HAL Id: tel-01420744
https://tel.archives-ouvertes.fr/tel-01420744
Submitted on 21 Dec 2016HAL 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.
Jocelyn Buisson
To cite this version:
Jocelyn Buisson. Un modèle d’environnement pour la simulation multi-agents des déplacements en milieu urbain. Modélisation et simulation. Université de Technologie de Belfort-Montbeliard, 2014. Français. �NNT : 2014BELF0252�. �tel-01420744�
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 T E C H N O L O G I E B E L F O R T - M O N T B É L I A R D
Un mod `ele d’environnement pour la
simulation multi-agents de
d ´eplacement en milieu urbain
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 T E C H N O L O G I E B E L F O R T - M O N T B É L I A R D
TH `
ESE pr ´esent ´ee par
J
OCELYN
B
UISSON
pour obtenir le
Grade de Docteur de
l’Universit ´e de Technologie de Belfort-Montb ´eliard
Sp ´ecialit ´e :InformatiqueUn mod `ele d’environnement pour la simulation
multi-agents de d ´eplacement en milieu urbain
Unit ´es de Recherche :
Institut de Recherche sur les Transports, l’ ´Energie et la Soci ´et ´e (IRTES), Laboratoire Syst `emes et Transports (IRTES-SET)
Soutenue publiquement le 19 d ´ecembre 2014 devant le Jury compos ´e de :
RENE´ MANDIAU Rapporteur Professeur `a l’Universit ´e de
Valenciennes et du Hainaut-Cambr ´esis
FRANCKBOOCHS Rapporteur Professeur `a l’Universit ´e des Sciences Appliqu ´ees de Mayence
ZAHIAGUESSOUM Examinateur Maˆıtre de Conf ´erences HDR `a
l’Universit ´e Pierre et Marie Curie
ADNANYASSINE Examinateur Professeur `a l’Universit ´e du Havre
MIKAEL¨ MARTINSGONC¸ALVES Examinateur Pr ´esident de la soci ´et ´e Voxelia
ABDERRAFIAAKOUKAM Co-directeur de th `ese Professeur `a l’UTBM
STEPHANE´ GALLAND Co-directeur de th `ese Maˆıtre de Conf ´erences HDR `a l’UTBM
R
EMERCIEMENTS
Je tiens `a remercier Ren ´e Mandiau et Franck Boochs pour avoir accept ´e d’ ˆetre les rap-porteurs de cette th `ese. Je les remercie pour l’int ´er ˆet qu’ils ont port ´e `a mes travaux, pour leurs remarques et leur participation `a mon jury de th `ese.
Je souhaite ´egalement remercier Zahia Guessoum et Adnan Yassine pour avoir accept ´e de faire partie de mon jury.
Je remercie Aberrafi ˆaa Koukam et St ´ephane Galland pour leur encadrement, leur pa-tience et la pertinence de leurs conseils ayant permis `a ce manuscrit d’aboutir.
Merci `a Mika ¨el Martins Gonc¸alves et Renan Z ´eo pour la confiance qu’ils m’ont t ´emoign ´ee et pour m’avoir permis de faire cette th `ese avec leur entreprise malgr ´e certains obstacles. Merci ´egalement `a Nicolas Gaud, Abdeljalil Abbas-Turki, Olivier Lamotte, Philippe Des-camps, Vincent Hilaire et Fabrice Lauri pour leurs conseils et les discutions que nous avons pu avoir.
Un merci `a toute ma famille et tout particuli `erement `a ma sœur Loren qui a toujours ´et ´e l `a pour me soutenir et m’encourager.
Enfin, merci `a mes coll `egues et amis qui partagent mon quotidien et me permettent de travailler dans la bonne humeur : Guillaume Delanery, Charles Gaumet et Florent Perron-net.
