Environnement informé sémantiquement enrichi pour la simulation multi-agents : application à la simulation en environnement virtuel 3D

HAL Id: tel-02318387

https://tel.archives-ouvertes.fr/tel-02318387

Submitted on 17 Oct 2019

HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.

L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.

environnement virtuel 3D

Thomas Durif

To cite this version:

Thomas Durif. Environnement informé sémantiquement enrichi pour la simulation multi-agents : ap- plication à la simulation en environnement virtuel 3D. Web. Université de Bourgogne, 2014. Français.

�NNT : 2014DIJOS079�. �tel-02318387�

Thèse de Doctorat

n

é c o l e d o c t o r a l e s c i e n c e s p o u r l ’ i n g é n i e u r e t m i c r o t e c h n i q u e s

U N I V E R S I T É D E B O U R G O G N E

Environnement inform ´e

s ´emantiquement enrichi pour la simulation multi-agents.

Application `a la simulation en environnement virtuel 3D.

T ^HOMAS D ^URIF

Thèse de Doctorat

é c o l e d o c t o r a l e s c i e n c e s p o u r l ’ i n g é n i e u r e t m i c r o t e c h n i q u e s

U N I V E R S I T É D E B O U R G O G N E

TH ` ESE pr ´esent ´ee par

T HOMAS D ^URIF

pour obtenir le

Grade de Docteur de l’Universit ´e de Bourgogne

Sp ´ecialit ´e : Informatique

Environnement inform ´e s ´emantiquement enrichi pour la simulation multi-agents.

Application `a la simulation en environnement virtuel 3D.

Unit ´es de Recherche :

Equipe Checksem, Le2i, UMR CNRS 6306, Universit ´e de Bourgogne, ´

Multiagent Group, IRTES-SeT, EA 7274, Universit ´e de Technologie de Belfort-Montb ´eliard Soutenue publiquement le 17 octobre 2014 devant le Jury compos ´e de :

P IERRE G ANC ¸ ARSKI Rapporteur Universit ´e de Strasbourg

R EN E ´ M ANDIAU Rapporteur Universit ´e de Valenciennes

O LIVIER B OISSIER Examinateur ENS Mines de Saint- ´ Etienne

A BDERRAFIAA K OUKAM Examinateur Universit ´e de Technologie de Belfort- Montb ´eliard

C HRISTOPHE N ICOLLE Directeur de th `ese Universit ´e de Bourgogne

N ICOLAS G AUD Co-Encadrant de th `ese Universit ´e de Technologie de Belfort-

Montb ´eliard

R EMERCIEMENTS

Je tiens d’abord `a remercier MM. Ren ´e Mandiau, Professeur des Universit ´es de l’Univer- sit ´e de Valenciennes, et Pierre Ganc¸arski, Professeur des Universit ´es de l’Universit ´e de Picardie Jules Verne, pour l’int ´er ˆet qu’ils ont port ´e `a mon sujet en acceptant de rappor- ter mon travail. Je les remercie pour les diff ´erentes remarques et corrections qu’ils ont sugg ´er ´ees en vue d’am ´eliorer la qualit ´e et la pertinence de ce m ´emoire de th `ese.

Je remercie ´egalement MM. Olivier Boissier, Professeur `a l’ENS de Mines Saint-Etienne, et Abderrafiaa Koukam, Professeur des Universit ´es de l’Universit ´e de Technologie de Belfort-Montb ´eliard, pour avoir accept ´e d’examiner mon travail et de faire partie de mon jury.

Je tiens ´egalement `a remercier mon directeur de th `ese, M. Christophe Nicolle, Professeur des Universit ´es de l’Universit ´e de Bourgogne pour m’avoir accueilli au sein de l’ ´equipe CHECKSEM. Il a su m’initier et me former au travail de chercheur et a dirig ´e cette th `ese en partageant g ´en ´ereusement ses connaissances dans la recherche scientifique. Je lui adresse l’expression de ma sympathie et de ma profonde gratitude. Gr ˆace `a lui, je pourrai moi aussi dire que

je l’ai fait dans ma th `ese

.

Je remercie tr `es chaleureusement mon co-encadrant de th `ese, M. Nicolas Gaud, Maˆıtre de conf ´erences au laboratoire Syst `emes et Transports de l’Universit ´e de Technologie de Belfort-Montb ´eliard, pour tous ses conseils, ses recommandations, son soutien, ses encouragements et pour m’avoir suivi tout au long de cette th `ese.

Mes remerciements s’adressent aussi `a tous les membres de l’ ´equipe CHECKSEM, an- ciens comme nouveaux, que ce soit pour leur aide active ou simplement la bonne hu- meur et l’ambiance conviviale : Ana, Anett, Aur ´elie, Fayrouz, Florence, M ´elodie, Perrine, Val ´eriane, Benjamin, Cl ´ement, Christophe, Christophe, David, Florian, Florian, Florian, Helbert, Henri, Jordan, Laurent, Mahdi, Rafa `el, Romain, Sylvain, Tarcisio, Yoan. Je re- mercie tout particuli `erement M. Florian Orpeli `ere, Ing ´enieur d’ ´etudes au sein de l’ ´equipe CHECKSEM, pour l’apport tant technique que scientifique `a mes recherches.

Je remercie Conseil R ´egional de Bourgogne, qui m’a donn ´e les moyens de r ´ealiser mes recherches.

Merci `a tous ceux qui m’ont aid ´e de pr `es ou de loin afin que je puisse mener `a bien ces travaux de recherche.

Merci `a tous mes proches, pour leur soutien, leurs encouragements, leurs relectures et bien plus.

v

S OMMAIRE

I Contexte 1

1 Introduction 3

1.1 Contexte . . . . 4

1.2 Probl ´ematiques et objectifs de ces travaux . . . . 7

1.3 Description du plan de la th `ese . . . . 9

2 Etat de l’art ´ 11 2.1 Introduction . . . 13

2.2 D ´efinitions et fondamentaux sur les syst `emes multi-agents . . . 13

2.2.1 D ´efinition de la notion d’agent . . . 13

2.2.2 D ´efinition d’un syst `eme multi-agents . . . 14

2.3 D ´efinitions et fondamentaux sur la simulation . . . 15

2.4 La simulation multi-agents . . . 15

2.5 La simulation en environnement virtuel . . . 18

2.6 Comportement d’agent : planification et s ´election d’action . . . 20

2.6.1 S ´election d’action . . . 20

2.6.2 Planification . . . 23

2.6.3 Repr ´esentation de l’environnement et planification . . . 24

2.7 Vers un mod `ele inform ´e de l’environnement . . . 26

2.8 D ´efinitions et fondamentaux sur le web s ´emantique . . . 27

2.8.1 Le World Wide Web . . . 28

2.8.2 D ´efinitions . . . 29

2.8.3 Technologies et Architecture . . . 31

2.9 Les logiques de description . . . 34

2.10 Bases de connaissances `a base de logique de description . . . 37

2.11 D ´efinitions et fondamentaux du raisonnement . . . 40

vii

2.11.1 Raisonnement par d ´eduction . . . 41

2.11.2 Raisonnement par induction . . . 41

2.11.3 Raisonnement par abduction . . . 42

2.11.4 Raisonneur s ´emantique . . . 43

2.12 La s ´emantique appliqu ´ee aux SMA . . . 45

2.12.1 S ´emantique pour l’environnement . . . 46

2.12.2 S ´emantique pour les agents . . . 47

2.13 Conclusion . . . 48

II Environnement inform ´e s ´emantiquement enrichi pour la simulation

multi-agents 49

3 Introduction 51

4 Environnement inform ´e s ´emantiquement enrichi 57

5 M ´ecanismes comportementaux `a base de r `egles 59

6 Conclusion 61

III Application 63

7 Navigation de pi ´etons dans des b ˆatiments en 3D 65

IV Conclusions et Perspectives 67

8 Conclusion 69

9 Perspectives 71

SOMMAIRE ix

V Annexes 75

VI R ´ef ´erences 79

Bibliographie 81

Table des figures 91

Liste des tables 93

I

C ^ONTEXTE

1

1

I NTRODUCTION

Sommaire

1.1 Contexte . . . . 4 1.2 Probl´ematiques et objectifs de ces travaux . . . . 7 1.3 Description du plan de la th`ese . . . . 9

3

1.1/ C ONTEXTE

La mod ´elisation et la simulation de la dynamique de pi ´etons et d’individus, et plus g ´en ´eralement la mod ´elisation du comportement humain et des dynamiques collectives associ ´ees repr ´esentent un challenge th ´eorique majeur pour de nombreuses disciplines scientifiques. Ce type de simulation intervient de plus en plus dans la conception d’outils de formation et d’entraˆınement notamment pour la formation `a la conduite (train, bus, etc.) et la formation des personnels dans les domaines de la d ´efense et de la s ´ecurit ´e. Il intervient ´egalement pour la conception d’outils d’aide `a la d ´ecision et pour l’ ´evaluation de diff ´erents sc ´enarios de planification, d’am ´enagement du territoire ou d’optimisation de r ´eseaux de transports. Ce type de simulation est de plus en plus souvent associ ´e `a une visualisation en deux ou trois dimensions tentant de reproduire le plus fid `element possible le syst `eme r ´eel ´etudi ´e en exploitant la multitude des sources de donn ´ees actuellement disponibles au niveau des syst `emes d’informations g ´eographiques et des diverses bases de donn ´ees associ ´ees.

