HAL Id: tel-01988405
https://tel.archives-ouvertes.fr/tel-01988405
Submitted on 21 Jan 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.
Contribution à une modélisation globale de la collaboration dans les systèmes multi-agents :
Application aux entités mobiles intelligentes
Laurent Lucien
To cite this version:
Laurent Lucien. Contribution à une modélisation globale de la collaboration dans les systèmes multi- agents : Application aux entités mobiles intelligentes. Intelligence artificielle [cs.AI]. Université Bour- gogne Franche-Comté, 2018. Français. �NNT : 2018UBFCD039�. �tel-01988405�
TH `ESE DE DOCTORAT DE L’ ´ETABLISSEMENT UNIVERSIT ´E BOURGOGNE FRANCHE-COMT ´E PR ´EPAR ´EE `A L’UNIVERSIT ´E DE FRANCHE-COMT ´E
Ecole doctorale n°37´
Sciences Pour l’Ing ´enieur et Microtechniques
Doctorat d’Informatique
par
LAURENT
LUCIEN
Contribution `a une mod ´elisation globale de la collaboration dans les syst `emes multi-agents. Application aux entit ´es mobiles intelligentes
Th `ese pr ´esent ´ee et soutenue `a Besanc¸on, le 9 novembre 2018 Composition du Jury :
BOUQUETFABRICE Professeur, Universit ´e de Franche-Comt ´e Pr ´esident du jury AMBLARDFRED´ ERIC´ Professeur, Universit ´e de Toulouse 1
Capitole
Rapporteur MANDIAU RENE´ Professeur, Universit ´e Polytechnique
Hauts de France
Rapporteur ELFAOUZINOUR-EDDIN Directeur de Recherche, IFSTTAR Examinateur SOCOLIUCMIHAI Responsable des Communaut ´es
Scientifiques, Groupe PSA
Examinateur PHILIPPELAURENT Professeur, Universit ´e de Franche-Comt ´e Directeur de th `ese LANGCHRISTOPHE Maˆıtre de Conf ´erences, Universit ´e de
Franche-Comt ´e
Encadrant de th `ese MARILLEAU NICOLAS Ing ´enieur de Recherche HDR, Institut de
Recherche pour le D ´eveloppement
Encadrant de th `ese
N◦ X X X
écol e doctoral esciences pour l ’ingénieur et microtechniques
Universit ´e Bourgogne Franche-Comt ´e 32, avenue de l’Observatoire 25000 Besanon, France
Titre : Contribution `a une mod ´elisation globale de la collaboration dans les syst `emes multi-agents.
Application aux entit ´es mobiles intelligentes
Mots-cl ´es :Syst `emes multi-agents, Collaboration, Architecture hybride, GAMA R ´esum ´e :
Nous vivons aujourd’hui dans un monde de plus en plus complexe et interconnect ´e o `u de nombreuses entit ´es, de plus en plus intelligentes, g ´en `erent une multitude d’interactions qui peuvent contribuer `a enrichir leurs capacit ´es.
Nous nous int ´eressons `a la collaboration qui favorisera la r ´ealisation de t ˆaches complexes par ces machines d’aujourd’hui et de demain en stimulant ces interactions structur ´ees et en int ´egrant des processus de d ´ecisions intelligents. Par ce biais, cela contribuera `a am ´eliorer leur fonctionnement et pourra participer `a leur perfectionnement (meilleures connaissances de leur environnement, rapidit ´e d’action et de d ´ecision, apport de nouvelles comp ´etences).
L’objectif principal de la th `ese est donc de contribuer
`a la compr ´ehension de ce qu’est la collaboration, de sa d ´efinition `a sa mise en œuvre, en
mettant en lumi `ere ses concepts sous-jacents. Nous proposons une m ´ethode d’analyse du besoin et des contraintes ainsi qu’un mod `ele d’architecture d’agent collaboratif (HACCA) permettant d’int ´egrer toutes les caract ´eristiques des processus collaboratifs que nous pr ´esentons. Nous pr ´esentons ´egalement une premi `ere impl ´ementation dans la plateforme multi- agents GAMA.
Dans le cadre de cette ´etude, nous nous int ´eressons
`a deux cas d’application d’entit ´es mobiles : les drones et les v ´ehicules connect ´es.
Ainsi nous contribuons ´egalement plus largement aux besoins d’autonomie et de d ´ecision des drones, des v ´ehicules connect ´es et autonomes du futur, dans un contexte temporel contraint o `u la qualit ´e des interactions est primordiale pour optimiser le processus de r ´ealisation des objectifs.
Title: Contribution `a une mod ´elisation globale de la collaboration dans les syst `emes multi-agents.
Application aux entit ´es mobiles intelligentes
Keywords:Multiagent systems, Collaboration, Hybrid architecture, GAMA Abstract:
We live today in an increasingly complex and interconnected world where many entities, increasingly intelligent, generate a multitude of interactions that can contribute to enrich their capabilities.
We are interested in collaboration that will enable complex tasks to be performed by these machines of today and tomorrow by stimulating these structured interactions and integrating intelligent decision- making processes. In this way, it will contribute to improve their functioning and will be able to participate in their improvement (better knowledge of their environment, speed of action and decision- making, provision of new skills).
The main objective of the thesis is therefore to contribute to the understanding of what collaboration is, from its definition to its implementation, by
highlighting its underlying concepts. We propose a method of analysis (needs and constraints) and a collaborative agent architecture model (HACCA) to integrate all the characteristics of the collaborative processes that we present. We are also showing a first implementation in the GAMA multi-agent platform.
As part of this study, we are interested in two cases of application of mobile entities: drones and connected vehicles.
Thus we also contribute more to the autonomy needs and decision-making process of drones, connected and autonomous vehicles of the future, in a constrained temporal context where the quality of interactions is essential to optimize the process of achieving objectives.
R EMERCIEMENTS
C
E fut ´evidemment un cheminement long et tortueux, six ann ´ees avec ses hauts et ses bas, ses doutes et ses h ´esitations, ses frustrations et ses joies immenses mais ce fut ´egalement une exp ´erience tellement enrichissante, tant au niveau personnel que professionnel, avec cette volont ´e de se d ´epasser pour se montrer `a la hauteur de ce challenge. N ´eanmoins il est clair que la difficult ´e de concilier le travail au quotidien et les activit ´es de recherche en parall `ele a souvent mis `a mal ma motivation et ma production scientifique.Evoluant dans le monde industriel, cette exp ´erience m’a aid ´e `a mieux appr ´ehender le monde universitaire. J’ai d ´esormais une meilleure vision des passerelles potentielles entre ces univers mais j’y vois aussi toutes les difficult ´es de mise en œuvre car il y a plusieurs niveaux de compr ´ehension, des temporalit ´es diff ´erentes (temps court pour l’in- dustrie, temps long pour la recherche universitaire) et deux finalit ´es diff ´erentes (trouver une rentabilit ´e imm ´ediate vs. faire progresser la science).
Je tiens donc `a remercier tr `es chaleureusement toutes les personnes que j’ai pu rencon- trer tout au long de ces ann ´ees et qui m’ont aid ´e `a passer ce moment de mon existence :
— Merci `a mes encadrants, Laurent Philippe, Christophe Lang et Nicolas Marilleau pour leur accompagnement et leurs remarques toujours constructives ;
— Merci `a tous mes coll `egues du laboratoire (notamment Alban, Louis-Claude et Julien) pour les discussions parfois enflamm ´ees et leurs conseils.
Je remercie tout particuli `erement mon entreprise, le groupe PSA, pour l’opportunit ´e qu’elle m’a offerte et le soutien financier :
— Merci `a Mihai Socoliuc pour son aide pr ´ecieuse et sa confiance sans faille ;
— Merci `a Jean-Pierre Dumoulin, Bruno Muller, Gilles Feuntun, Bertrand Leinen et Christophe Prigent de m’avoir laiss ´e le temps n ´ecessaire `a la concr ´etisation de ce projet.
Bien ´evidemment, j’exprime aussi ma tr `es grande gratitude `a l’ ´egard de ceux qui m’ont fait l’honneur de lire mon travail et de participer au jury :
— Merci au pr ´esident du jury, Fabrice Bouquet ;
— Merci `a mes rapporteurs, Fr ´ed ´eric Amblard et Ren ´e Mandiau ;
— Merci `a mes examinateurs, Nour-Eddin El Faouzi et Mihai Socoliuc.
Merci ´egalement `a tous mes amis et `a ma famille qui m’ont soutenu et rassur ´e pendant mes phases de doute ainsi qu’ `a toutes celles et ceux, enfin, que j’aurais malheureuse- ment oubli ´es ici tant il est difficile de citer tout le monde.