S
OMMAIRE
Introduction g ´en ´erale 1
1 Simulation multi-agent en environnement urbain 7
1.1 Fondamentaux sur la simulation . . . 8
1.1.1 Principes g ´en ´eraux . . . 8
1.1.2 Simulation de trafic . . . 9
1.1.3 Simulation de foules . . . 10
1.2 Syst `emes multi-agents . . . 12
1.2.1 D ´efinition de la notion d’agent . . . 12
1.2.2 D ´efinition d’un syst `eme multi-agent . . . 13
1.3 Simulation orient ´ee-agent . . . 14
1.3.1 Principes g ´en ´eraux . . . 14
1.3.2 Comportement d’agent . . . 16
1.3.3 Environnement . . . 17
1.3.4 Interaction entre un agent et l’environnement physique . . . 21
1.4 Conclusion . . . 26
2 Mod `eles d’environnement physique 29 2.1 Mod `eles de simulation de trafic . . . 30
2.1.1 Outils commerciaux . . . 31
2.1.2 Approches acad ´emiques . . . 32
2.2 Mod `eles de simulation de foules . . . 37
2.2.1 Mod `eles bas ´es sur des grilles r ´eguli `eres . . . 37
2.2.2 Mod `eles bas ´es sur des graphes . . . 38
2.2.3 Les mod `eles bas ´es sur des arbres de d ´ecomposition spatiale . . . . 40
2.3 Crit `eres de comparaison . . . 41
2.4 Comparaison des mod `eles d’environnement . . . 43
2.5 Conclusion . . . 43
3 Structure du mod `ele HEDGE 47
3.1 Mod ´elisation de l’environnement par un graphe . . . 48
3.1.1 Contexte . . . 48
3.1.2 Mod `ele de l’environnement . . . 49
3.2 Composantes structurelles de l’environnement . . . 52
3.2.1 Les nœuds . . . 53
3.2.2 Les connecteurs . . . 58
3.2.3 Les liens . . . 60
3.3 Exemples de mod ´elisation . . . 61
3.3.1 L’intersection . . . 61
3.3.2 Le cas du d ´epassement et du changement de voie . . . 63
3.3.3 Environnement int ´erieur et ext ´erieur . . . 65
3.4 Composantes non-structurelles de l’environnement . . . 66
3.4.1 Les corps des agents . . . 66
3.4.2 Les obstacles . . . 67
3.4.3 La signal ´etique . . . 68
3.5 Vers un mod `ele inform ´e de l’environnement . . . 68
3.6 Conclusion . . . 69
4 Comportement dynamique du mod `ele HEDGE 71 4.1 R ´eaction de l’environnement . . . 72
4.1.1 Principe de la r ´eaction inspir ´ee des lois de la Physique . . . 73
4.1.2 Mod `eles physiques des corps des agents . . . 74
4.2 Localisation des entit ´es . . . 75
4.2.1 Principe de localisation . . . 76
4.2.2 Adaptation du cycle de simulation . . . 78
4.3 Processus endog `enes dans le mod `ele HEDGE . . . 80
4.4 Conclusion . . . 81
5 Simulations pour l’am ´enagement de la ville de Belfort 83 5.1 Logiciel Voxelia Simulate . . . 84
5.1.1 Architecture du logiciel Voxelia Simulate . . . 84
5.1.2 Editeur et G ´en ´erateur de graphe HEDGE . . . 85´
5.2 Contexte et objectifs des ´etudes . . . 86
5.2.1 Contexte g ´en ´eral . . . 87
5.2.2 Contexte des projets de simulation . . . 87
SOMMAIRE ix
5.3.1 Comportement des pi ´etons et son extension aux cyclistes . . . 88
5.3.2 Comportement des conducteurs de v ´ehicules routiers . . . 91
5.4 D ´efinition du mod `ele physique des v ´ehicules . . . 94
5.4.1 Architecture du mod `ele de v ´ehicule . . . 94
5.4.2 Mod `eles s ´electionn ´es pour les composants d’un v ´ehicule . . . 95
5.5 Validation de HEDGE . . . 98
5.5.1 La place Rabin . . . 98
5.5.2 Le quartier Denfert-Thiers . . . 102
5.5.3 La Place d’Armes . . . 104
5.6 Conclusion . . . 107
Conclusion g ´en ´erale 109 A Publications de l’auteur 137 A.1 Journal international avec comit ´e de lecture . . . 137
A.2 Conf ´erences internationales avec comit ´e de lecture . . . 137
A.3 Conf ´erences nationales sans comit ´e de lecture . . . 138
A.4 Lecture Notes en cours d’ ´evaluation . . . 138