Deux grandes cat ´egories de simulations d’individus dans des univers virtuels peuvent ˆetre distingu ´ees selon qu’elles cherchent `a atteindre un haut niveau de r ´ealisme com- portemental (simulation pour la s ´ecurit ´e ou les sciences sociales) ou une visualisation de haute qualit ´e (production de films, de jeux vid ´eos, d’outils de r ´ealit ´e virtuelle) [Thal- mann and Musse, 2007]. Dans la premi `ere cat ´egorie, les r ´esultats de simulation sont g ´en ´eralement coh ´erents avec les observations r ´ealis ´ees sur la population r ´eelle et peuvent servir de base `a des ´etudes th ´eoriques pour l’ ´evaluation et la pr ´evision des comportements des individus. Dans la seconde cat ´egorie, les mod `eles de comportement ne sont pas la priorit ´e et ne correspondent pas quantitativement au monde r ´eel. Cepen- dant, les individus sont des personnages en 3D enti `erement anim ´es et les utilisateurs de l’application peuvent avoir un degr ´e ´elev ´e d’interaction avec ces ´el ´ements de la simula- tion. Les recherches et les applications r ´ecentes tendent `a unifier ces deux cat ´egories, en particulier dans le domaine des syst `emes de formation o `u les deux aspects s’av `erent n ´ecessaires pour un apprentissage ou un entraˆınement efficaces.

La simulation multi-agents est l’une des approches les plus ad ´equates pour tenter de reproduire la dynamique de population. Elle se r ´ef `ere aux mod `eles qualifi ´es individus- centr ´es (cf. [Amblard, 2003]) et fournit un outil permettant de mod ´eliser et simuler la dy- namique de populations compos ´ees d’individus en interaction. Ce type de simulation as- simile l’individu `a un agent. La simulation multi-agents a ´et ´e appliqu ´ee `a un grand nombre de domaines tels que la robotique [Drogoul, 1993, Kitano et al., 1997], l’ ´ethologie [Dro- goul and Picault, 1999], l’ ´ecologie et la biologie, ou les sciences sociales [Conte et al., 1998, Gilbert and Troitzsch, 2005].

Le domaine qui nous int ´eresse en premier lieu dans ce manuscrit est la simulation en tant

que support pour le d ´eveloppement d’outils d’aide `a la d ´ecision et plus particuli `erement

d’aide `a l’ ´evaluation de la configuration d’un b ˆatiment et de son ad ´equation `a ses usages.

1.1. CONTEXTE 5

En d’autres termes, l’application `a long terme vis ´ee par nos travaux est la qualification de b ˆatiments en exploitant des techniques d’ ´evaluation bas ´ees sur la simulation multi- agents. L’objectif de cette th `ese n’est ´evidemment pas de d ´evelopper un tel outil, mais de fournir le support th ´eorique qui en facilitera la conception.

La th `ese d ´efendue dans ce manuscrit s’int ´eresse donc plus particuli `erement `a la simu- lation multi-agents appliqu ´ee `a la simulation d’individus dans des b ˆatiments 3D virtuels. Pour ce faire, nos travaux se proposent de capitaliser l’exp ´erience acquise dans le domaine du web s ´emantique sur les ontologies et les moteurs d’inf ´erence associ ´es pour faciliter la conception et le d ´eveloppement de comportements intelligents pour des agents ´evoluant dans des univers virtuels. L’objectif est de fournir aux agents une ap- proche g ´en ´erique pour g ´erer leur repr ´esentation du monde et raisonner sur cette repr ´esentation. Cette th `ese se situe donc `a la crois ´ee de deux domaines th ´eoriques : la simulation multi-agents et plus g ´en ´eralement les syst `emes multi-agents, et le do- maine des ontologies et du web s ´emantique.

La composante applicative des travaux de recherche d ´ecrite dans ce manuscrit constitue cependant une dimension pr ´epond ´erante. Par la suite, nous verrons que la conception d’une simulation multi-agents est un processus long et co ˆuteux, cette th `ese aspire donc

`a optimiser ce processus en int ´egrant diff ´erents standards (notamment ceux du domaine du b ˆatiment : BIM ¹ et IFC ² ) et en proposant une architecture logicielle g ´en ´erique et extensible.

Il est clair que d ´evelopper des comportements intelligents pour des agents passe n ´ecessairement par l’ ´etude des aspects th ´eoriques li ´es `a la notion de raisonnement.

Le raisonnement qualifie tout `a la fois un processus cognitif et les r ´esultats issus de ce processus. La notion de raisonnement constitue l’un des fondamentaux de la philo- sophie depuis ses origines antiques avec Aristote au travers notamment de la science qui lui est d ´edi ´ee : la logique. D `es l’Antiquit ´e, la dualit ´e de la notion de raisonnement en tant que processus et r ´esultat de ce processus est d’ailleurs soulign ´ee. Le domaine de la logique m `ene de front l’ ´etude des processus logiques au travers notamment de la notion d’inf ´erence, qu’elle soit d ´eductive, inductive ou abductive (voire intuitive pour Des- cartes), avec l’examen des objets manipul ´es par ces processus : les faits, l’information ou la connaissance. La notion d’ontologie trouve d’ailleurs ses racines dans cette seconde discipline en se focalisant d’abord sur l’ ´etude de la nature et l’identification des propri ´et ´es du r ´eel et de l’ ˆetre.

De nombreux travaux se sont int ´eress ´es `a l’ ´etude du raisonnement dans le domaine des syst `emes multi-agents et plus g ´en ´eralement de l’intelligence artificielle au travers notam- ment des probl ´ematiques de s ´election d’action, de planification, etc. On peut consid ´erer que l’approche initialement d ´evelopp ´ee dans cette discipline a d’abord ´et ´e centr ´ee sur la vision du raisonnement en tant que processus dans l’id ´ee de d ´evelopper des m ´ecanismes

1. Building Information Model

2. Industry Foundations Classes

mim ´etiques du fonctionnement du cerveaux humain et animal. Ces travaux ont ´et ´e certes f ´econds, cependant apr `es plus de vingt ann ´ee de recherche, il reste difficile d’identifier un standard dans ce domaine. La question de la repr ´esentation de la connaissance demeure une question br ˆulante dans le domaine des syst `emes multi-agents.

A contrario, les chercheurs et les industriels du domaine du web s ´emantique ont adopt ´e ` une approche diff ´erente d’abord centr ´ee sur la connaissance, sur sa repr ´esentation et sur l’identification de m ´ecanismes standards pour la d ´ecrire et l’ ´echanger avant de s’int ´eresser ensuite `a sa manipulation. La litt ´erature s’accorde g ´en ´eralement sur les termes de Gruber pour d ´efinir une ontologie :

sp ´ecification explicite d’une conceptuali- sation partag ´ee d’un domaine

[Gruber, 1993]. Plus de vingt ann ´ees se sont ´ecoul ´ees depuis cette d ´efinition et aujourd’hui la conception d’ontologies est devenue une t ˆache commune. La raison d’ ˆetre d’une ontologie est le partage de la connaissance d’un do- maine. Pour supporter cet ´echange, diff ´erents langages ont ´et ´e propos ´es. Parmi eux, on distingue g ´en ´eralement les langages d’ ´echange d’ontologies sur le Web (RDF ³ et OWL ⁴ ), dont la syntaxe est bas ´ee sur le langage XML, et les langages op ´erationnels qui impl ´ementent les ontologies `a des fins d’inf ´erences (SWRL <sup>5</sup> ), afin de constituer un com- posant d’un syst `eme d’information (graphes, logiques, langues restreintes). Le domaine des ontologies est de plus en plus mature gr ˆace aux outils fournis par la communaut ´e du Web s ´emantique ⁶ . L’implication des industriels et l’explosion de l’Internet ont contribu ´e `a l’ ´etablissement plus rapide de standards internationalement reconnus dans ce domaine pour la repr ´esentation des connaissances, notamment RDF et OWL. Aujourd’hui, ce do- maine s’int ´eresse pleinement `a la notion de raisonnement en tant que processus et de nombreux outils sont d ´esormais disponibles sur le march ´e. Ils ont bien s ˆur b ´en ´efici ´e des travaux qui ont ´et ´e men ´es en intelligence artificielle tout en s’int ´egrant dans les stan- dards qui r ´egissent le web. Cette th `ese s’inscrit donc dans cette approche f ´ed ´eratrice nourrie par les ´echanges mutuels entre les domaines de l’intelligence artificielle et du web s ´emantique.