A ma m `ere qui doit ˆetre fier de son rejeton o `u qu’elle soit,
A mon fils Killian, pour lui prouver qu’il n’y a pas d’ ˆage pour faire des ´etudes, A ma femme Rut que j’aime...
v
S OMMAIRE
0.1 Introduction g ´en ´erale . . . 1
0.2 Contexte . . . 2
0.3 Objectifs de la th `ese . . . 2
0.4 Questions de recherche . . . 3
0.5 Plan de la th `ese . . . 4
0.5.1 Partie 1 : Syst `emes multi-agents et Collaboration . . . 4
0.5.2 Partie 2 : HACCA (Hybrid Architecture for Collaborative Communi- cating Agent), Analyse et Conception . . . 4
0.5.3 Partie 3 : Instanciation, Impl ´ementation et Exp ´erimentations . . . 5
I Syst `emes multi-agents et Collaboration 7 1 Syst `emes multi-agents 11 1.1 Concepts et d ´efinitions . . . 11
1.1.1 D ´efinitions d’un syst `eme multi-agents . . . 11
1.1.2 D ´efinitions d’un agent . . . 14
1.1.3 Principales propri ´et ´es . . . 15
1.1.4 Organisation . . . 16
1.2 Taxonomie . . . 17
1.2.1 Types d’agent . . . 18
1.2.1.1 Agent cognitif . . . 18
1.2.1.2 Agent r ´eactif . . . 19
1.2.1.3 Agent hybride . . . 20
1.2.2 Classification . . . 21
1.3 Principales plateformes . . . 22
1.4 Ce qu’il faut retenir . . . 23
2 Collaboration g ´en ´erale 27 2.1 Avant propos . . . 27
2.2 Collaborer ou coop ´erer ? . . . 28 vii
viii SOMMAIRE
2.3 Autres approches . . . 29
2.3.1 Dans le monde du travail . . . 29
2.3.2 Dans le monde de l’ ´education et de l’apprentissage . . . 31
2.4 Cycle de la collaboration . . . 33
2.5 Ce qu’il faut retenir . . . 34
3 Collaboration dans les SMA 37 3.1 D ´efinitions . . . 38
3.2 Cycle de la collaboration . . . 39
3.2.1 Intentions . . . 39
3.2.2 Interactions . . . 40
3.2.3 Communication . . . 42
3.2.4 Coordination . . . 45
3.2.5 N ´egociations . . . 46
3.2.6 Organisations . . . 49
3.3 Architectures . . . 50
3.4 Ce qu’il faut retenir . . . 51
4 Drones et V ´ehicules connect ´es 53 4.1 Drones . . . 53
4.1.1 Qu’est-ce qu’un drone ? . . . 53
4.1.2 Diff ´erents types de drones . . . 54
4.1.3 Domaines d’utilisation et enjeux . . . 55
4.1.4 Drones et collaboration . . . 56
4.1.5 Limites actuelles . . . 57
4.2 V ´ehicules connect ´es . . . 57
4.2.1 Quelques d ´efinitions . . . 57
4.2.2 Niveaux d’autonomie . . . 58
4.2.3 Propositions des constructeurs . . . 60
4.2.4 Enjeux . . . 61
4.2.5 Quelques verrous . . . 62
4.2.6 Limites actuelles . . . 63
4.3 Ce qu’il faut retenir . . . 64
II HACCA (Hybrid Architecture for Collaborative Communicating
SOMMAIRE ix
Agent) : Analyse et Conception 67
5 Analyse et verrous 69
5.1 Analyse . . . 69
5.1.1 Cadre d’application . . . 69
5.1.2 Probl ´ematiques . . . 70
5.1.3 Pistes de r ´eflexion . . . 72
5.2 Verrous . . . 72
5.2.1 M ´ethode d’analyse . . . 73
5.2.2 Architecture . . . 73
5.2.2.1 Repr ´esentation du monde . . . 73
5.2.2.2 Organisation des donn ´ees . . . 74
5.2.2.3 Gestion des comportements . . . 75
5.2.2.4 Gestion des communications et des protocoles . . . 76
5.3 Exemple Fil rouge . . . 76
5.3.1 Pr ´esentation . . . 76
5.3.2 Impl ´ementation NetLogo . . . 77
5.4 Ce qu’il faut retenir . . . 80
6 Collaboration : d ´efinition, qualification 83 6.1 Caract ´erisation g ´en ´erale . . . 84
6.1.1 D ´efinition . . . 84
6.1.2 Questionnement . . . 84
6.1.3 Formalisation . . . 85
6.2 Gradient de collaboration : Caract ´erisation fonctionnelle . . . 87
6.2.1 Compl `ete . . . 87
6.2.2 Partielle . . . 88
6.2.3 Altruiste . . . 89
6.2.4 Forc ´ee . . . 90
6.2.5 Induite . . . 90
6.2.6 Synth `ese . . . 91
6.3 Types de Collaboration : Caract ´erisation technique . . . 91
6.3.1 Locale ou distante . . . 92
6.3.2 Synchrone ou asynchrone . . . 93
6.3.3 Formelle ou informelle . . . 94
6.3.4 Synth `ese . . . 94
x SOMMAIRE
6.4 Description du processus . . . 94
6.4.1 D ´eclencheur . . . 97
6.4.2 Dialogue . . . 97
6.4.3 Mise en œuvre . . . 98
6.4.4 Capitalisation . . . 99
6.5 Influence du gradient sur les algorithmes . . . 100
6.6 Ce qu’il faut retenir . . . 101
7 M ´ethode d’analyse 105 7.1 D ´emarche . . . 106
7.2 Pr ´esentation du cas d’application . . . 107
7.3 Premi `ere it ´eration : Analyse du probl `eme et caract ´erisation . . . 107
7.3.1 Donn ´ees manipul ´ees . . . 107
7.3.2 Comportements . . . 108
7.3.3 Interactions . . . 108
7.3.4 Collaborations . . . 109
7.3.5 Constat . . . 109
7.4 Deuxi `eme it ´eration : Am ´elioration des comportements . . . 109
7.4.1 Donn ´ees manipul ´ees . . . 110
7.4.2 Comportements . . . 110
7.4.3 Interactions . . . 111
7.4.4 Collaborations . . . 111
7.4.5 Constat . . . 112
7.5 Troisi `eme it ´eration : Optimisation . . . 114
7.5.1 Donn ´ees manipul ´ees . . . 114
7.5.2 Comportements . . . 114
7.5.3 Interactions . . . 114
7.5.4 Collaborations . . . 115
7.5.5 Constat . . . 115
7.6 Formalisation . . . 115
7.7 Ce qu’il faut retenir . . . 117
8 HACCA 119 8.1 Architecture g ´en ´erale . . . 119
8.1.1 Constat et justification . . . 120
8.1.2 Mod `ele conceptuel . . . 120
SOMMAIRE xi
8.1.3 Principes de fonctionnement . . . 121
8.2 Description d ´etaill ´ee . . . 122
8.2.1 Modules de perception et d’action . . . 123
8.2.2 Module d’enregistrement des donn ´ees . . . 123
8.2.3 Trois couches de traitement . . . 123
8.2.4 R `egles de comportement . . . 124
8.2.5 Connaissances de l’agent . . . 126
8.2.6 Communications . . . 128
8.3 Cin ´ematique et exemple d’application . . . 129
8.4 Ce qu’il faut retenir . . . 132
III Instanciation, Impl ´ementation et Exp ´erimentations 135 9 Instanciation du mod `ele urbain 137 9.1 Scenario . . . 137
9.1.1 Discussion pr ´ealable . . . 137
9.1.2 Description . . . 138
9.2 M ´ethode d’analyse . . . 139
9.2.1 Analyse du probl `eme et caract ´erisation . . . 139
9.2.2 Am ´elioration des comportements . . . 140
9.2.3 Optimisation . . . 143
9.3 Synth `ese . . . 144
9.3.1 Comportements . . . 144
9.3.2 Connaissances . . . 145
9.4 Ce qu’il faut retenir . . . 146
10 Impl ´ementation et exp ´erimentations du mod `ele urbain 147 10.1 Modeleur GAMA . . . 147
10.1.1 Justification du choix . . . 148
10.1.2 Pr ´esentation g ´en ´erale . . . 148
10.1.3 Concepts retenus . . . 149
10.2 Impl ´ementation . . . 149
10.2.1 But de la mod ´elisation . . . 150
10.2.2 Entit ´es, Variables d’ ´etat, Echelles . . . 150
10.2.3 Revue des processus . . . 150
xii SOMMAIRE
10.2.4 Concepts d’impl ´ementation . . . 151
10.3 Exp ´erimentations . . . 153
10.4 Difficult ´es . . . 153
10.5 Ce qu’il faut retenir . . . 154
11 Conclusion et Perspectives 157 11.1 Conclusion g ´en ´erale . . . 157
11.2 Perpectives . . . 158
11.2.1 Dans le domaine des syst `emes multi-agents . . . 158
11.2.2 Dans le monde r ´eel . . . 159
I NTRODUCTION
0.1/ I
NTRODUCTION GEN´
ERALE´
Nous vivons aujourd’hui dans un monde de plus en plus complexe et interconnect ´e, en pr ´esence de nombreux objets ou entit ´es ´electroniques, de plus en plus intelligentes. C’est que nous appelons souvent les objets connect ´es du quotidien (montre, r ´efrig ´erateur, etc).