B Mod `ele physique simple d’un v´ehicule 139 C Les projets d’am ´enagement de la ville de Belfort 141 C.1 MOSDAU . . . 141
C.2 MISDAU . . . 143
I
NTRODUCTION G
EN
´
ERALE
´
1/ C
ONTEXTELa simulation des syst `emes urbains constitue un enjeu majeur pour l’am ´enagement des territoires. En effet, elle permet d’ ´etudier plusieurs aspects impactant la dynamique de l’ensemble urbain, tels que l’offre de mobilit ´e, l’am ´enagement des infrastructures, la ges-tion du trafic et de la s ´ecurit ´e. L’exploitages-tion de maquettes 3D de zones urbaines (ville, quartiers, etc.) au sein de la simulation offre aussi une aide pr ´ecieuse pour la prise de d ´ecisions et une assistance `a la conception de zones urbaines. C’est dans ce cadre que s’inscrivent les travaux men ´es dans cette th `ese. Plus pr ´ecis ´ement, nous nous int ´eressons `a la simulation des d ´eplacements de pi ´etons et de v ´ehicules terrestres dans un milieu urbain en vue d’analyser les divers sc ´enarii d’am ´enagement et leurs impacts sur la dyna-mique urbaine.
La simulation multi-agent est l’une des approches les plus adapt ´ees pour reproduire la dynamique d’une population. Elle se r ´ef `ere aux mod `eles qualifi ´es d’individus-centr´es (Amblard, 2003) et fournit un processus permettant de mod ´eliser et de simuler la dyna-mique de populations compos ´ees d’entit ´es en interaction.
La th `ese d ´efendue dans ce m ´emoire s’int ´eresse particuli `erement `a la mod ´elisation de l’environnement, consid ´er ´e comme la composante principale de notre approche de simu-lation. En effet, le mod `ele de l’environnement doit nous permettre la simulation de pi ´etons et de v ´ehicules terrestres se d ´eplac¸ant dans des zones ext ´erieures (par exemple les rues) et/ou int ´erieures (les sites clos et les b ˆatiments). Pour ce faire, nos travaux proposent de capitaliser l’exp ´erience acquise dans les domaines de la simulation 3D et des syst `emes multi-agents pour la construction et le d ´eveloppement de mod `eles de l’environnement. Nos travaux s’inscrivent ´egalement dans un contexte industriel imposant la prise en compte de contraintes telles que la facilit ´e et l’efficacit ´e de la mod ´elisation, et la latence du simulateur afin de permettre l’enrichissement de l’offre logicielle de simulation 3D de la soci ´et ´e Voxelia1.
1. Nos travaux ont ´et ´e r ´ealis ´es au sein de la soci ´et ´e Voxelia, jeune entreprise universitaire, sp ´ecialis ´ee dans les services et l’ ´edition de composants logiciels pour la simulation 3D et l’imagerie de synth `ese.
2/ P
ROBLEMATIQUES ET OBJECTIFS DE CES TRAVAUX´
L’objectif de cette th `ese peut ˆetre r ´esum ´e ainsi :
Proposer un mod `ele d’environnement physique pour permettre la simulation multi-agent des d ´eplacements de pi ´etons et de v ´ehicules en milieu urbain.
L’environnement est commun ´ement consid ´er ´e comme l’une des parties essentielles d’une simulation multi-agent. Cependant, diff ´erentes perspectives existent quant au r ˆole qu’il joue dans un syst `eme multi-agent. Les environnements utilis ´es dans cette th `ese peuvent ´egalement ˆetre consid ´er ´es comme des cas particuliers d’environnement phy-sique (Odell et al., 2002). La notion d’environnement physique se r´ef`ere `a la classe de syst `emes dans laquelle les agents, ainsi que les objets, disposent d’une position ex-plicite et produisent des actions elles-aussi localis ´ees (Ferber et al., 1996). Nous allons maintenant pr ´esenter nos contributions pour atteindre cet objectif.