3. RDF : Dan Brickley [2004]

4. OWL : Working Group [2012a]

5. SWRL : Horrocks et al. [2004]

6. SW - Semantic Web : http://www.w3.org/2001/sw/

1.2. PROBL ´ EMATIQUES ET OBJECTIFS DE CES TRAVAUX 7

1.2/ P ROBL EMATIQUES ET OBJECTIFS DE CES TRAVAUX ´

Dans ce contexte, l’objectif principal de cette th `ese peut ˆetre r ´esum ´e ainsi :

Proposer un mod `ele pour concevoir et d ´evelopper des comportements com- plexes et r ´ealistes pour la simulation multi-agents dans des environnements 3D s ´emantiquement enrichis.

Cet ´enonc ´e peut ˆetre analys ´e de la mani `ere suivante :

Proposer un mod `ele

Pour Le Moigne [1999], la notion de mod `ele est

une repr ´esentation intelligible artifi- cielle, symbolique, des situations dans lesquelles nous intervenons : mod ´eliser c’est `a la fois identifier et formuler quelques probl `emes en construisant des ´enonc ´es, et cher- cher `a r ´esoudre ces probl `emes en raisonnant par des simulations. En faisant fonctionner le mod `ele ´enonc ´e, on tente de produire des mod `eles solutions. Mod ´elisation et simula- tion, r ´eflexion et raisonnements, sont les deux faces ins ´eparables de toute d ´elib ´eration

. Adh ´erant pleinement au raisonnement de Le Moigne [1999], la th `ese d ´efendue dans ce manuscrit s’attache `a fournir une repr ´esentation intelligible de la notion d’environnement au sein d’une simulation afin de faciliter la conception des comportements d’agents ma- nipulant cette repr ´esentation.

pour concevoir et d ´evelopper des comportements complexes et r ´ealistes

Le terme comportement s’int ´eresse aux processus de d ´elib ´eration des agents qui guident la prise de d ´ecision et la d ´etermination des actions qu’ils effectuent et qui mo- difient l’ ´etat de leur environnement. La notion de complexit ´e survient bien ´evidemment lorsque ces comportements s’attachent `a reproduire sous certaines conditions les com- portements observ ´es dans le monde r ´eel. La notion de comportement s’int ´eresse no- tamment `a la d ´etermination de la s ´equence d’actions qui, `a partir de l’ ´etat courant de l’environnement, permettra `a l’agent d’atteindre un ´etat de l’environnement correspon- dant `a ses objectifs personnels. Cette th `ese ne contribue pas directement `a produire de nouveaux mod `eles ou outils pour la conception de comportements mais exploite les moteurs d’inf ´erences s ´emantiques pour faciliter la phase de planification et de s ´election d’action.

pour la simulation multi-agents dans des environnements 3D s ´emantiquement enrichis

L’objectif de la simulation est de faciliter la compr ´ehension de la dynamique d’un syst `eme

et de tenter d’en pr ´edire l’ ´evolution. Notre approche se focalise sur l’une des compo-

santes principales de toute simulation multi-agents : l’environnement. Pour Weyns et al.

[2007], l’environnement est une abstraction de premier ordre qui fournit les conditions g ´en ´erales aux agents pour exister et qui joue le r ˆole d’interface pour supporter les inter- actions entre agents et leur permettre d’acc ´eder aux ressources ⁷ .

Derri `ere cette d ´efinition g ´en ´erique se cachent en fait de multiples repr ´esentations et vi- sions de la notion d’environnement : environnement physique, environnement social, et environnement d’ex ´ecution. Nous nous focalisons principalement sur la dimension phy- sique de l’environnement, l’environnement situ ´e en tant que collection d’objets physiques du monde et ensemble de processus garantissant la dynamique endog `ene de ce monde.

La notion d’environnement physique se r ´ef `ere `a la classe de syst `emes r ´eels ou simul ´es dans laquelle les agents, ainsi que les objets, disposent d’une position explicite et pro- duisent des actions elles-aussi localis ´ees. Notre objectif vise `a enrichir cette description physique de l’environnement en ajoutant une dimension s ´emantique personnalisable et extensible en fonction des objectifs de l’application cibl ´ee. Chaque objet se voit associer une description s ´emantique des actions possibles pour le manipuler et des effets poten- tiels associ ´es. Cette description est adapt ´ee `a la typologie et aux objectifs de l’agent qui la perc¸oit. C’est l’exploitation de cette couche s ´emantique qui permet dans un second temps de contribuer `a faciliter les processus de d ´elib ´eration des agents et la planification de leurs actions pour la satisfaction de leurs objectifs.

Le terme planification prend un sens particulier dans les environnements situ ´es dans lesquels la probl ´ematique de navigation est centrale. De plus, la dimension applicative de cette th `ese est centr ´ee sur la simulation `a l’int ´erieur des b ˆatiments. Notre approche portera donc un int ´er ˆet tout particulier `a l’enrichissement s ´emantique de l’environnement dans l’objectif d’optimiser le comportement des agents face aux probl ´ematiques de pla- nification de chemin et de navigation. Cependant, le mod `ele propos ´e reste g ´en ´erique et applicable `a d’autres approches de planification.

La probl ´ematique centrale pour enrichir s ´emantiquement l’environnement d’une simula- tion multi-agents est la d ´efinition d’une ontologie d ´ecidable mod ´elisant l’ensemble des connaissances contenues dans l’environnement virtuel 3D.

Enfin pour offrir aux agents la possibilit ´e d’exploiter pleinement les moteurs d’inf ´erence s ´emantique, le cœur de la probl ´ematique adress ´ee par cette th `ese vise `a d ´efinir une on- tologie et les r `egles associ ´ees pour mod ´eliser le comportement d’agents mobiles dans un environnement virtuel.

La r ´esolution de ces deux probl `emes nous permettra de disposer d’un environnement de simulation enti `erement repr ´esent ´e sous la forme d’ontologies et de r `egles s ´emantiques, parfaitement ins ´er ´e dans un processus de conception professionnelle du b ˆatiment.

7. “The environment is a first-class abstraction that provides the surrounding conditions for agents to exist

and that mediates both the interaction among agents and the access to resources”.

1.3. DESCRIPTION DU PLAN DE LA TH ` ESE 9

1.3/ D ESCRIPTION DU PLAN DE LA TH ESE `

Apr `es ce bref tour d’horizon des propositions pr ´esent ´ees dans cette th `ese, cette sec- tion introduit le plan de ce manuscrit. Selon les objectifs ´enonc ´es dans la section 1.2, cette th `ese est organis ´ee en quatre parties. Les diff ´erents chapitres qui composent ce document ainsi que leur organisation respective sont r ´esum ´es par la figure 1.1.

F IGURE 1.1 – Plan de la th `ese

La partie I, intitul ´ee Contexte, pr ´esente le cadre de ces travaux de recherche, avec, dans un premier temps l’introduction g ´en ´erale ci-pr ´esente. Et dans un second temps, l’ Etat de ´ l’art est consacr ´e `a la pr ´esentation des ´el ´ements th ´eoriques des deux domaines sous- jacents aux travaux pr ´esent ´es dans cette th `ese, `a savoir les syst `emes multi-agents d’une part, et le domaine du web s ´emantique d’autre part. Les fondamentaux sur les syst `emes multi-agents et `a la simulation multi-agents sont donc introduits avec une attention toute particuli `ere sur la simulation multi-agents en environnement virtuel et les probl ´ematiques associ ´ees. Nous ferons ensuite une courte introduction du web s ´emantique, pr ´esentant les fondements et les technologies de ce dernier.

La partie II, intitul ´ee Environnement inform ´e s ´emantiquement enrichi pour la si- mulation multi-agents, constitue le cœur de notre contribution et pr ´esente le mod `ele d’environnement inform ´e s ´emantiquement enrichi, ainsi que son exploitation pour le d ´eveloppement de comportements de planification et de navigation.