Que ce soit en domotique ou en robotique, nous sommes confront ´es `a cette avalanche d’objets qui font partie d’un tout que nous nommons maintenant l’Internet des Objets (Internet of Things ou IoT).
Ce nouveau monde des objets intelligents commence `a g ´en ´erer une multitude d’interac- tions. En effet, tous ces objets ´evoluent dans un m ˆeme environnement (ou espace phy- sique) et adressant des fonctionnalit ´es vari ´ees, ils peuvent ˆetre amen ´es `a se rencontrer sur des domaines fonctionnels connexes avec la n ´ecessit ´e de partager des informations.
Ces interactions pourront contribuer `a enrichir les possibilit ´es de ces objets soit en leur apportant des informations compl ´ementaires pour mieux adapter leur comportement, soit en cr ´eant via un r ´eseau d’interactions, un fonctionnement plus int ´egr ´e de diff ´erents appa- reils pour former un environnement technologique coh ´erent pouvant proposer des offres de services adapt ´es. Par exemple, un r ´efrig ´erateur connect ´e d ´etectant le manque pro- chain d’un aliment cherchera `a interagir avec un site de supermarch ´e en ligne. Deuxi `eme exemple, dans la maison, un d ´etecteur de pr ´esence (pouvant ˆetre associ ´e `a une cam ´era) pourra piloter l’ouverture ou la fermeture des volets roulants ainsi que le syst `eme de chauffage ou de climatisation en fonction de l’heure de la journ ´ee, de l’occupant et de ses habitudes pour adapter l’environnement de vie.
Il y a donc une n ´ecessit ´e imp ´erieuse de communiquer. Pour que les informations soient
´echang ´ees, il faut le faire avec des dispositifs adapt ´es incluant des moyens ´electroniques, informatiques et des protocoles pour se comprendre. Des strat ´egies sont `a mettre en œuvre pour pouvoir organiser ces ´echanges et pour favoriser une communication efficace entre entit ´es. Cela passe par l’organisation des donn ´ees, la d ´efinition des protocoles de cr ´eation et de suivi des ´echanges.
Afin de pouvoir g ´erer efficacement ces ´echanges structur ´es dans cette multitude d’inter- actions, il faut optimiser les performances des entit ´es individuellement et collectivement.
En effet, l’objectif est d’am ´eliorer l’efficacit ´e propre de l’entit ´e, sa capacit ´e `a effectuer son travail. Se faisant, des interactions mieux organis ´ees constituent l’une des cl ´es d’un syst `eme plus stable, plus efficace.
Toutes ces interactions pourront, le cas ´ech ´eant et en fonction du type d’objet, per- mettre ´egalement l’extension des capacit ´es et des possibilit ´es via l’ ´echange d’informa- tions contextualis ´ees. En effet, au fur et `a mesure des communications, il sera possible d’am ´eliorer par apprentissage le syst `eme de connaissances propres de l’objet pour qu’il puisse proposer un service mieux cibl ´e et plus efficace, prenant en compte l’environne- ment complet.
1
2 SOMMAIRE
La collaboration ou plus prosa¨ıquement les processus collaboratifs pourront, en structu- rant les ´echanges autour d’un objectif commun accept ´e et partag ´e, ˆetre utilis ´es pour fa- voriser cette am ´elioration g ´en ´erale de l’efficacit ´e d’ex ´ecution et de traitement des entit ´es
´evoluant dans ce syst `eme complexe que constitue le monde connect ´e qui nous entoure.
0.2/ C
ONTEXTEComme ´evoqu ´e dans l’introduction g ´en ´erale, les objets connect ´es deviennent de plus en plus intelligents et pr ´esents dans notre environnement quotidien. Ce sont des entit ´es (mobiles ou non) qui tendent `a devenir totalement autonomes et devant faire face `a des situations complexes d’une grande diversit ´e pour ´evoluer correctement et accomplir leur mission. Il est donc int ´eressant d’ ´etudier pratiquement comment des processus collabo- ratifs pourront contribuer `a am ´eliorer leur fonctionnement.
Dans le cadre de cette ´etude, nous allons nous int ´eresser `a deux cas d’application d’en- tit ´es mobiles : les drones et les v ´ehicules connect ´es.
Drones
De jour en jour, nous pouvons observer l’av `enement de ces appareils volants, roulants et flottants, pouvant remplir des missions diverses d’observation ou d’intervention sans mettre en p ´eril l’ ˆetre humain ou tout simplement, pour l’aider `a prendre des d ´ecisions.
D’abord pilot ´es, ces drones sont de plus en plus automatis ´es et doivent donc, notamment dans le cadre de missions ´eloign ´ees de l’op ´erateur humain, prendre des d ´ecisions de plus en plus complexes. Nous sommes `a la crois ´ee de plusieurs domaines scientifiques : sciences sociales, sciences cognitives, sciences de l’information, robotique, etc.
V ´ehicules connect ´es
Autre cas d’application, les v ´ehicules connect ´es (communicants et `a terme totalement au- tonomes), v ´eritable enjeu ´economique et technique du moment, repr ´esentent, `a l’instar des drones, un d ´efi technologique et informatique majeur. La course actuelle `a l’auto- matisation des d ´eplacements sans intervention humaine repose la question de la prise de d ´ecisions en milieu ouvert o `u les interactions avec l’environnement rendent parfois difficile la caract ´erisation de celui-ci et donc le jugement sur les actions n ´ecessaires `a accomplir.
0.3/ O
BJECTIFS DE LA THESE`
Nous pensons que les processus collaboratifs aideront `a favoriser la r ´ealisation de t ˆaches complexes par ces machines d’aujourd’hui et de demain en stimulant des interactions structur ´ees et en int ´egrant des processus de d ´ecisions intelligents. Par ce biais, cela contribuera `a am ´eliorer leur fonctionnement et pourra participer `a leur perfectionnement (meilleures connaissances de leur environnement, rapidit ´e d’action et de d ´ecision, apport de nouvelles comp ´etences). Nous utiliserons les syst `emes multi-agents car cela nous semblent un outil id ´eal pour mod ´eliser ce type d’entit ´es au sein d’un environnement. De plus, nous pourrons faire le parall `ele entre des syst `emes multi-agents simul ´es et r ´eels.
Cependant cela passe tout d’abord par un ´etat des lieux contextualis ´ede l’existant, tant au niveau agent qu’au niveau de la collaboration dans sa d ´efinition g ´en ´erale. Cette ana-
0.4. QUESTIONS DE RECHERCHE 3
lyse contribue `a justifier notre point de vue sur la collaboration et de poser notred ´efinition.
Il en d ´ecoule une liste deverrous scientifiquesdans le cadre d’application que nous avons choisi. Puis cela nous am `ene `a proposer notremod `ele d’architecture d’agentint ´egrant les contraintes d’ex ´ecution que nous exp ´erimentons afin d’en tester la validit ´e.
L’objectif principal de la th `ese est donc de contribuer `a la compr ´ehension de ce qu’est la collaboration dans le contexte des entit ´es mobiles intelligentes et autonomes, de sa d ´efinition `a sa mise en œuvre, en mettant en lumi `ere ses concepts sous-jacents. Ainsi nous contribuerons plus largement aux besoins d’autonomie et de d ´ecision des drones, des v ´ehicules connect ´es et autonomes du futur, dans un contexte temporel contraint o `u la qualit ´e des interactions est primordiale pour optimiser le processus de r ´ealisation des objectifs. Nous proposons une approche m ´ethodologique d’analyse du besoin et des contraintes et un mod `ele d’architecture d’agent collaboratifpermettant d’int ´egrer toutes les caract ´eristiques des processus collaboratifs que nous pr ´esentons de mani `ere struc- tur ´ee en nous appuyant sur nos propres d ´efinitions. Nous utiliserons cette d ´emarche et ce mod `ele pour instancier des agents mobiles intelligents (drones et v ´ehicules connect ´es).