2.1/ MODELE DE L` ’ENVIRONNEMENT PHYSIQUE
La r ´eflexion sur les d ´eplacements ainsi que les modalit ´es de leur gestion reposent sur la prise en compte de la complexit ´e des politiques de mobilit ´e en ville (Allemand et al., 2004). Cette complexit ´e am `ene naturellement `a consid ´erer la diversit ´e des modes de d ´eplacement mis `a la disposition des individus. Plusieurs mod `eles ont ´et ´e propos ´es pour la simulation des d ´eplacements. Cependant, aucun ne r ´epond pleinement `a nos exigences. En effet, la plupart de ces mod `eles ne consid `ere qu’un seul type d’en-tit ´e (pi ´eton ou v ´ehicule), ou ne permettent de simuler qu’une seule topologie d’envi-ronnement (int ´erieur de b ˆatiment ou ext ´erieur uniquement). Parmi ceux sp ´ecialement adapt ´es aux v ´ehicules routiers, tr `es peu sont susceptibles de permettre l’incorporation d’un mod `ele physique. Par cons ´equent, nous proposons un nouveau mod `ele d’environ-nement physique, nomm ´e HEDGE (HEterogenous Dual Graph Environment), r ´epondant aux probl ´ematiques pos ´ees. HEDGE structure l’environnement selon deux aspects dis-tincts : la navigation et la perception. Cette structuration permet aux agents de per-cevoir toutes les entit ´es, quel que soit leur type, tout en leur attribuant des zones de d ´eplacement sp ´ecifiques. L’ensemble des abstractions propos ´ees permet de mod ´eliser un large panel de topologies comprenant `a la fois l’int ´erieur et l’ext ´erieur des b ˆatiments. Cette d ´ecomposition permet ´egalement la cohabitation d’agents h ´et ´erog `enes dans le m ˆeme environnement et une gestion simplifi ´ee de zones mixtes telles que les passages pi ´etons. Notre mod `ele permet de simuler la dynamique des objets de l’environnement (in-cluant les corps des agents) en utilisant une approche inspir ´ee de la Physique. L’int ´er ˆet de r ´ealiser des calculs inspir ´es de la Physique dans l’environnement est partag ´e par (Gech-ter et al., 2012). En effet, elle facilite la reproduction r ´ealiste des mouvements des mobiles dans l’espace, notamment des v ´ehicules (Hoogendoorn et al., 2001). Cette approche r ´epond ´egalement `a la probl ´ematique de d ´etermination de la r ´eaction de l’environnement face aux actions initi ´ees par les agents dans le cadre d’une simulation.
Enfin, le mod `ele propos ´e est conc¸u pour permettre une g ´en ´eration manuelle et rapide du graphe repr ´esentant l’environnement `a partir d’un ensemble restreint de sources de
SOMMAIRE 3
donn ´ees num ´eriques. Il s’agit d’une contrainte impos ´ee par le cadre industriel dans lequel s’inscrit cette th `ese. Pour ce faire, nous avons d ´evelopp ´e des outils permettant d’assister l’utilisateur dans la cr ´eation du mod `ele.
2.2/ EXTENSION DE LA PLATE-FORME SIMULATE ET APPLICATION
Afin de concr ´etiser notre approche de mod ´elisation de l’environnement, nous avons contribu ´e au d ´eveloppement de la plate-forme de simulation Simulate. En particulier, nous avons implant ´e les outils n ´ecessaires `a la mise en œuvre du mod `ele HEDGE. L’ob-jectif de cette plate-forme est de fournir un environnement logiciel permettant de simu-ler les diff ´erents modes de d ´eplacement dans une ville (pi ´etons, v ´ehicules, bus, v ´elos). Cette plate-forme s’inscrit dans le cadre du partenariat avec la soci ´et ´e Voxelia qui conc¸oit, d ´eveloppe et utilise ces outils pour r ´ealiser des ´etudes d’am ´enagement urbain.
En s’appuyant sur cette plateforme, nous avons exp ´eriment ´e notre mod `ele dans le cadre de la simulation des d ´eplacements de pi ´etons et des v ´ehicules dans les zones n ´evralgiques de la ville de Belfort et de sa communaut ´e d’agglom ´erations. L’objectif est d’ ´etudier les diff ´erents sc ´enarii d’am ´enagement des infrastructures pour la mise en place d’un nouveau r ´eseau de transports en commun. Les simulations r ´ealis ´ees ont mis en ´evidence des probl `emes structurels (g ´eom ´etrie de voie inappropri ´ee, etc.) et des probl `emes fonctionnels (congestion, synchronisation des feux, etc.).