Le chapitre 4, intitul ´e Environnement inform ´e s ´emantiquement enrichi pr ´esente les ´el ´ements mis en place dans la description de l’environnement pour r ´epondre `a la probl ´ematique de l’enrichissement s ´emantique de l’environnement. Il propose une mod ´elisation de l’environnement qui associe `a la fois une repr ´esentation g ´eom ´etrique et une repr ´esentation s ´emantique des objets de l’environnement. Cette mod ´elisation de l’environnement doit ˆetre aussi proche que possible de la r ´ealit ´e de l’environnement phy- sique. Pour cela nous avons fait deux choix :

– nous ins ´erer dans le processus de conception d’un b ˆatiment r ´eel en d ´erivant des ma- quettes num ´eriques du b ˆatiment conc¸ues par les architectes ;

– utiliser une repr ´esentation ontologique de la connaissance du b ˆatiment.

Le chapitre 5, intitul ´e M ´ecanismes comportementaux `a base de r `egles pr ´esente la fac¸on dont nous utilisons cet environnement enrichi afin d’aider le processus de planifica- tion d’agents intelligents en exploitant les m ´ecanismes d’inf ´erences. Ces m ´ecanismes peuvent ˆetre r ´ealis ´es sur des ontologies d ´ecidables `a l’aide de raisonneurs pour repr ´esenter le comportement des agents mobiles au sein de l’environnement.

La partie III, intitul ´ee Application, propose la mise en œuvre des travaux pr ´esent ´es sur l’exemple de l’ ´evacuation de pi ´etons d’un ´etablissement recevant du public.

Enfin, la partie IV, intitul ´ee Conclusions et Perspectives, pr ´esente un bilan des travaux

de recherche d ´ecrits dans cette th `ese et dresse un panorama de quelques-unes des

perspectives possibles afin de guider les travaux futurs et les ´eventuelles extensions des

mod `eles propos ´es.

2

E ´ TAT DE L ’ ART

L ’objectif de ce chapitre est de positionner nos travaux de recherche par rapport

`a l’existant. Nos travaux proposent de faire travailler de concert les domaines de la simulation multi-agents et du web s ´emantique. Ce chapitre est donc une introduction `a ces domaines. Une fois ces deux domaines pr ´esent ´es, nous devrons focaliser notre

´etude sur les probl ´ematiques de chacun pour en identifier les verrous et poser les fondements de notre approche.

Sommaire

2.1 Introduction . . . . 13 2.2 D´efinitions et fondamentaux sur les syst`emes multi-agents . . . . 13 2.2.1 D´efinition de la notion d’agent . . . . 13 2.2.2 D´efinition d’un syst`eme multi-agents . . . . 14 2.3 D´efinitions et fondamentaux sur la simulation . . . . 15 2.4 La simulation multi-agents . . . . 15 2.5 La simulation en environnement virtuel . . . . 18 2.6 Comportement d’agent : planification et s´election d’action . . . . 20 2.6.1 S´election d’action . . . . 20 2.6.2 Planification . . . . 23 2.6.3 Repr´esentation de l’environnement et planification . . . . 24 2.7 Vers un mod`ele inform´e de l’environnement . . . . 26 2.8 D´efinitions et fondamentaux sur le web s´emantique . . . . 27 2.8.1 Le World Wide Web . . . . 28 2.8.2 D´efinitions . . . . 29 2.8.3 Technologies et Architecture . . . . 31 2.9 Les logiques de description . . . . 34 2.10 Bases de connaissances `a base de logique de description . . . . 37 2.11 D´efinitions et fondamentaux du raisonnement . . . . 40 2.11.1 Raisonnement par d´eduction . . . . 41 2.11.2 Raisonnement par induction . . . . 41

11

2.11.3 Raisonnement par abduction . . . . 42

2.11.4 Raisonneur s´emantique . . . . 43

2.12 La s´emantique appliqu´ee aux SMA . . . . 45

2.12.1 S´emantique pour l’environnement . . . . 46

2.12.2 S´emantique pour les agents . . . . 47

2.13 Conclusion . . . . 48

2.1. INTRODUCTION 13

2.1/ I NTRODUCTION

Un syst `eme multi-agents peut ˆetre simplement d ´ecrit comme un syst `eme compos ´e d’un ensemble d’agents, plus ou moins autonomes, ´evoluant et interagissant dans un envi- ronnement. Ces syst `emes sont tr `es souvent utilis ´es pour mod ´eliser des comportements individuels ou plus largement des soci ´et ´es.

Il existe dans le domaine des syst `emes multi-agents de nombreux champs d’ ´etudes li ´es `a la repr ´esentation des agents, `a la repr ´esentation des environnements, ou `a la d ´efinition m ˆeme de types de simulations qui peuvent ˆetre d ´evelopp ´es. Depuis une di- zaine d’ann ´ees, avec le d ´eveloppement du web s ´emantique, de nouveaux mod `eles de repr ´esentation des connaissances ont fait leur apparition : les ontologies. Dans le do- maine des syst `emes multi-agents, le besoin de mod ´eliser, soit les agents soit les environ- nements a donn ´e le jour `a de nouvelles approches int ´egrant ces mod `eles s ´emantiques.

Dans la suite de ce document, nous pr ´esentons tout d’abord un ´etat de l’art du domaine de la simulation multi-agents. Cet ´etat de l’art est articul ´e en deux grandes parties. La premi `ere partie pr ´esente des notions fondamentales (agent, environnement, simulation).

La seconde partie pr ´esente les travaux li ´es `a la repr ´esentation du comportement des agents (la planification et la s ´election d’actions). Ensuite, nous pr ´esentons un ´etat de l’art sur le domaine du web s ´emantique. Dans cette partie nous nous int ´eresserons tout particuli `erement aux ontologies et aux m ´ecanismes de raisonnement associ ´es. Enfin, la derni `ere partie de ce chapitre est un ´etat de l’art sur l’ensemble des travaux qui associent les deux domaines, celui des syst `emes multi-agents et celui du web s ´emantique. Dans cette partie nous identifierons les axes et les contraintes de ce type de combinaison.

2.2/ D ´ EFINITIONS ET FONDAMENTAUX SUR LES SYST EMES MULTI ` -

AGENTS

2.2.1/ D ´ EFINITION DE LA NOTION D ’ AGENT

L’une des d ´efinitions les plus c ´el `ebres de la notion d’agent a ´et ´e formul ´ee par [Russell

and Norvig, 1995], ils consid `erent un agent comme

Tout ce qui peut ˆetre vu comme

percevant son environnement `a l’aide de capteurs et agissant sur cet environnement `a

l’aide d’effecteurs, de fac¸on autonome

. Cette d ´efinition tr `es g ´en ´erale et volontairement

minimaliste dans sa formulation (uniquement) a ´et ´e ´etendue notamment par Ferber pour,

en outre, accentuer l’importance de l’environnement (qui demeurait rarement sp ´ecifi ´e).

Pour [Ferber, 1995],

l’agent est une entit ´e physique ou virtuelle : 1. qui est capable d’agir dans un environnement ;

2. qui peut communiquer directement avec d’autres agents ;

3. qui est m ˆu par un ensemble de tendances (sous la forme d’objectifs individuels ou de fonc- tions de satisfaction, voire de survie, qu’elle cherche `a optimiser) ;

4. qui poss `ede des ressources propres ;

5. qui est capable de percevoir son environnement (mais de mani `ere limit ´ee) ;

6. qui ne dispose que d’une repr ´esentation partielle de cet environnement (et ´eventuellement aucune) ;

7. qui poss `ede des comp ´etences et offre des services ; 8. qui peut ´eventuellement se reproduire ;

9. et dont le comportement tend `a satisfaire ses objectifs, en tenant compte des ressources et des comp ´etences dont elle dispose, et en fonction de sa perception, de ses repr ´esentations et des communications qu’elle rec¸oit.

2.2.2/ D ´ EFINITION D ’ UN SYST EME MULTI ` - AGENTS

La plupart des auteurs s’accordent g ´en ´eralement pour d ´efinir un Syst `eme Multi-Agents (SMA) comme un syst `eme compos ´e d’agents qui communiquent et collaborent pour at- teindre des objectifs sp ´ecifiques personnels ou collectifs. La communication implique l’existence d’un espace partag ´e support de cette communication. Cet espace est g ´en ´eralement qualifi ´e d’Environnement.

Pour [Ferber, 1995, p. 15],

un SMA est un syst `eme compos ´e des ´el ´ements suivants : – un environnement E, c’est- `a-dire un espace disposant g ´en ´eralement d’une m ´etrique ;

– un ensemble d’objets O. Ces objets sont situ ´es, c’est- `a-dire que pour tout objet, il est possible,

`a un moment donn ´e, d’associer une position dans E. Ces objets sont passifs, c’est- `a-dire qu’ils peuvent ˆetre perc¸us, cr ´e ´es, d ´etruits et modifi ´es par les agents ;

– un ensemble A d’agents qui sont des objets particuliers (A ⊆ O), lequel repr ´esente les entit ´es actives du syst `eme ;

– un ensemble de relations R qui unissent des objets (et donc des agents) entre eux ;

– un ensemble d’op ´erations Op permettant aux agents de A de percevoir, produire, consommer, transformer, et manipuler des objets de O ; ¹

– des op ´erateurs charg ´es de repr ´esenter l’application de ces op ´erations et la r ´eaction du monde

`a cette tentative de modification, que l’on appellera les lois de l’univers.