0.4/ Q
UESTIONS DE RECHERCHE Question 1Qu’est-ce que la collaboration ? Qu’est-ce qui la caract ´erise ?
Il est n ´ecessaire de se poser la question de la d ´efinition de la collaboration, de ses pro- pri ´et ´es, ses caract ´eristiques et ses enjeux pour voir son r ˆole dans l’am ´elioration des pro- cessus de d ´ecision et d’ex ´ecution des missions des objets connect ´es et communicants d ´ecrits plus hauts, c’est- `a-dire des entit ´es mobiles intelligentes et autonomes.
Question 2
Comment mettre en œuvre la collaboration ?
Les processus de collaboration sont a priori complexes. Il faut en ´etudier les m ´ecanismes afin de comprendre comment les mettre en œuvre concr `etement. Cela passe aussi par l’analyse du probl `eme `a mod ´eliser ou du ph ´enom `ene `a mettre en lumi `ere.
Question 3
Quelle architecture pour porter la collaboration ?
Une fois que les processus de collaboration sont bien d ´efinis et compris, il faut pouvoir les mettre en application au sein d’une architecture qui permettra de les manipuler de mani `ere explicite. Cette architecture sera abord ´ee sur un plan conceptuel.
Question 4
Comment impl ´ementer un agent collaboratif sur une plateforme de mod ´elisation de syst `emes multi-agents ?
Une fois la collaboration comprise sur un plan conceptuel et fonctionnel, comment impl ´ementer techniquement ces concepts dans une architecture d’agent adapt ´e au sein d’un modeleur en sachant que nous pouvons avoir `a faire `a des agents ´egalement r ´eels non-simul ´es comme dans un environnement multi-robots de type drones.
4 SOMMAIRE
0.5/ P
LAN DE LA THESE`
0.5.1/ PARTIE 1 : SYSTEMES MULTI` -AGENTS ET COLLABORATION
Lechapitre 1 propose un aperc¸u de ce qu’est un syst `eme multi-agents en g ´en ´eral et un agent en particulier. Nous pr ´esentons les diff ´erents types d’agent ainsi qu’une classifica- tion afin de mettre en avant le meilleur type d’agent susceptible d’ ˆetre utilis ´e pour servir de base `a la mod ´elisation des ´echanges collaboratifs dans le contexte de l’ ´etude (drones et v ´ehicules connect ´es).
Dans lechapitre 2, nous passons en revue les diff ´erentes d ´efinitions des mots collabora- tion et coop ´eration pour tenter d’en montrer les diff ´erentes significations et les diff ´erences.
Puis, en prenant des exemples dans les domaines de l’ ´education et de l’apprentissage mais aussi du travail, nous listons les caract ´eristiques essentielles de la collaboration.
Le chapitre 3 aborde ce qu’est la collaboration dans le domaine des syst `emes multi- agents avec ces principales caract ´eristiques (avec les notions d’interaction et d’intention), les architectures connues et les probl `emes que cela pose.
Dans lechapitre 4, nous faisons un focus rapide sur les drones et les v ´ehicules connect ´es avec quelques d ´efinitions, les contextes d’utilisation et les perspectives pour ces deux types de machine.
0.5.2/ PARTIE 2 : HACCA (HYBRID ARCHITECTURE FOR COLLABORATIVE
COMMUNICATING AGENT), ANALYSE ET CONCEPTION
Lechapitre 5pr ´esente les diff ´erents verrous observ ´es dans le contexte de la discussion qui sera ouverte sur la possibilit ´e d’impl ´ementation de processus collaboratifs.
Contribution 1
Freins et enjeux de la mise en application du concept de collaboration dans les syst `emes multi-agents
Fort des chapitres pr ´ec ´edents et en s’appuyant sur la discussion propos ´ee au chapitre pr ´ec ´edent, nous posons dans le chapitre 6notre propre d ´efinition de la collaboration et nous proposons une qualification des diff ´erents types de processus autour d’algorithmes les explicitant en utilisant un exemple fil rouge issu du monde des drones autonomes et connect ´es.
Contribution 2
D ´efinition d’une collaboration, cat ´egorisation et description des diff ´erents types de collaboration
Le chapitre 7 propose un cheminement intellectuel pour arriver `a d ´ecrire et mettre en place des processus collaboratifs. Nous utilisons notre exemple fil rouge d’une patrouille de drones de d ´etection d’incendie.
Contribution 3
M ´ethode d’analyse de probl `eme pour mettre en ´evidence et d ´ecrire des comportements collaboratifs pour des entit ´es mobiles intelligentes
0.5. PLAN DE LA TH `ESE 5
Lechapitre 8pr ´esente HACCA, notre proposition d’architecture d’agent hybride collabo- ratif. Les diff ´erents modules et fonctionnalit ´es de cette architecture sont d ´ecrits ainsi que la m ´ethode d’organisation des donn ´ees et les processus de communication.
Contribution 4
Pr ´esentation d ´etaill ´ee de l’architecture r ´epondant aux verrous expos ´es dans le chapitre 5, dans un contexte d’agent autonome
0.5.3/ PARTIE 3 : INSTANCIATION, IMPLEMENTATION ET´ EXPERIMENTATIONS´ Dans le chapitre 9, nous proposons une instanciation du mod `ele HACCA dans un en- vironnement urbain constitu ´e d’entit ´es mobiles autonomes (v ´ehicules connect ´es) en r ´eutilisant ´egalement la m ´ethode d’analyse d ´ecrite pr ´ec ´edemment.
Dans le chapitre 10, nous proposons une premi `ere impl ´ementation de l’architecture HACCA en utilisant le modeleur GAMA.
Contribution 5
Proposition d’une impl ´ementation du mod `ele d’architecture d’agent hybride collaboratif en langage GAMA
Puis nous pr ´esentations les exp ´erimentations r ´ealis ´ees pour v ´erifier le concept de col- laboration et sa pertinence dans le domaine des v ´ehicules connect ´es ´evoluant dans un milieu urbain dense. Nous parlons des r ´esultats obtenus en pr ´esentant les graphes et courbes ainsi que l’analyse de ceux-ci.
La figure 1 r ´esume l’organisation des diff ´erents chapitres de ce rapport.
6 SOMMAIRE
FIGURE1 – Organisation des chapitres (entre parenth `eses, le num ´ero du chapitre)
I
S YST EMES MULTI ` - AGENTS ET C OLLABORATION
7
9
L
E monde dans lequel nous vivons s’av `ere, de jour en jour et au fur et `a mesure de nos d ´ecouvertes, toujours plus complexe. Dans de nombreux domaines (g ´eographie, biologie, sociologie, ´economie, etc), nous avons besoin de mod ´eliser et de simuler des situations issues de notre environnement direct (par exemple, terrestre) ou indirect (cos- mos), mettant en interaction des entit ´es vivantes (par exemple, une colonie de fourmis, des rats des champs, les habitants d’une ville, etc) ou non (des flocons de neige, des gouttelettes d’eau ou des cours de bourse).Dans son ouvrage d’introduction `a la complexit ´e, Edgar Morin ([Morin et al., 1990]) d ´ecrit celle-ci en ses termes :
D ´efinition 1 : Qu’est-ce que la complexit ´e ? parEDGARMORIN
Au premier abord, la complexit ´e est un tissu (complexus : ce qui est tiss ´e en- semble) de constituants h ´et ´erog `enes ins ´eparablement associ ´es : elle pose le paradoxe de l’un et du multiple. Au second abord, la complexit ´e est effectivement le tissu d’ ´ev `enements, actions, interactions, r ´etroactions, d ´eterminations, al ´eas, qui constituent notre monde ph ´enom ´enal. Mais alors la complexit ´e se pr ´esente avec les traits inqui ´etants du fouillis, de l’inextricable, du d ´esordre, de l’am- bigu¨ıt ´e, de l’incertitude... D’o `u la n ´ecessit ´e, pour la connaissance, de mettre de l’ordre dans les ph ´enom `enes en refoulant le d ´esordre, d’ ´ecarter l’incertain, c’est-
`a-dire de s ´electionner les ´el ´ements d’ordre et de certitude, de d ´esambigu¨ıser, clarifier, distinguer, hi ´erarchiser. . .
Edgar Morin explique clairement que la complexit ´e vient finalement du paradoxe entre la connaissance intime d’une entit ´e identifi ´ee et l’impossibilit ´e de comprendre les ph ´enom `enes induits par un ensemble de ces m ˆemes entit ´es ´evoluant dans un envi- ronnement commun. En effet, toutes les interactions ( ´ev `enements, actions, r ´etroactions, etc) entre ces entit ´es provoquent une ´evolution non-pr ´edictive du syst `eme. En d’autres termes : ce n’est pas parce qu’on connait parfaitement une entit ´e que l’on comprend le syst `eme compos ´e de ces entit ´es en interaction.
