OC, de leur capacité à participer à l’obtention de l’effet souhaité et à satisfaire les critères requis pour le service demandé. Pour cela, nous avons utilisé un protocole d’interaction basé sur les coalitions d’agents ([10,11]).
Une coalition est « une alliance momentanée de plusieurs agents dans le but de réaliser un objectif commun ». Le SMA suit un processus, en deux étapes, pour former des coalitions d’agents capables d’obtenir l'effet souhaité. La première étape concerne la formation de coalitions d'agents en fonction de leur capacité à participer. La seconde est une négociation entre les coalitions pour choisir celle(s) qui apporte(nt) la réponse la plus proche de l'effet souhaité.
Le protocole d’interaction utilisé est suffisamment souple pour diversifier le nombre et le type de critères à utiliser pour la formation de coalitions. Le temps de réponse, le voisinage topologique ou l'obsolescence d'une mesure sont utilisés. Lorsqu'aucune coalition n'est trouvée, la recherche est relancée
en relâchant les contraintes sur certains critères. Afin d'illustrer le principe d'adaptation système, revenons au scénario décrit en introduction. La chute d'un patient déclenche une alarme qui active le robot. Avant de se diriger vers la personne, le robot doit se localiser dans la résidence. Les OC fournissent des informations de localisation plus ou moins précises. Le but de la tâche de localisation est de trouver une combinaison des mesures des capteurs pour fournir la meilleure précision possible. Dans notre approche, le robot envoie une demande de localisation en spécifiant les contraintes de précision et de temps. Le SMA déclenche le mécanisme d'adaptation pour répondre à l'effet souhaité. Le processus d'adaptation prend en compte certains critères, dans ce cas la capacité de l'agent, son voisinage et la disponibilité des mesures. En cas d’échec, la précision est dégradée afin d’augmenter les chances qu’une coalition gagnante soit trouvée. Ce qu’il est important de souligner ici c’est la prise en compte de critères liés à l’humain, à savoir, le niveau d'intrusion et le degré d'urgence de la situation. A l'issue de la phase de recherche de coalitions et -seulement, en dernier recours- si aucune coalition n'est gagnante, le niveau d'intrusion du système est augmenté au détriment de la tranquillité du patient. Cela permet l'activation d’OC plus intrusifs (Ex. caméra orientable/mobile) pour acquérir de nouvelles mesures et améliorer les chances d’obtenir une coalition gagnante.
V. Conclusion
L'adaptation est nécessaire pour faire face au caractère dynamique des environnements ambiants. La solution proposée repose sur le choix d'une architecture distribuée et sur des mécanismes de coalitions et de négociation. L'architecture de coopération robot-environnement est composée d’un module de traitement basé sur un système multi-agents, d’une base de connaissances ontologiques et d’une passerelle permettant de gérer l’hétérogénéité des capteurs. L'environnement est composé de plusieurs objets communicants et d’un ou plusieurs robots. Pour répondre à la nécessité d'adaptation au contexte ambiant et à une qualité de service, nous nous sommes appuyés sur la formation de coalitions pour considérer divers critères, tels que le niveau d'inconfort occasionné par le système à la personne. Les résultats de ce travail ont été publiés dans [12].
Bibliographie
1. S. Bahadori, et al., Towards Ambient Intelligence For The Domestic Care Of The Elderly Ambient Intelligence. A Novel Paradigm. Springer New York, 2006.
2. P. Remagnino, et al., Ambient Intelligence A Gentle Introduction. A Novel Paradigm. Springer New York, 2006.
3. P. Hoppenot, J. Boudy, S. Delarue J.L. Baldinger, E. Colle: "Assistance to the maintenance in residence of the handicapped or old people" – JESA Vol. 43- n°3/2009, pp.315-336, 2009
4. A. Andriatrimoson, T. Simonnet, P. Nadrag, P. Hoppenot, E. Colle: "QuoVADis Project: Functionalities of the Robot and Data-Processing Architecture" – AAATE, 31 août-2 septembre, 2009.
5. http://quovadis.ibisc.univ-evry.fr/
6. A. Kivela and E. Hyvonen, "Ontological Theories for the Semantic Web", Semantic Web Kick-Off in Finland, pp. 111-136, May 2002
7. Smith2001 B. Smith and C. Welty. Fois introduction: Ontology-towards a new synthesis. In International Conference on Formal Ontology in Information System, pp 3-9, Maine, USA, 2001. ACM.
8. Gasser L., Ferber J., "Introduction à l'Intelligence Artificielle distribuée et aux systèmes multi-agents", Cours n ° 9 Avignon (Expert systems & their applications), Eleven international workshop on expert systems, Avignon, Mai 1991.
9. Michael Wooldridge. An Introduction to Multiagent Systems. Wiley, Chichester, UK, 2. edition, 2009.
10. M. Sims, C. Goldman, and V. Lesser. Selforganization through bottom-up coalition formation. In Proceedings of the 2nd AAMAS, 2003.
11. T. Scully, M. Madden, and G. Lyons. Coalition calculation in a dynamic agent environment. In Proceedings of the 21st ICML, 2004.
12. Naziha Sendi, Nadia Abchiche-Mimouni, Farida Zehraoui, A new Transparent Ensemble Method based on Deep learning. Dans KES2019.
GESI // 42e ANNÉE