Un SMA est une soci ´et ´e organis ´ee d’agents dans laquelle un certain nombre de ph ´enom `enes peuvent ´emerger comme la r ´esultante des interactions entre les agents ² .

1. Cela correspond, entre autres, `a la facult ´e des agents de percevoir leur environnement, de manger, etc.

2. Cette r ´esultante n’est d’ailleurs pas forc ´ement pr ´edictible.

2.3. D ´ EFINITIONS ET FONDAMENTAUX SUR LA SIMULATION 15

Cette notion d’ ´emergence est essentielle dans les SMA, car c’est l’une des propri ´et ´es majeures qui caract ´erisent leur capacit ´e `a mod ´eliser des syst `emes complexes.

2.3/ D ´ EFINITIONS ET FONDAMENTAUX SUR LA SIMULATION

Shannon [1977] d ´efinit la simulation comme

le processus permettant de concevoir un mod `ele d’un syst `eme r ´eel et de mener des exp ´erimentations sur la base de ce mod `ele pour comprendre le comportement du syst `eme ou ´evaluer diff ´erentes strat ´egies pour son fonctionnement (dans les limites impos ´ees par un crit `ere ou un ensemble de crit `eres)

³ . L’objectif de la simulation est de faciliter la compr ´ehension de la dynamique d’un syst `eme et tenter d’en pr ´edire l’ ´evolution. Satisfaire cet objectif n ´ecessite l’ ´elaboration d’un mod `ele du syst `eme `a ´etudier, son ex ´ecution sur un calculateur et l’analyse des r ´esultats de cette ex ´ecution [Fishwick, 1997].

Le mod `ele de simulation d ´esigne g ´en ´eralement l’ensemble des m ´ecanismes qui g `erent les changements d’ ´etat du syst `eme. Il correspond `a l’ensemble des lois, conditions ou contraintes qui d ´efinissent le comportement du syst `eme, ainsi que la mani `ere dont ses composantes sont agr ´eg ´ees. L’ex ´ecution, quant `a elle, doit faire ´evoluer dans le temps le mod `ele du syst `eme [Coquillard and Hill, 1997]. Pour y parvenir, elle est g ´en ´eralement associ ´ee `a un ensemble d’outils qui constitue le simulateur.

2.4/ L A SIMULATION MULTI - AGENTS

La simulation multi-agents se r ´ef `ere aux mod `eles microscopiques ou qualifi ´es individus- centr ´es (cf. [Amblard, 2003]) et fournit un outil permettant de mod ´eliser et simuler la dynamique de populations compos ´ees d’individus en interaction.

Ce type de simulation assimile l’individu `a un agent. La simulation multi-agents a ´et ´e appliqu ´ee `a un grand nombre de domaines tels que la robotique [Drogoul, 1993, Ki- tano et al., 1997], l’ ´ethologie [Drogoul and Picault, 1999], l’ ´ecologie et la biologie, ou les sciences sociales [Conte et al., 1998, Gilbert and Troitzsch, 2005].

Ces techniques tentent explicitement de mod ´eliser les comportements sp ´ecifiques des individus composant une population. La perspective adopt ´ee se situe au niveau de l’indi- vidu ; la dynamique du syst `eme est issue des interactions entre les individus. La structure du syst `eme est consid ´er ´ee comme ´emergente de ces interactions.

De mani `ere g ´en ´erale, on peut consid ´erer que les techniques de simulation microsco- pique offrent un niveau de pr ´ecision important dans les comportements simul ´es, mais au

3. la citation originelle est : “the process of designing a model of a real system and conducting experi-

ments with this model for the purpose either of understanding the behaviour of the system or of evaluating

various strategies (within the limits imposed by a criterion or a set of criteria) for the operation of the system.”

d ´etriment d’un co ˆut computationnel plus ´elev ´e. En outre, elles n ´ecessitent des donn ´ees pr ´ecises et nombreuses pour leur initialisation, ce qui les rend de fait difficilement appli- cables `a des syst `emes de grande ´echelle. De plus, nous verrons que ces travaux parti- cipent ´egalement `a faciliter cette phase d’initialisation des simulations en exploitant des donn ´ees existantes et d ´ecrites dans un format standard.

Le mod `ele propos ´e par Michel [2004] pour la mod ´elisation et la simulation de syst `emes multi-agents constitue la base pour la conception d’un simulateur multi-agents. Il adopte une approche multi-vues et distingue quatre aspects fondamentaux dans un mod `ele de simulation multi-agents :

– les comportements : cet aspect traite de la mod ´elisation des processus de d ´elib ´eration des agents (leur

esprit

) ;

– l’environnement : ce point de vue vise `a d ´efinir les diff ´erents objets physiques du monde simul ´e (l’environnement situ ´e et le

corps

des agents) ainsi que la dynamique endog `ene de l’environnement ;

– l’ordonnancement : cet aspect concerne la mod ´elisation de l’ ´ecoulement du temps et la d ´efinition de l’ordonnancement utilis ´e pour ex ´ecuter le comportement des agents ; – les interactions : cette vue s’int ´eresse plus particuli `erement `a la mod ´elisation du

r ´esultat des actions et des interactions `a un instant donn ´e.

La figure 2.1 illustre les relations entre ces quatre aspects fondamentaux d’une simulation multi-agents.

F IGURE 2.1 – Les quatre aspects d’un mod `ele de simulation multi-agents Michel [2004]

La mod ´elisation et l’implantation de chacun de ces aspects et de leurs relations sont autant de points d ´elicats qui soul `event les probl ´ematiques suivantes :

– respecter la contrainte de localit ´e : un agent est une entit ´e dont les perceptions et les actions n’ont qu’une port ´ee locale. Deux approches principales existent pour respecter cette contrainte :

– l’approche discr `ete (centr ´ee environnement) o `u la discr ´etisation de l’environnement

sous forme de zones d ´efinit la granularit ´e des perceptions et des actions des agents ;

2.4. LA SIMULATION MULTI-AGENTS 17

– l’approche continue (centr ´ee agent) o `u la port ´ee de chaque perception et de chaque action fait l’objet d’un traitement particulier qui est fonction de la nature et des ca- ract ´eristiques de l’agent concern ´e [Weyns et al., 2004] ;

Ces deux approches peuvent ´egalement ˆetre combin ´ees.

– respecter la contrainte d’int ´egrit ´e environnementale : un agent ne doit pas ˆetre en mesure de modifier directement les variables d’ ´etat de l’environnement ;

– ´eviter de biaiser la simulation et g ´erer la simultan ´eit ´e des actions : pour ´eviter d’introduire des biais dans la simulation, il est n ´ecessaire de disposer d’un mod `ele de gestion de l’action des agents et du temps, qui permet de mod ´eliser la simultan ´eit ´e de deux ´ev ´enements. Un mod `ele de simulation ne doit pas ˆetre li ´e `a une implantation particuli `ere [Zeigler et al., 2000]. L’ordre dans lequel les agents sont activ ´es influe sur la dynamique du syst `eme et peut entraˆıner des biais de simulation.

De mani `ere g ´en ´erale, pour prendre en consid ´eration ces diff ´erentes contraintes et conce- voir des simulations multi-agents, nous adoptons le mod `ele Influence-R ´eaction [Ferber and M ¨uller, 1996, Michel, 2001, 2006, Weyns and Holvoet, 2004].

L’action d’un agent au sein d’une simulation est g ´en ´eralement mod ´elis ´ee comme la trans- formation d’un ´etat global [Ferber, 1995], c’est- `a-dire la modification directe d’une des variables de l’environnement. Le cœur du mod `ele Influence-R ´eaction consiste `a s ´eparer l’action d’un agent de l’effet qu’elle produit. Dans ce mod `ele, un agent produit des in- fluences sur son environnement et non des actions au sens vu pr ´ec ´edemment. L’influence repr ´esente le d ´esir d’un agent de vouloir modifier l’environnement d’une certaine fac¸on.

Le r ´esultat effectif de cette tentative de modification de l’environnement par un agent ne peut ˆetre calcul ´e sans connaˆıtre l’ensemble des influences produites au m ˆeme instant.

Ce mod `ele se base en fait sur la distinction claire entre deux dynamiques qui sont com- bin ´ees dans un syst `eme multi-agents [Michel, 2006] :

1. la dynamique au niveau de l’agent qui produit des influences ;

2. la dynamique au niveau du syst `eme qui calcule la r ´eaction de l’environnement compte tenu de l’ensemble des influences ´emises simultan ´ement. Pour calculer cette r ´eaction, les influences sont consid ´er ´ees en fonction des lois de l’univers [Fer- ber and M ¨uller, 1996].