La complexit ´e semble ˆetre un fouillis inextricable. Nous cherchons donc `a le comprendre en mod ´elisant et en simulant des environnements reprenant les caract ´eristiques de ces entit ´es avec le but principal d’augmenter notre capacit ´e de compr ´ehension g ´en ´erale d’un ph ´enom `ene mais ´egalement d’accroˆıtre notre capacit ´e d’anticipation en mettant en lumi `ere de possibles comportements ´emergents.
Une distinction claire doit ˆetre faite entre la mod ´elisation qui formalise un syst `eme et la simulation qui permet de tester et d’animer grandeur nature la mod ´elisation. Le mod `ele est une repr ´esentation de la r ´ealit ´e tandis qu’une simulation est une animation du mod `ele.
Dans le cadre des syst `emes dits complexes, la mod ´elisation de l’ensemble du syst `eme n’est pas ais ´ee voire impossible du fait des interactions nombreuses entre entit ´es et seule la simulation permet de visualiser le ou les ph ´enom `enes ´etudi ´es. Le paradigme agent peut aider `a la construction d’une mod ´elisation adapt ´ee `a ces contraintes.
Afin de comprendre cette complexit ´e, son ´etendue et la dynamique g ´en ´erale du syst `eme, nous allons nous attarder tout d’abord sur le comportement d’une entit ´e de base (appel ´ee Agent), bien connue et bien mod ´elis ´ee. Pour ´etudier le syst `eme complet, il faut pouvoir consid ´erer un ensemble d’entit ´es et les faire interagir dans un m ˆeme environnement, lui- m ˆeme connu (unSyst `eme Multi-Agents). La simulation r ´esultante permet d’appr ´ehender
10
la compr ´ehension d’un ph ´enom `ene dans son ensemble et d ´eterminer le cas ´ech ´eant des pistes de r ´eflexion en vue d’une mod ´elisation plus efficace du syst `eme. Nous allons donc naturellement utiliser le paradigme agents pour cette ´etude.
Dans cette premi `ere partie, nous d ´ecrivons ce qu’est un syst `eme multi-agents et quels sont les diff ´erents types d’agent que nous pouvons rencontrer en insistant sur leurs ca- ract ´eristiques principales (chapitre 1). Nous nous interrogeons ensuite sur le concept de collaboration en partant de sa d ´efinition (chapitre 2) puis dans le domaine du travail, de l’ ´education et de l’apprentissage. Enfin nous ´etudions comment la collaboration est consid ´er ´ee dans le monde des syst `emes multi-agents (chapitre 3). Enfin nous pr ´esentons le cadre d’application que nous avons choisi et abord ´e sommairement dans l’introduction : les drones et les v ´ehicules connect ´es (chapitre 4). Ces deux exemples vont guider notre approche et nous permettre de mettre en ´evidence le chemin que nous allons emprunter.
1
S YST EMES MULTI ` - AGENTS
Sommaire
1.1 Concepts et d ´efinitions . . . . 11 1.1.1 D ´efinitions d’un syst `eme multi-agents . . . . 11 1.1.2 D ´efinitions d’un agent . . . . 14 1.1.3 Principales propri ´et ´es . . . . 15 1.1.4 Organisation . . . . 16 1.2 Taxonomie . . . . 17 1.2.1 Types d’agent . . . . 18 1.2.2 Classification . . . . 21 1.3 Principales plateformes . . . . 22 1.4 Ce qu’il faut retenir . . . . 23
L
’objectif de ce chapitre est de pr ´esenter, dans le cadre de la mod ´elisation et simulation de syst `emes complexes, ce qu’est un syst `eme multi-agents en g ´en ´eral et un agent en particulier.Apr `es quelques d ´efinitions, les diff ´erents types d’agent et leurs propri ´et ´es sont list ´es.
Nous essayons alors de n’en retenir que l’essentiel pour ´eclaircir notre propos. Une clas- sification est ensuite propos ´ee afin de montrer le type d’agent pouvant servir `a la mise en œuvre d’un processus collaboratif. Afin d’ ˆetre complet, quelques structures d’organisa- tion des syst `emes d’agents sont mis en lumi `ere. Enfin nous balayons les diff ´erents types de plateformes multi-agents existants aujourd’hui.
1.1/ C
ONCEPTS ET DEFINITIONS´
1.1.1/ D ´EFINITIONS D’UN SYSTEME MULTI` -AGENTS
Dans son ouvrage de r ´ef ´erence ([Ferber, 1995]), Jacques Ferber pose la d ´efinition sui- vante :
11
12 CHAPITRE 1. SYST `EMES MULTI-AGENTS
D ´efinition 2 : Syst `eme multi-agents vu parJACQUESFERBER
On appelle syst `eme multi-agents (ou SMA), un syst `eme compos ´e des ´el ´ements suivants :
1. Un environnement E, c’est- `a-dire un espace disposant g ´en ´eralement d’une m ´etrique.
2. 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.
3. Un ensemble A d’agents, qui sont des objets particuliers (A inclus dans O), lesquels repr ´esentent les entit ´es actives du syst `eme.
4. Un ensemble de relation R qui unissent des objets (et donc des agents) entre eux.
5. Un ensemble d’op ´erations Op permettant aux agents de A de percevoir, produire, consommer, transformer et manipuler des objets dans O.
6. 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.
Il s’agit ici d’une d ´efinition g ´en ´erale. En effet, selon les cas rencontr ´es, certains en- sembles d ´ecrits ci-dessus sont nuls. Cette d ´efinition pourra donc ˆetre adapt ´ee selon le probl `eme et le type d’agent `a mod ´eliser, par exemple des agents r ´eactifs ou cognitifs.
Faisons un focus sur la notion d’environnement car c’est un ´el ´ement important du syst `eme multi-agents. Il est g ´en ´eralement d ´efini comme ´etant tout ce qui entoure les agents ([Weyns et al., 2004]) mais il peut ´egalement avoir sa propre dynamique. Dans tous les cas de figure, cet environnement dans lequel les agents ´evoluent va les influen- cer plus ou moins directement.
Il est possible de caract ´eriser les diff ´erents types d’environnement ([Russell et al., 1995]) :
— accessible (en int ´egralit ´e par les agents) ou inaccessible
— d ´eterministe (tout changement est d ´etermin ´e par l’ ´etat de l’environnement et les actions des agents) ou ind ´eterministe (deux r ´esultats diff ´erents pour une m ˆeme action)
— statique (pas d’ ´evolution, m ˆeme sous l’action des agents) ou dynamique (change- ments d’ ´etats possibles, r `egles d’ ´evolution, avec ou sans action des agents)
— discret ou continu en fonction du processus de perception des agents
Dans sa d ´efinition, Jacques Ferber indique que l’environnement poss `ede g ´en ´eralement une m ´etrique. Il s’agit de la repr ´esentation d’un mod `ele physique. Il faut donc inclure toutes les r `egles et propri ´et ´es permettant d’appliquer des principes phy- siques ([Gechter et al., 2006]). Dans le cadre des simulations d’insectes par exemple ([M ¨uller, 2003], [Parunak, 1997] ou [Drogoul, 1993]), l’environnement contient des zones sp ´ecifiques comme les nids, les zones de nourriture, etc en plus des donn ´ees physiques du terrain mod ´elis ´e. Il faut alors distinguer deux types d’aspects pour les environnements ([Weyns et al., 2004]) : les aspects structurels (m ´etrique, propri ´et ´es fondamentales, etc) et les aspects dynamiques (perception, action ou dynamique intrins `eque).
1.1. CONCEPTS ET D ´EFINITIONS 13
Toutefois, on peut ´egalement faire la distinction entre l’environnement physique et l’en- vironnement de communication ([Odell et al., 2002] ou [Weyns, 2007]). L’environnement physique est un ensemble de lois, de r `egles et de contraintes qui permet l’existence phy- sique des objets et des agents. L’environnement de communication supporte les principes et processus d’ ´echange d’information (id ´ees, connaissances, etc) et permet la cr ´eation de mod `ele de communication autour de la notion de groupes et de r ˆoles ainsi que les diff ´erents protocoles d’interaction associ ´es `a cette organisation. On peut ainsi combi- ner les deux types d’environnement ([Galland et al., 2014] ou [Galland et al., 2016]) afin d’obtenir une vision `a plusieurs dimensions des agents et de leurs interactions (existence physique dans l’environnement et couche sociale).