3/ D
ESCRIPTION DU PLAN DE LA THESE`
Apr `es la pr ´esentation de nos propositions dans le contexte de cette th `ese, cette section introduit le plan de ce m ´emoire. Selon les objectifs ´enonc ´es dans la section 2, cette th `ese est organis ´ee en six chapitres. La figure 1 r ´esume l’organisation du m ´emoire.
Le chapitre 1 pr ´esente les ´el ´ements th ´eoriques des deux domaines sous-jacents aux travaux pr ´esent ´es dans cette th `ese : la simulation des d ´eplacements en milieu urbain et les syst `emes multi-agents.
Lechapitre 2pr ´esente et compare diff ´erents mod `eles de l’environnement physique dans le cadre des applications r ´ealis ´ees dans cette th `ese.
Lechapitre 3introduit les concepts fondamentaux de notre mod `ele de l’environnement fond ´e sur les graphes. Dans l’optique d’autoriser la mod ´elisation de diff ´erentes topologies et de rendre cette mod ´elisation facile et efficace, nous proposons des types de nœuds et d’arcs permettant de construire une repr ´esentation de l’environnement intelligible et performante dans le cadre de projets de simulation.
Lechapitre 4d ´ecrit la dynamique de l’environnement. L’un des probl `emes r ´ecurrents des mod `eles de l’environnement concerne la d ´etermination de la r ´eaction de l’environnement aux actions initi ´ees par les agents. Nous adoptons une approche de mod ´elisation inspir ´ee de la Physique afin de r ´epondre sp ´ecifiquement `a cette probl ´ematique.
Le chapitre 5pr ´esente la mise en œuvre des travaux pr ´esent ´es dans le cadre de deux projets d’am ´enagement de la ville de Belfort et de sa communaut ´e d’agglom ´erations. Ces deux projets ont permis d’instancier notre mod `ele de l’environnement et de r ´ealiser des simulations interactives afin de mettre en place un nouveau syst `eme de transport urbain. Enfin, une conclusion pr ´esente un bilan de nos travaux de recherche et adresse quelques perspectives possibles.
SOMMAIRE 5 Introduction générale Chapitre 2 Simulation multiagent en environnement urbain Chapitre 3 Modèles microscopiques d'environnements physiques Chapitre 4 Structure du modèle de l'environnement HEDGE Chapitre 5
Comportement dynamique du modèle de l'environnement HEDGE
Chapitre 6
Simulations hétérogènes dans la ville de Belfort Conclusion et Perspectives Annexes Contexte et état de l'art HEDGE : Un modèle d'environnement physique Application Conclusion et perspectives
1
S
IMULATION MULTI
-
AGENT EN
ENVIRONNEMENT URBAIN
L
’ ´etude des ph ´enom `enes li ´es aux d ´eplacements individuels suscite un int ´er ˆet impor-tant dans l’am ´enagement des sites urbains, l’ ´etude de la s ´ecurit ´e, l’architecture, et l’analyse des flux, o `u les deux classes d’applications dominantes sont la simulation d’ ´evacuations et l’analyse des flux des d ´eplacements d’un grand nombre d’individus dans un environnement int ´erieur ou ext ´erieur (Thalmann et al., 2013). L’objectif de ces simula-tions est d’aider les d ´ecideurs et les experts `a comprendre la relation entre l’organisa-tion de l’espace et les comportements humains (Okazaki et al., 1993). Les environne-ments consid ´er ´es sont h ´et ´eroclites : les rues (Farenc et al., 1999; Thomas et al., 2000b), les b ˆatiments (Braun et al., 2005a; Thompson et al., 1995b), les m ´etros (Hareesh, 2000), les bateaux (Kl ¨upfel et al., 2000), les avions (Owen et al., 1998), les stades (Still, 2000) ou encore les a ´eroports (Szymanezyk et al., 2011).Les syst `emes multi-agents (SMA) rev