Adopter le mod `ele Influence-R ´eaction implique ´egalement de distinguer deux compo- santes de l’agent : son corps et son esprit ([Michel, 2004, p. 117-119]). Cette distinc- tion est n ´ecessaire afin de clairement s ´eparer le mod `ele d’environnement du mod `ele du syst `eme. En effet, l’esprit de l’agent est d ´ependant du syst `eme cible alors que son corps est int ´egr ´e au mod `ele d’environnement. Cette distinction esprit/corps correspond

`a la partition entre les variables utilis ´ees par le syst `eme d ´ecisionnel de l’agent, sur les- quelles l’agent dispose d’un contr ˆole total, et les variables li ´ees `a la mod ´elisation de sa partie physique contr ˆol ´ees par l’environnement, sur lesquelles l’agent n’a aucun pouvoir.

La figure 2.2 explicite cette distinction entre l’esprit et le corps d’un agent.

F IGURE 2.2 – Distinction entre l’esprit et le corps d’un agent dans le contexte du principe Influence/R ´eaction [Michel, 2004]

2.5/ L A SIMULATION EN ENVIRONNEMENT VIRTUEL

Deux grandes cat ´egories de simulations d’individus dans des univers virtuels peuvent ˆetre distingu ´ees selon qu’elles cherchent `a atteindre un haut niveau de r ´ealisme de com- portement (simulation pour la s ´ecurit ´e ou les sciences sociales) ou une visualisation de haute qualit ´e (production de films, de jeux vid ´eos, d’outils de r ´ealit ´e virtuelle) [Thal- mann and Musse, 2007]. Dans la premi `ere cat ´egorie, les r ´esultats de simulation sont g ´en ´eralement coh ´erents avec les observations r ´ealis ´ees sur la population r ´eelle et peuvent servir de base `a des ´etudes th ´eoriques pour l’ ´evaluation et la pr ´evision des com- portements des individus. Dans la seconde cat ´egorie, les mod `eles de comportement ne sont pas la priorit ´e et ne correspondent pas quantitativement au monde r ´eel. Cependant, les individus sont des personnages en 3D enti `erement anim ´es et les utilisateurs de l’ap- plication peuvent avoir un degr ´e ´elev ´e d’interaction avec ces ´el ´ements de la simulation.

Les recherches et les applications r ´ecentes tendent `a unifier ces deux cat ´egories, en par-

ticulier dans le domaine des syst `emes de formation o `u les deux aspects sont n ´ecessaires

pour une formation efficace.

2.5. LA SIMULATION EN ENVIRONNEMENT VIRTUEL 19

Thalmann et al. [2009] propose une synth `ese des d ´efis th ´eoriques et pratiques que l’on peut r ´esumer par un ensemble de questions r ´ecurrentes :

1. G ´en ´eration d’individus virtuels : Comment g ´en ´erer une population d’individus poss ´edant des propri ´et ´es physiques h ´et ´erog `enes ? [Braun et al., 2003, Goto et al., 2001, Seo et al., 2002]

2. Animation et mouvements des individus : Comment chaque individu peut-il se d ´eplacer de mani `ere r ´ealiste au sein de l’univers en tenant compte des objets sta- tiques et dynamiques ? Comment les individus formant un groupe peuvent-ils se d ´eplacer de mani `ere coordonn ´ee ? [Anderson et al., 2003, Ashida et al., 2001, Braun et al., 2005, Buisson et al., 2013, Goldenstein et al., 2001, Lamarche and Donikian, 2004, Van den Berg et al., 2008]

3. G ´en ´eration de comportements individuels et collectifs : Comment une popula- tion peut-elle r ´eagir aux changements pouvant survenir dans son environnement ? Comment chaque individu peut il interagir avec ses voisins, et avoir une activit ´e so- ciale avec eux ? [Bouvier et al., 1997, Brogan and Hodgins, 1997, Galland et al., 2009, Hodgins and Brogan, 1994, Musse and Thalmann, 2001, Niederberger and Gross, 2003, Razavi et al., 2011, Reynolds, 1987, 1999, Tu and Terzopoulos, 1994, Ulicny and Thalmann, 2002]

4. Mod ´elisation de l’environnement virtuel : Quels aspects de l’univers (ou de l’en- vironnement virtuel) doivent ˆetre mod ´elis ´es ? Quel mod `ele peut supporter effica- cement l’ensemble des comportements des individus ? Comment g ´en ´erer efficace- ment les perceptions de chaque individu dans l’univers virtuel ? Comment appliquer correctement les actions des individus tout en respectant l’int ´egrit ´e de l’environne- ment ? [Bayazit et al., 2002, Behe et al., 2014a, Demange et al., 2010, Farenc et al., 1999b, Galland et al., 2009, Gaud, 2007, Kallmann et al., 2003, Loscos et al., 2003, Paiva et al., 2005]

5. Interaction avec la population virtuelle : Quelles informations doivent ´echanger un humain r ´eel, immerg ´e dans l’univers virtuel, et la population synth ´etique ? Com- ment mettre en œuvre ces interactions ? Quelle est la m ´etaphore la plus appropri ´ee pour

diriger

la population synth ´etique ? [Farenc et al., 1999a, Ulicny et al., 2004]

6. Affichage des individus dans l’univers virtuel : Comment afficher de nombreux individus anim ´es avec le minimum de latence ? Comment afficher une grande vari ´et ´e d’apparences ? [Aubel et al., 2000, Courty and Musse, 2005, Heras et al., 2005, Loscos et al., 2001, Pettr ´e et al., 2006, Tecchia et al., 2002, Wand and Stras- ser, 2002]

Dans les travaux de recherche que nous avons men ´es dans le cadre de cette th `ese nous nous sommes plus particuli `erement int ´eress ´es au point 3, g ´en ´eration de compor- tements individuels et collectifs et au point 4, mod ´elisation de l’environnement virtuel.

Nous d ´emontrerons dans la suite que la g ´en ´eration du comportement d ´epend tr `es for-

tement de la mod ´elisation de l’environnement virtuel. Nous montrerons qu’au-del `a d’une

simple perception g ´eom ´etrique de l’environnement, les processus de repr ´esentation du comportement au sein d’un syst `eme multi-agents peuvent ˆetre simplifi ´es en ajoutant de la s ´emantique sur l’environnement. Cette s ´emantique sera la base d’une d ´efinition sim- plifi ´ee, mais efficace du comportement des agents sous la forme de r `egles logiques.

Notre volont ´e de repr ´esenter l’environnement sous la forme d’une ontologie mod ´elisant les contraintes m ´etiers du b ˆatiment nous permettra de donner des r ´eponses aux ques- tions identifi ´ees par Thalmann et al. [2009] sur la mod ´elisation de l’environnement virtuel.

2.6/ C OMPORTEMENT D ’ AGENT : PLANIFICATION ET S ELECTION ´

D ’ ACTION

Apr `es avoir d ´efini, dans la section pr ´ec ´edente, les grands principes du domaine de la si- mulation multi-agents, nous concentrons notre ´etude sur le comportement des agents, principalement sur les ´etapes de planification et de s ´election d’actions puis sur la mod ´elisation de l’environnement. La planification fait r ´ef ´erence `a une forme d’organisa- tion dans le temps de la r ´ealisation d’objectifs. Dans notre cas, ces objectifs sont atteints lorsque les agents s ´electionnent les actions ad ´equates `a la satisfaction de l’objectif. Dans la suite de cette section, nous pr ´esenterons tout d’abord la notion de s ´election d’action.

Puis, nous pr ´esenterons la notion de planification. Enfin, nous ´evoquerons l’impact de la repr ´esentation de l’environnement sur la planification.

2.6.1/ S ´ ^{ELECTION D} ’ ^ACTION

La capacit ´e humaine `a s ´electionner une action `a r ´ealiser plut ˆot qu’une autre est com- plexe. Il est possible de s ´eparer les processus d ´ecisionnels en deux groupes distincts.

Cette s ´eparation est r ´ealis ´ee selon que le processus n ´ecessite d’ ˆetre conscient ou pas.

Le premier groupe r ´eunit les syst `emes de processus dits r ´eactifs et le deuxi `eme les syst `emes de processus dits cognitifs.

Syst `emes r ´eactifs

Ces processus pr ´e ´etablis ne font pas directement intervenir de processus conscient. Il s’agit de relier la perception `a l’action sans raisonnement n ´ecessitant une projection dans le temps. Cette premi `ere cat ´egorie de comportements de s ´election d’action correspond

`a des comportements r ´eflexes. Un r ´eflexe est un comportement en r ´eaction `a une si- tuation particuli `ere. Il n’y a pas de m ´ecanisme d ´ecisionnel, il s’agit d’un automatisme.