D’autres d ´efinitions d’un syst `eme multi-agents ont ´et ´e ´egalement propos ´ees par Edmund Durfee ([Durfee, 2012]) ou Nicholas Jennings ([Jennings et al., 1998b]).
D ´efinition 3 : Syst `eme multi-agents vu parEDMUNDH. DURFEE
Un syst `eme multi-agents est un r ´eseau fortement coupl ´e d’entit ´es qui travaillent ensemble pour r ´esoudre des probl `emes qui d ´epassent les capacit ´es indivi- duelles ou les connaissances de chaque entit ´e.
Ici Edmund Durfee met l’accent sur la r ´esolution collective de probl `emes dans un envi- ronnement o `u les agents en interaction disposent de capacit ´es limit ´ees.
D ´efinition 4 : Syst `eme multi-agents vu parNICHOLASR. JENNINGS
Un syst `eme multi-agents est compos ´e de plusieurs composantes autonomes :
— Chaque agent poss `ede des capacit ´es incompl `etes pour r ´esoudre le probl `eme.
— Il n’y a pas de syst `eme de contr ˆole global.
— Les donn ´ees sont d ´ecentralis ´ees.
— Le calcul est asynchrone.
Nicholas Jennings reprend la notion de r ´esolution de probl `emes mais insiste sur la notion d’autonomie des agents.
Il convient donc de mettre l’accent sur l’autonomie de l’agent avec ses propri ´et ´es et connaissances intrins `eques mais aussi sur le processus d’interaction dans l’environ- nement qui vient jouer un r ˆole fondamental dans la dynamique de l’agent. Cette mise en contact avec d’autres agents ou stimulii cr ´ee ainsi une dynamique de r ´eaction et d’ ´evolution du syst `eme dans son ensemble et permet des r ´esolutions de probl `eme au niveau individuel mais aussi collectif. On parle alors d’ ´emergence ([Drogoul, 1993], [Ferber, 1994]). Un des exemples les plus courant est la mod ´elisation d’une colonie de fourmis. Toutes les fourmis en interaction vont progressivement et collectivement trouver le chemin le plus court vers les sources de nourriture (gr ˆace `a la d ´epose des ph ´eromones dans l’environnement). Toutes ces interactions et mises en relation cr ´eent une sorte de r ´eseau d’accointances o `u les r ´eactions et les d ´ecisions s’entrem ˆelent au sein d’un syst `eme global.
Les domaines d’application sont tr `es nombreux, en voici quelques exemples : en g ´eographie (pour l’occupation des terres agricoles, le d ´eveloppement urbain, etc), en bio- logie (compr ´ehension des ´evolutions de colonies d’insectes ou d’animaux), en logistique (gestion des flux dans une usine), etc. Dans ce rapport, nous nous int ´eressons `a des agents en interaction intelligente o `u leur mise en œuvre permet d’am ´eliorer le processus
14 CHAPITRE 1. SYST `EMES MULTI-AGENTS
de d ´ecision et donc leur autonomie.
1.1.2/ D ´EFINITIONS D’UN AGENT
Il existe de nombreuses d ´efinitions d’un agent. Nous allons en citer plusieurs afin de lister les propri ´et ´es qui nous semblent essentielles.
Tout d’abord, Jacques Ferber ([Ferber, 1995]) propose une d ´efinition d ´etaill ´ee qui accen- tue les propri ´et ´es de l’agent li ´ees `a l’action, la perception, la communication, la vision locale, les tendances et objectifs, les ressources et les comp ´etences.
D ´efinition 5 : Agent vu parJACQUESFERBER
On appelle agent 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 mue par un ensemble de tendances (sous la forme d’objectifs indi- viduels ou d’une fonction de satisfaction, voire de survie, qu’elle cherche `a optimiser),
4. qui poss `ede des ressources propres,
5. qui est capable de percevoir (mais de mani `ere limit ´ee) son environnement, 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. 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.
Jennings et Wooldridge ([Wooldridge et al., 1995], [Jennings et al., 1998b], [Jennings, 2000], [Wooldridge, 2009]) proposent une d ´efinition commune dans la- quelle nous retrouvons les notions de situation, autonomie et flexibilit ´e.
D ´efinition 6 : Agent vu parMICHAELWOOLDRIDGEet parNICOLASJENNINGS
Un agent est un syst `eme informatique encapsul ´e qui est situ ´e dans un environ- nement et qui est capable d’effectuer des actions autonomes et flexibles afin d’atteindre les objectifs pour lesquels il a ´et ´e conc¸u.
Roberto Flores-Mendez ([Flores-Mendez, 1999]) met l’accent sur le fait qu’un agent est une entit ´e conceptuelle qui prend des initiatives. Elle dispose donc d’un syst `eme de ges- tion des connaissances et de repr ´esentation de son environnement.
1.1. CONCEPTS ET D ´EFINITIONS 15
D ´efinition 7 : Agent vu parROBERTOFLORES-MENDEZ
Un agent est une entit ´e interactive qui existe en tant que partie d’un environ- nement partag ´e par d’autres agents. C’est une entit ´e conceptuelle qui perc¸oit et agit avec initiative ou en r ´eaction dans un environnement o `u d’autres agents existent et interagissent les uns avec les autres sur la base de connaissances partag ´ees de communication et de repr ´esentation.
Il convient toutefois de noter que toutes ses propri ´et ´es ne se retrouveront pas forc ´ement ensemble dans tous les types d’agent (cf. section 1.2.1 sur les types d’agent) mais cette d ´efinition permet de donner le cadre g ´en ´eral de l’agent.
1.1.3/ PRINCIPALES PROPRIET´ ES´
En accord avec les d ´efinitions pr ´e-cit ´ees, les principales propri ´et ´es d’un agent sont sa capacit ´e de perception de son environnement, sa capacit ´e d’action sur tout ou partie de cet environnement (agents ou objets) et sa capacit ´e de communication (directe ou indirecte selon le type d’agent).
Dans le contexte d’application, nous nous int ´eressons aux entit ´es mobiles ayant besoin de processus de d ´ecision intelligents en vue d’augmenter leur autonomie. Par exemple, les drones et les v ´ehicules connect ´es doivent r ´eagir `a des changements de leur environ- nement mais aussi faire preuve d’adaptation de leur comportement afin d’ ˆetre flexibles et pro-actifs pour anticiper certaines actions. Afin d’optimiser leurs actions, ils doivent
´egalement adopter des comportements sociaux pour communiquer leurs objectifs, at- teindre des buts et ex ´ecuter des t ˆaches complexes.
Voici donc les propri ´et ´es que nous retenons en particulier ([Jennings et al., 1998a], [Flores-Mendez, 1999]) :
— Autonomie: Le comportement de l’agent est influenc ´e par ses seules perceptions qui agissent en cons ´equence sur son ´etat (environnement, objets de l’environne- ment, autres agents). Pas de processus de supervision (c’est le propre du syst `eme multi-agents).
— R ´eactivit ´e: Au-del `a de son fonctionnement interne, l’agent est en contact perma- nent avec son environnement et r ´eagit donc aux changements qu’il perc¸oit dans celui-ci.
— Proactivit ´e : Selon ses capacit ´es et ses connaissances, l’agent peut prendre des initiatives afin de satisfaire ses buts. Il agit en fonction de ses motivations et de ses intentions. Il peut disposer aussi de capacit ´e inf ´erentielle (agir avec des sp ´ecifications abstraites de t ˆaches).
— Flexibilit ´e/Adaptabilit ´e : L’agent adapte son comportement `a sa perception de son environnement et peut participer `a des organisations afin de mieux satisfaire son but. Il peut avoir la capacit ´e d’apprendre et de s’am ´eliorer avec l’exp ´erience mais aussi d’avoir une certaine continuit ´e temporelle (persistance d’une identit ´e et d’un ´etat sur une longue p ´eriode).
— Sociabilit ´e : En compl ´ement de sa capacit ´e `a s’adapter et `a prendre des initia- tives, l’agent peut d ´evelopper des interactions complexes (coop ´eration, collabora- tion, coordination) pour atteindre ses buts ou pour aider d’autres agents dans leurs activit ´es. Il peut avoir une certaine capacit ´e de communication pour ´echanger des informations. Ainsi il peut avoir et/ou d ´evelopper une certaine personnalit ´e.