ˆetent de plus en plus d’importance pour leur capa-cit ´e `a aborder les syst `emes complexes, et notamment les syst `emes urbains. Le domaine des SMA peut ˆetre vu comme le confluent de plusieurs disciplines de recherche : l’in-telligence artificielle (Weiss, 1999) pour les aspects d ´ecisionnels de l’agent, l’inl’in-telligence artificielle distribu ´ee (Fagin, 1995) et plus g ´en ´eralement les syst `emes distribu ´es pour les interactions entre agents et la distribution de la r ´esolution et de l’ex ´ecution, et enfin le
Sommaire
1.1 Fondamentaux sur la simulation . . . . 8
1.1.1 Principes g ´en ´eraux . . . 8
1.1.2 Simulation de trafic . . . 9
1.1.3 Simulation de foules . . . 10
1.2 Syst `emes multi-agents . . . . 12
1.2.1 D ´efinition de la notion d’agent . . . 12
1.2.2 D ´efinition d’un syst `eme multi-agent . . . 13
1.3 Simulation orient ´ee-agent . . . . 14
1.3.1 Principes g ´en ´eraux . . . 14
1.3.2 Comportement d’agent . . . 16
1.3.3 Environnement . . . 17
1.3.4 Interaction entre un agent et l’environnement physique . . . 21
1.4 Conclusion . . . . 26
g ´enie logiciel (Jennings, 2000; Shoham, 1994) pour l’approche de mod ´elisation orient ´ee-agent et la cr ´eation de composants logiciels autonomes.
L’int ´er ˆet de ces syst `emes est double. D’une part, ils contribuent `a l’analyse des m ´ecanismes produits lorsque des entit ´es autonomes interagissent entre elles. Les SMA permettent alors de mod ´eliser, expliquer et simuler des ph ´enom `enes naturels. Ils sus-citent ´egalement des mod `eles d’auto-organisation. Par exemple, ils peuvent ˆetre utilis ´es pour mod ´eliser l’ensemble des foyers au sein d’une ville, et ainsi d ´eterminer l’ ´evolution des migrations intra-urbaines (Vanbergue, 2003a).
D’autre part, ils sont utilis ´es pour la r ´ealisation de syst `emes complexes via les concepts d’agent, de communication, de coop ´eration et de coordination d’actions (Jarras et al., 2002). Le travail en collaboration d’un groupe d’individus (exemples : des chefs de projets, des ing ´enieurs, des experts, etc.) sur un projet est un exemple de syst `eme complexe pouvant ˆetre mod ´elis ´e par les SMA.
L’objectif de ce chapitre est de d ´efinir les concepts et les principes de base de la si-mulation multi-agent d’environnements urbains. Il se divise en quatre sections. Nous commenc¸ons par rappeler les fondamentaux de la simulation, et plus particuli `erement de la simulation de trafic et de foules. Dans la section 1.2 nous pr ´esentons les d ´efinitions et principes li ´es aux SMA. Le chapitre se poursuit par la pr ´esentation des principes et des fondamentaux de la simulation orient ´ee-agent. Enfin, nous concluons ce chapitre en d ´ecrivant les probl ´ematiques qui n’ont pas ´et ´e r ´esolues par les approches expos ´ees.
1.1/
F
ONDAMENTAUX SUR LA SIMULATIONDans cette section, nous rappelons les principes et les fondamentaux de la simulation. Ensuite, nous pr ´esentons les points cl ´es de la simulation de trafic et de foules.
1.1.1/ PRINCIPES GEN´ ERAUX´
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)1. 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 et al., 1997). Pour y parvenir, elle est g ´en ´eralement associ ´ee `a un ensemble d’outils qui constituent le simulateur.
1. 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.´´
1.1. FONDAMENTAUX SUR LA SIMULATION 9
Les mod `eles de simulation peuvent ˆetre class ´es en trois grandes familles : macrosco-pique, microscopique et m ´esoscopique.