Ces comportements peuvent avoir ´et ´e appris, mais sont devenus tellement n ´ecessaires et/ou r ´ep ´etitifs qu’il n’y a plus de r ´eflexion pour les produire. Pour mettre en pratique ce comportement, plusieurs syst `emes ont ´et ´e propos ´es.

Les syst `emes de stimuli-r ´eponse correspondent `a la premi `ere g ´en ´eration de mod `eles

2.6. COMPORTEMENT D’AGENT : PLANIFICATION ET S ´ ELECTION D’ACTION 21

permettant de formaliser des comportements r ´eactifs. Ils sont issus de travaux en

´ethologie [Brooks, 1995, Wilhelms and Skinner, 1989] pour lesquels le comportement est consid ´er ´e comme la r ´eponse `a une s ´erie d’interactions directes avec l’environnement.

Cette approche comporte deux points noirs. Le premier est que ce type de syst `eme est apparent ´e `a une boˆıte noire. On sait que c’est une r ´eponse attendue `a un stimulus, mais on ne sait pas pourquoi. De plus, pour chaque modification du comportement, il faut re- faire tout l’apprentissage. Le deuxi `eme probl `eme est la difficult ´e de se retrouver face `a des situations complexes, n ´ecessitant de d ´efinir beaucoup de cas. Le point positif est le fait que l’apprentissage est ais ´e dans les cas pertinents.

Les syst `emes `a base de r `egles permettent de mettre en pratique des r `egles associant une condition `a une action. Il est possible de trouver des syst `emes `a base de r `egles de niveau identique [Laird, 2001, Laird et al., 1987] et des arbres de r `egles [Blumberg, 1996]. Les syst `emes `a base de r `egles p `echent par la difficult ´e de g ´erer la concurrence des r `egles et par l’impossibilit ´e d’exprimer des chaˆınages d’actions dans le cas de r `egles de niveau identique. Par contre, ils sont tr `es simples d’interpr ´etation et d’extension et ils permettent de produire la connaissance d’un comportement global de mani `ere logique.

Les syst `emes `a automates proposent de d ´ecrire le comportement sous la forme d’un en- chaˆınement conditionnel d’actions. Un ´etat de l’automate correspond `a une t ˆache unitaire simple `a son niveau de mod ´elisation, mais qui peut ˆetre subdivis ´ee ou regroup ´ee avec d’autres t ˆaches `a d’autres niveaux de mod ´elisation. Les automates `a pile [Noser and Thalmann, 1998] permettent de mettre en pratique le processus de pile d’ex ´ecution et traitent les comportements de fac¸on s ´equentielle. Les automates parall `eles [Badler et al., 1995] proposent de d ´ecrire des comportements complexes comme ´etant le r ´esultat de l’ex ´ecution de plusieurs automates au comportement plus simple. L’int ´er ˆet des syst `emes

`a automates est la facilit ´e de d ´ecrire des processus n ´ecessitant un enchaˆınement d’ac- tions li ´ees par des conditions pos ´ees. Par contre, il est difficile de produire des compor- tements de m ˆeme complexit ´e afin de rester coh ´erent lors de leur mise en commun.

La table 2.1 propose un r ´ecapitulatif des syst `emes de prise de d ´ecision r ´eactifs pr ´esent ´es.

Les colonnes repr ´esentent :

1. la connaissance globale du comportement 2. la facilit ´e d’interpr ´etation / d’extension

3. la possibilit ´e de mod ´eliser la coh ´erence temporelle d’une suite d’actions

Syst `emes r ´eactifs 1 2 3

stimuli-r ´eponse + – –

`a base de r `egles + + –

`a automates – – +

T ABLE 2.1 – Comparatif des syst `emes de s ´election d’actions r ´eactifs

Syst `emes cognitifs

Les mod `eles de calcul situationnel, propos ´es par McCarthy and Hayes [1968], permettent de d ´ecrire des mondes complexes et les interactions qui peuvent se produire avec ce monde. Cette formalisation consiste `a calculer de potentiels ´etats du monde en fonction de la situation courante. Elle est exprim ´ee par six concepts :

– les situations : l’expression de l’ ´etat du monde `a un instant donn ´e ; – les fluents : une propri ´et ´e modifiable de l’environnement ;

– les causalit ´es : les liens de cause `a effet ;

– les actions : elles permettent de modifier une situation. Elles sont exprim ´ees par une pr ´econdition ( ´etat attendu du monde)et un effet (transformation de la situation) ; – les strat ´egies : il s’agit d’ ´etapes de raisonnement pr ´ed ´efinies ;

– la connaissance : une entit ´e connaˆıt un ´etat du monde ou non ;

Le probl `eme principal de cette approche est la difficult ´e d’exprimer les ´el ´ements de l’en- vironnement qui ne changent pas lors d’une transformation. Scherl and Levesque [2003]

se sont attach ´es `a ce probl `eme en exprimant le probl `eme des fen ˆetres. Tout ce qui n’est pas express ´ement ´enonc ´e par l’effet d’une action reste inchang ´e. De plus, la concurrence des actions est un probl `eme lorsque deux entit ´es effectuent des actions qui influent sur les ´etats du monde utilis ´es par l’une ou l’autre. Cependant, l’atout principal de ce mod `ele est la possibilit ´e de mod ´eliser des syst `emes tr `es complexes.

Le formalisme STRIPS, propos ´e par Fikes and Nilsson [1972], est un sous-ensemble simplifi ´e du calcul situationnel. Les effets des actions sont mod ´elis ´es par deux listes : les faits ajout ´es et les faits retir ´es. Le but est traduit par un ensemble de faits pour une si- tuation donn ´ee. La planification consiste `a trouver la chaˆıne d’actions permettant de faire correspondre la situation au but. Bien qu’il pose toujours un probl `eme de concurrence, ce mod `ele est moins expressif que le calcul situationnel, ce qui apporte des temps de planification r ´eduits, donc une r ´eponse plus rapide.

La planification HTN, propos ´ee par Erol et al. [1994], n’utilise plus un mod `ele plat de faits pour d ´ecrire le monde. Il s’agit de proposer une hi ´erarchie de faits en s’appuyant sur trois concepts. Les t ˆaches sont l’expression des buts. Les m ´ethodes d ´ecrivent une suite d’actions pr ´econditionn ´ees permettant de remplir une t ˆache. Les actions reprennent la d ´efinition propos ´ee par le calcul situationnel avec des pr ´econditions et des effets. La hi ´erarchie a pour objectif la r ´ealisation d’une t ˆache (en haut de la hi ´erarchie). La t ˆache est d ´ecompos ´ee en plusieurs m ´ethodes. Cette d ´ecomposition g ´en `ere un arbre. La base de l’arbre repr ´esente une situation. Un chemin de la base vers le sommet repr ´esente une planification permettant d’effectuer la t ˆache et donc d’atteindre le but. L’int ´er ˆet de cette proposition est la possibilit ´e d’int ´egrer des connaissances m ´etiers avec les m ´ethodes.

Le mode de raisonnement BDI, propos ´e par Bratman [1987], est inspir ´e du raisonnement

humain. BDI, pour Beliefs Desire Intention, est bas ´e sur trois concepts. Les croyances

sont les connaissances g ´en ´erales de l’entit ´e d ´ecisionnaire. Les d ´esirs sont les objec-

2.6. COMPORTEMENT D’AGENT : PLANIFICATION ET S ´ ELECTION D’ACTION 23

tifs. Les intentions regroupent l’ensemble des plans que l’agent choisit pour r ´ealiser ses d ´esirs. D `es la conception, l’agent dispose de plusieurs plans d’action imagin ´es et impl ´ement ´es par le concepteur de simulation. Pour satisfaire un d ´esir, s’il y a plusieurs plans d’actions possibles, alors un m ´ecanisme de s ´election est utilis ´e. Cette approche n ´ecessite de produire des plans d’actions complets au pr ´ealable, ce qui n ´ecessite des connaissances sp ´ecifiques. Par contre, il n’y a pas de raisonnement puisque tout est d ´ej `a pr ´evu, donc cette solution propose un temps de r ´eponse tr `es faible.

Le tableau 2.2 propose un r ´ecapitulatif de syst `emes de prise de d ´ecision r ´eactifs. Les colonnes repr ´esentent :

1. la r ´eactivit ´e au changement de l’environnement ; 2. la capacit ´e `a satisfaire un but ;

3. la mode d’expression d’un but ; 4. la connaissance op ´eratoire.