16 CHAPITRE 1. SYST `EMES MULTI-AGENTS
1.1.4/ ORGANISATION
Un syst `eme multi-agents peut ˆetre consid ´er ´e comme une organisation si les agents qui le composent poss `edent une connaissance des autres agents du syst `eme et suivent les r `egles fix ´ees par le syst `eme global tout en gardant leurs capacit ´es d’autono- mie ([Mandiau et al., 1999]). Ce syst `eme peut ˆetre analys ´e essentiellement de deux mani `eres :
— Analyse fonctionnelle afin de d ´eterminer les principales activit ´es et r ˆoles des agents selon plusieurs dimensions (physiques, sociales, relationnelles, envi- ronnementales, etc). Par exemple, un agent peut avoir le r ˆole de m ´ediateur, planificateur, ordonnanceur, d ´ecideur, fournisseur, etc.
— Analyse structurelle afin de d ´eterminer les ´eventuelles interactions entre les agents ainsi que leur ordre et leur ´evolution dans le temps. Par exemple : rela- tion d’accointance (connaissances d’un agent sur les autres), de communication, de subordination (d ´ependance), d’information, de conflit, de comp ´etition, etc.
Un mod `ele d’organisation d ´efinit ainsi les relations entre les diff ´erentes entit ´es qui com- posent le syst `eme mais aussi leurs r ˆoles, leurs r `egles d’interaction, leurs activit ´es ainsi que les buts et les crit `eres d’ ´evaluation de ces activit ´es.
Quelques exemples d’organisation :
— AGR (Agent Groupe R ˆole)([Ferber et al., 1998], [Ferber et al., 2003])
FIGURE1.1 – Repr ´esentation AGR Agent Groupe R ˆole ([Ferber et al., 1998]) L’agent est une entit ´e active et communicante qui joue un ou plusieurs r ˆoles dans un ou plusieurs groupes (cf. figure 1.1). Il n’y a pas de contrainte sur l’architecture interne de l’agent (r ´eactif, cognitif ou hybride) ou sur ses facult ´es mentales.
Le groupe repr ´esente un ensemble d’agents partageant un ensemble de ca- ract ´eristiques et est utilis ´e pour cr ´eer des sous-organisations. Pour communiquer, deux agents doivent appartenir `a un m ˆeme groupe. Le r ˆole est la repr ´esentation abstraite de la fonction d’un agent dans un groupe. L’agent peut avoir un ou plusieurs r ˆoles selon la nature du groupe. Les r ˆoles sont locaux aux groupes et sont attribu ´es `a un agent sur sa demande. Un m ˆeme r ˆole peut ˆetre jou ´e par plusieurs agents.
— AGRE (Agent Groupe R ˆole Environnement([Ferber et al., 2004]) Par extension,
1.2. TAXONOMIE 17
AGRE permet de d ´ecrire des environnements sociaux (comme AGR) mais aussi des environnements physiques. Ces deux types d’environnements forment des espaces o `u les agents sont situ ´es et o `u ils peuvent percevoir et agir au travers des modes (manifestation d’un agent dans un espace). Un mode dans un espace physique est un corps alors qu’un mode dans un espace social est un r ˆole. Cette organisation permet donc de combiner interaction physique et interaction sociale sans toutefois les relier.
— AGREEN ([B ´aez-Barranco et al., 2006]) Le mod `ele AGREEN ´etend encore le mod `ele AGRE pour relier les espaces sociaux et les espaces physiques en s’appuyant sur la notion d’institution.
— AGRS (Agent Groupe R ˆole Service)([Mansour et al., 2007]) Nouvelle extension du mod `ele AGR avec cette fois-ci la notion de service qui permet aux agents d’exprimer leurs besoins et comp ´etences au travers de descriptions de r ˆoles faciles `a publier et rechercher. Dans ce mod `ele, le r ˆole d ´ecrit les services qu’il fournit. Ces services sont ensuite ex ´ecut ´es par les agents ”joueurs” et utilis ´es par des agents ”utilisateurs”. Les services fournis par un r ˆole sont publi ´es dans le cadre de la description de son groupe.
— MASQ (Multi Agent System based on Quadrants) ([Tranier, 2007], [Ferber et al., 2009]) Cette organisation repose sur quatre concepts primitifs que sont l’esprit, l’objet, l’espace brut et la culture. Ces concepts sont ensuite attribu ´es `a chacun des quadrants selon des dimensions internes ou externes, individuelles ou collectives (cf. figure 1.2). Cette formalisation a ´et ´e introduite afin de g ´en ´eraliser, int ´egrer et mettre en relation des mod `eles sp ´ecifiques d’agent, d’environnement, d’organisation, de norme ou encore d’institution. MASQ permet
´egalement de sp ´ecifier s ´epar ´ement les agents, l’environnement et les aspects culturels, ce qui le rend int ´eressant pour mod ´eliser des syst `emes ouverts.
— Approche holonique ( ´etude ph ´enom `enes naturels avec [Koestler, 1968], Ger- ber pour les approches multi-agents ([Gerber et al., 1999]), ou des travaux plus r ´ecents ([Adam et al., 2002], [Gaud, 2007])) Cette approche permet la mod ´elisation plus ais ´ee de populations d’individus (cf. figure 1.3). Par exemple, on peut consid ´erer des entit ´es atomiques de type pi ´eton puis un holon sur une zone g ´eographique donn ´ee formant un ´echantillon de personnes et enfin un super holon fusionnant les diff ´erents sous-holons pour former une population compl `ete.
Certains aspects et caract ´eristiques sont d ´etaill ´es plus pr ´ecis ´ement dans le chapitre 3 avec la pr ´esentation d’une classification des organisations.
1.2/ T
AXONOMIEDans cette section, nous allons introduire les diff ´erents types d’agent commun ´ement cit ´es dans la litt ´erature et pr ´esenter deux classifications (une version ”classique” puis une autre selon le niveau de cognition et de sociabilit ´e).
18 CHAPITRE 1. SYST `EMES MULTI-AGENTS
FIGURE1.2 – Approche MASQ par quadrants ([Tranier, 2007]) 1.2.1/ TYPES D’AGENT
En informatique, un agent est un processus cyclique compos ´e de diff ´erentes phases (comportements) d ´efinies en fonction de la nature m ˆeme de l’agent. Cependant, quelque soit cet agent, on trouve en premier lieu une phase de perception qui peut ˆetre la r ´esultante d’une simple observation ou d’une interaction (simple ou structur ´ee) avec un objet de l’environnement ou un autre agent.
On classifie ([Ferber, 1995], [Wooldridge et al., 1995], [Briot et al., 2001]) souvent les types d’agents en fonction de leur comportement individuel et deux grandes cat ´egories d’agents sont alors g ´en ´eralement distingu ´ees : les agent r ´eactifs et les agents cognitifs.
Dans les faits, on parle de plus en plus aujourd’hui d’agents hybrides avec des degr ´es de cognition variable, qui sont `a la fronti `ere entre les deux grandes cat ´egories.
1.2.1.1/ AGENT COGNITIF
Ce type d’agent s’inspire des ˆetres humains dont il cherche `a reproduire le mode de pens ´ee dans la continuit ´e des premiers travaux sur l’intelligence artificielle dis- tribu ´ee. Nous pouvons citer quelques travaux fondateurs : Lenat ([Lenat, 1975]), Minsky ([Minsky, 1988]) ou Hayes-Roth ([Hayes-Roth et al., 1979]). Comme il est cens ´e repr ´esenter un ˆetre pensant, il poss `ede des propri ´et ´es avanc ´ees de repr ´esentation sym- bolique de son environnement mais aussi des capacit ´es d’abstraction assez fortes. Ega- lement, cet agent peut m ´emoriser ses exp ´eriences et en tirer partie pour ´etablir de nou- veaux objectifs pour plus de flexibilit ´e et d’adaptation `a son environnement.
Ces agents sont construits sur un cycle de type : perception / d ´elib ´eration / action.
1.2. TAXONOMIE 19
FIGURE1.3 – Syst `eme holonique ([Gaud, 2007])
La phase de d ´elib ´eration d ´etermine le choix de l’action `a ex ´ecuter. C’est la phase la plus importante dans la mesure o `u elle est d ´efinie par les caract ´eristiques comportemen- tales de l’agent. L’approche anthropomorphique conduit g ´en ´eralement `a concevoir les agents cognitifs comme des entit ´es poss ´edant des croyances, des intentions, des d ´esirs ([Rao et al., 1995]) et m ˆeme dans certains cas des principes ´ethiques [Shoham, 1993]
et [Wooldridge et al., 1995]. Comme ils disposent de capacit ´e de repr ´esentation et de raisonnement, les agents cognitifs peuvent travailler ind ´ependamment mais aussi, dans certains cas, se comporter comme des organisations d’individus devant se coordonner pour r ´esoudre leurs conflits [Jennings et al., 1998b].