Syst `emes cognitifs 1 2 3 4

calcul situationnel – + – –

STRIPS – + – –

HTN – – + +

BDI + – + +

T ABLE 2.2 – Comparatif des syst `emes cognitifs de s ´election d’actions

2.6.2/ P LANIFICATION

La planification est l’organisation dans le temps de la r ´ealisation d’objectifs dans un contexte pr ´ecis. Ce contexte correspond `a l’environnement, aux capacit ´es et au savoir de l’entit ´e qui doit planifier. La caract ´eristique principale de la planification est la dimen- sion de chronologie m ˆeme s’il est possible de planifier sans la notion de temps ou de dur ´ee. Des ´ev `enements ou actions peuvent s’enchaˆıner les uns derri `ere les autres sans pour autans ˆetre contraints par une composante de temps. Il existe plusieurs types de pla- nifications suivant les actions `a planifier. La planification de chemins consiste `a trouver un enchaˆınement de d ´eplacements permettant de se rendre d’un point A `a un point B. La planification de mouvements permet de produire une suite logique d’interactions avec l’environnement. La planification de perceptions propose de percevoir et comprendre l’environnement. Enfin, la planification de navigation regroupe les trois autres types de planifications.

Plusieurs approches de la planification sont possibles. La premi `ere consiste `a planifier

sur une situation sp ´ecifique `a un domaine / un cas particulier. Elle est pertinente dans

un univers sp ´ecifique, mais co ˆuteuse en ressources et en d ´eveloppement, car `a chaque

probl `eme doit ˆetre adress ´ee une solution. La deuxi `eme propose de rester en dehors de

toute application concr `ete. Elle est plus difficile `a mettre en pratique, car elle doit rester abstraite, mais cette approche saura s’adapter aux nouvelles situations.

La repr ´esentation classique de la planification se base sur les concepts suivants. Les

´etats sont des atomes logiques vrais ou faux dans un ´etat global de l’environnement. Les actions sont des op ´erateurs permettant de modifier les valeurs des ´etats. Les actions ont des pr ´econditions et des effets. Les pr ´econditions sont l’expression des ´el ´ements n ´ecessaires `a l’ex ´ecution de l’action. Les effets sont les transformations engendr ´ees par les actions. Le domaine correspond `a l’ensemble des actions pouvant s’appliquer au monde. Un probl `eme s’exprime avec un ´etat initial et un objectif `a r ´ealiser `a partir de cet

´etat. Un plan est une solution pour un probl `eme qui consiste en une s ´equence d’actions d ´ecrivant un chemin de l’ ´etat initial du probl `eme `a l’objectif.

Planification hi ´erarchique

La planification hi ´erarchique [Nau et al., 2003] est bas ´ee sur les m ˆemes concepts que la planification classique ( ´etat, action, probl `eme, etc.). Cependant, il ne s’agit pas d’atteindre une situation compos ´ee d’un ensemble d’ ´etats, mais de r ´esoudre un ensemble de t ˆaches.

La planification hi ´erarchique apporte le concept de m ´ethodes permettant de d ´ecouper des t ˆaches en sous-t ˆaches. Ce d ´ecoupage continue jusqu’ `a arriver `a des t ˆaches indivi- sibles, qui sont en g ´en ´eral solvables directement par les actions.

Planification sous hypoth `eses

La planification sous hypoth `eses [Pellier and Fiorino, 2005] consiste `a effectuer des hy- poth `eses permettant d’atteindre l’objectif. Une hypoth `ese est un plan qui m `ene `a l’objectif et qui peut ˆetre r ´ealis ´e selon certaines conditions non existantes. Ces hypoth `eses corres- pondent aux manques de la situation actuelle pour atteindre la situation vis ´ee. Ce type de planification correspond au fait de proposer des plans d’action tout en minimisant la quantit ´e d’hypoth `eses prises en compte, au d ´etriment des ´etats effectifs.

2.6.3/ R ^EPR ESENTATION DE L ´ ’ ENVIRONNEMENT ET PLANIFICATION

Dans la plupart des cas, l’environnement est mod ´elis ´e par de simples g ´eom ´etries sur trois dimensions. Les g ´eom ´etries compl `etes peuvent ˆetre exprim ´ees de fac¸on complexe.

En ce qui concerne les ´el ´ements n ´ecessaires `a la planification, les informations sont filtr ´ees afin d’effectuer les calculs sur un jeu plus restreint d’informations. Ce filtrage per- met de gagner du temps sur les t ˆaches de calcul de planification. Au final, les informa- tions restantes correspondent `a une projection de l’environnement en 2D, comportant les

´eventuels obstacles aux d ´eplacements de l’agent.

La repr ´esentation restante correspond `a l’espace navigable. Dans cet espace, les obs-

tacles sont la plupart du temps mod ´elis ´es par des cylindres englobants afin de faciliter la

d ´etection de collisions [Li and Huang, 2004]. Il reste au final l’espace libre. Il existe deux

familles de repr ´esentation de l’espace libre, toutes deux bas ´ees sur les graphes.

2.6. COMPORTEMENT D’AGENT : PLANIFICATION ET S ´ ELECTION D’ACTION 25

La d ´ecomposition en cellules propose de d ´ecouper l’espace libre en de multiples zones.

Ces zones peuvent ˆetre d ´ecid ´ees de mani `ere approximative ou exacte. Le d ´ecoupage approximatif correspond `a une sectorisation de l’environnement de mani `ere r ´eguli `ere en fonction de figures, le plus souvent carr ´ees [Chestnutt et al., 2003]. Une information est associ ´ee `a chaque cellule permettant de savoir si il est possible de pratiquer la zone pour s’y d ´eplacer. ` A partir de ce marquage, un graphe d’accessibilit ´e est d ´efini et cor- respond aux parcours possibles dans l’environnement. Ce syst `eme est rapide, car le d ´ecoupage est en g ´en ´eral uniforme. N ´eanmoins, en raison de la g ´eom ´etrie fixe des fi- gures de d ´ecoupage, il est possible de perdre de l’espace utilisable. Le d ´ecoupage exact de l’espace libre propose des g ´eom ´etries plus simples, mais il est n ´ecessaire de contre- balancer la pr ´ecision et la taille m ´emoire.

Les cartes de cheminement proposent la d ´efinition d’un graphe de position dans l’en- vironnement dans lequel l’agent ´evolue. Ces positions particuli `eres sont les nœuds du graphe et les chemins entre ces positions sont les arcs du graphe. L’ ´elaboration de cartes de cheminement d ´eterministes repose sur des sommets d ´efinis logiquement. Les arcs sont ajout ´es entre les sommets si un d ´eplacement en ligne droite existe. Le probl `eme de ce type de carte est le nombre de possibilit ´es de cheminement en cas de zones tr `es ouvertes. Par contre, si l’environnement est fortement divis ´e, il est possible de consid ´erer seulement un point de passage par zone. Les cartes de cheminement probabiliste [Pettr ´e et al., 2003] proposent de placer des points de passage al ´eatoirement dans l’espace libre. Comme pour les cartes d ´eterministes, les nœuds sont reli ´es si les points de pas- sage peuvent ˆetre reli ´es en ligne droite. Pour les deux types de cartes, il faut trouver un compromis entre pr ´ecision du d ´eplacement et temps de calcul. En effet, si beaucoup de points de passage sont d ´efinis, le calcul des chemins possibles sera long. Au contraire, si peu de points de passage sont d ´efinis, des zones peuvent rester isol ´ees.

Qu’il s’agisse de la d ´ecomposition de cellules ou des cartes de cheminement, on obtient un graphe repr ´esentant toutes les solutions possibles de d ´eplacement. Avec ce graphe, la planification de chemins consiste `a utiliser des algorithmes de parcours de graphe.

Le parcours du graphe `a la recherche d’un chemin est la plupart du temps r ´esolu avec des algorithmes de plus court chemin. Les arcs sont pond ´er ´es en fonction de l’effort `a fournir pour relier un sommet `a l’autre. Un chemin complet est associ ´e `a la somme des pond ´erations des arcs et la somme la plus basse correspond `a une solution `a privil ´egier.

Nous venons de voir que l’environnement peut ˆetre d ´ecompos ´e en zones repr ´esentant des espaces de vie. Il existe deux approches pour fixer les points de passage entre ces espaces de vie. L’approche probabiliste positionne al ´eatoirement les points de passage.

Cette approche est rapide `a mettre en place, mais implique des temps de calcul plus longs, car elle n’est pas optimis ´ee pour des cas particuliers n ´ecessitant des connais- sances expertes sur le b ˆatiment. L’approche d ´eterministe, o `u des connaissances de l’en- vironnement sont n ´ecessaires pour positionner les points de passage, est plus longue

`a mettre en place, mais permet d’ ˆetre plus fid `ele `a la r ´ealit ´e de l’environnement et plus