Il en r ´esulte de grandes difficult ´es de mise en œuvre car cet agent doit pouvoir inf ´erer avec une intelligence artificielle plus d ´evelopp ´ee. Son impl ´ementation n’est pas ais ´ee en raison des connaissances `a enregistrer, des interactions complexes et des m ´ecanismes de coop ´eration `a mettre en œuvre pour satisfaire les objectifs.
On trouve ´egalement d’autres appellations pour les agents cognitifs, par exemple agents rationnels ou d ´elib ´eratifs. Ces derniers ont ´et ´e introduits par Wooldridge ([Wooldridge et al., 1995]). L’agent d ´elib ´eratif ne va pas aussi loin qu’un agent cognitif
”pur” inf ´erant sur ces connaissances personnelles. Les m ´ecanismes de r ´eflexion sont un peu plus simple.
1.2.1.2/ AGENT REACTIF´
Les agents r ´eactifs sont construits sur un cycle simple de type : perception / r ´eaction.
L’ex ´ecution de l’agent est directement li ´ee `a ses perceptions limit ´ees de l’environnement par une fonction r ´eflexe selon le principe d’action/r ´eaction ([Ferber, 1995]), ou stimu- lus/r ´eponse ([Bonabeau et al., 1999]).
Les principales propri ´et ´es de ce type d’agent sont des comportements ´el ´ementaires avec une absence de but explicite, des interactions ´el ´ementaires (avec l’environnement ou les autres agents), des situations ´el ´ementaires avec une absence de repr ´esentation de l’en-
20 CHAPITRE 1. SYST `EMES MULTI-AGENTS
vironnement, une absence de repr ´esentation des autres agents. Toutes les actions sont ex ´ecut ´ees dans le pr ´esent, il n’y a pas de planification, pas d’historisation, pas d’en- registrement des exp ´eriences. Nous pouvons citer par exemple les travaux de Ferber ([Ferber, 1995]), d’Agre et Chapman ([Agre et al., 1987]). En outre, contrairement aux agents cognitifs, il n’y a pas de repr ´esentation de but global du syst `eme ni de planification permettant de pr ´evoir des propri ´et ´es d’ ´emergence [Drogoul, 1993] ou [Parunak, 1997].
Brooks a introduit le concept de subsomption ([Brooks, 1991a], [Brooks, 1991b]) o `u le processus de d ´ecision d’un agent correspond `a la r ´ealisation d’un ensemble de t ˆaches pour r ´ealiser des comportements. Un comportement rec¸oit en continu des percepts et y associe une action `a r ´ealiser. Plusieurs comportements peuvent ˆetre ex ´ecut ´es en m ˆeme temps. Afin de r ´ealiser un choix, les comportements sont hi ´erarchis ´es par ordre de prio- rit ´e. Les comportements sont ind ´ependants et peuvent ˆetre ajout ´es ou retir ´es en fonction de la structure de l’agent et de ses missions.
Les agents r ´eactifs, de part leur nature et leurs propri ´et ´es limit ´ees, connaissent certaines limitations. L’agent n’ayant pas de repr ´esentation structur ´ee de son environnement lo- cal doit pouvoir acc ´eder `a suffisamment d’information pour r ´eagir convenablement. Il est
´egalement difficile de d ´evelopper des agents avec de multiples comportements, la dyna- mique des interactions devenant alors trop complexe. En r ´esum ´e, qui dit ”Agents b ˆetes”
dit ”Concepteur intelligent”.
1.2.1.3/ AGENT HYBRIDE
En fait, pour de nombreux probl `emes, la fronti `ere n’est pas aussi nette entre la no- tion d’agent r ´eactif et d’agent cognitif. Par extension, une architecture purement r ´eactive ou purement cognitive est rare. Ainsi une architecture hybride peut combiner les avan- tages des deux. Un agent hybride poss `ede donc des composants r ´eactifs et aussi des composants cognitifs pour garantir un raisonnement de qualit ´e [Aknine et al., 1998], [Chaib-draa, 1996], [Sycara, 1998], [Wooldridge, 2009].
On peut distinguer plusieurs types d’architecture :
— Architecture horizontale : on trouve un module de perception en entr ´ee, plu- sieurs couches de traitement (en fonction d’un arbitrage `a la sortie du module de perception) et un module d’action en sortie. Cette architecture a une conception assez simple : autant de couche que de comportements attendus en fonction des stimulii de l’environnement. Inconv ´enient notoire : il n’y a pas de communication entre les couches. On peut citer par exemple l’architecture TouringMachines ([Ferguson, 1992]).
— Architecture verticale : elle peut exister en plusieurs versions : en une passe (du module de perception, en passant par les diff ´erentes couches de traitement, vers le module d’action) ou en deux passes (perception, aller et retour dans les diff ´erentes couches en interaction avant d’agir). Cette architecture est plus difficile `a mettre en œuvre mais il y a un certain raffinement des raisonnements : passage d’une couche `a l’autre pour traiter un probl `eme plus complexe avec une communication entre les couches. Exemple d’architecture verticale en deux passes : InteRRap ([M ¨uller et al., 1993]).
— Architecture modulaire : chaque module va englober des fonctions de percep-
1.2. TAXONOMIE 21
tion/d ´elib ´eration/action contextualis ´ees englobant des possibilit ´es de communica- tion inter-modules. Exemple : DIMA ([Guessoum, 1996]).
1.2.2/ CLASSIFICATION
Depuis plusieurs d ´ecennies, la communaut ´e scientifique a l’habitude de distinguer l’agent r ´eactif de l’agent cognitif et d’en proposer une classification ”classique” (voir Table 1.1) o `u les principales caract ´eristiques sont pr ´esent ´ees. L’agent r ´eactif est un ”agent qui ne dispose que d’un protocole simple et d’une capacit ´e de communication r ´eduite afin de r ´epondre seulement `a un stimulus par une action.” [Labidi et al., 1993]. L’agent cognitif est ”un agent poss ´edant une base de connaissances avec toutes les informations et l’expertise n ´ecessaires pour mener `a bien sa t ˆache et sachant g ´erer les interactions avec d’autres agents et son environnement”[Ferber, 1995].
Agents r ´eactifs Agents cognitifs
Pas de repr ´esentation explicite de l’envi- ronnement
Repr ´esentation explicite
Pas de m ´emoire locale Peut enregistrer des ´ev `enements et les exploiter
Comportement stimulus/action Comportement complexe TABLE1.1 – Agents r ´eactifs contre agents cognitifs [Ferber, 1995]
L’exp ´erience a montr ´e la n ´ecessit ´e de d ´evelopper des agents interm ´ediaires qui ne sont ni purement r ´eactifs ni purement cognitifs. Dans son ouvrage d’introduction au monde des agents, Wooldridge [Wooldridge, 2009] pr ´esente ce type d’agent en d ´ecrivant quelques architectures hybrides et un nouveau mode d’organisation de raisonnement (avec un agent dot ´e d’un raisonnement d ´eductif et un agent pourvu d’un raisonnement pratique).
Aujourd’hui, il existe de nombreux exemples d’architecture r ´eactive, cognitive et hybride [Ferber, 1995, Wooldridge, 2009, Briot et al., 2001]. Chacun d’eux donne un point de vue sur la r ´eaction et la cognition ainsi que les moyens de les concevoir.
Boissier [Briot et al., 2001] propose un autre point de vue en comparant les diff ´erents types d’agents avec une vision raisonnement (agent r ´eactif, hybride et d ´elib ´eratif) et co- ordination (agent autonome, interagissant ou social) dans la Table 1.2. Il ´enum `ere les diff ´erents mod `eles et plateformes connues au moment de la r ´edaction de l’article. Ce- pendant il reste prudent sur la notion d’agent cognitif car seuls les agents d ´elib ´eratifs sont introduits dans ses travaux. Il les consid `ere comme des agents cognitifs n’ex ´ecutant que des plans d’actions pr ´ed ´etermin ´es. Nous pouvons ´egalement remarquer que, pour lui, il n’existe pas encore d’agents hybrides avec un comportement social.
A travers le cas d’ ´etude (drones et v ´ehicules connect ´es) que nous avons pr ´esent ´e en introduction, nous pouvons en d ´eduire que nous serons plus sur des agents hybrides car il faut pouvoir r ´eagir promptement `a des stimulii de l’environnement (du fait de leur nature mobile, parfois `a haute vitesse) mais aussi pouvoir anticiper certaines actions dans le but de r ´esoudre des t ˆaches complexes ou des objectifs plus ambitieux. De plus, nous avons insist ´e sur les aspects de communication en vue de r ´ealiser des ´echanges ´elabor ´es, surtout dans le cadre de la mise en place de processus collaboratifs.