Les mod `eles de simulation macroscopiques sont bas ´es sur des relations d ´eterministes entre la circulation, la vitesse et la densit ´e de population, constituant la foule ou le tra-fic routier simul ´e (Helbing et al., 1998). La simulation d’un mod `ele macroscopique se focalise principalement sur des r ´egions ou des populations plut ˆot que sur les comporte-ments individuels. Ces mod `eles ont ´et ´e initialement d ´evelopp ´es pour mod ´eliser le trafic dans les r ´eseaux de transport, tels que les autoroutes, les r ´eseaux de rues, et les routes rurales. Cette approche permet la simulation d’une tr `es grande population avec un rela-tivement faible co ˆut de calcul. Toutefois, en raison de son haut niveau de repr ´esentation, les r ´esultats sont agr ´eg ´es, impr ´ecis et li ´es `a la taille de la population simul ´ee.
Les mod `eles de simulation microscopiques s’int ´eressent aux mouvements des per-sonnes sur la base de comportements dynamiques et individuels. Citons par exemple les comportements de v ´ehicule-suiveur et de changement de voie pour repr ´esenter des conducteurs, ou les comportements bas ´es sur des forces pour les pi ´etons (Dey et al., 2007; Galland et al., 2009; Razavi et al., 2011b; Reynolds, 1987; Thalmann et al., 2013). Ces mod `eles sont efficaces pour l’ ´evaluation des conditions d’encombrement et de sa-turation d’un syst `eme, l’ ´etude de la configuration topologique du syst `eme, et l’ ´evaluation des impacts des comportements individuels sur ce syst `eme. Cependant, ces mod `eles sont difficiles `a mettre en œuvre, co ˆuteux en termes de temps de calcul, et peuvent ˆetre difficiles `a calibrer.
Les mod `eles m ´esoscopiques combinent les propri ´et ´es des mod `eles de simulation micro-scopique et macromicro-scopique. Par exemple, ils peuvent se focaliser sur des entit ´es compo-sant le syst `eme en utilicompo-sant des mod `eles ne permettant pas de distinguer les individus les uns des autres comme les mod `eles particulaires (Schaefer et al., 1998) ; en regroupant les individus au sein d’entit ´es de plus haut niveau comme des groupes de pi ´etons (Gaud et al., 2008) ; ou encore en utilisant un mod `ele discret de l’environnement comme les automates cellulaires (Karafyllidis et al., 1997).
1.1.2/ SIMULATION DE TRAFIC
La simulation de trafic est la classe d’applications permettant la mod ´elisation et la repro-duction de la dynamique de syst `emes de transport. Elle est g ´en ´eralement utilis ´ee dans le cadre de la conception, de l’aide `a la planification, et l’exploitation des syst `emes de trans-port (Barcel ´o, 2010). Elle permet l’ ´etude de mod `eles trop complexes pour le traitement analytique ou num ´erique. De plus, elle peut ˆetre utilis ´ee lors d’ ´etudes exp ´erimentales pour mettre en avant les comportements dynamiques qui ne peuvent ˆetre consid ´er ´es par les approches analytiques. Un autre point fort des mod `eles et des outils de simulation de trafic est leur capacit ´e `a produire des r ´esultats pouvant ˆetre visualis ´es dans des outils attractifs et intuitifs (visualisation en trois dimensions, etc.).
Que ce soit pour la planification ou l’exploitation, de nombreux modes de transport peuvent ˆetre consid ´er ´es dans un mod `ele de la simulation de trafic. Dans le cadre de cette th `ese, nous nous int ´eresserons uniquement aux modes de transport terrestres. Toutefois, nous consid ´erons de le mod `ele pr ´esent ´e dans cette th `ese peut ˆetre adapt ´e au transport fluvial et a ´erien.
(Barcel ´o, 2010). Dans le cadre de cette th `ese, nous n’abordons pas les mod `eles bas ´es sur la m ´ethode de Mont ´e Carlo (Du et al., 2009; Rubinstein et al., 2011), les automates cellulaires ou la simulation `a ´ev ´enements discrets (Wainer, 2009).
Les mod `eles orient ´es-agent (``Agent-based model´´ - ABM) sont maintenant largement utilis ´es pour la simulation de trafic (Macal et al., 2005; Niazi et al., 2011). Ils permettent d’analyser et comprendre les ph ´enom `enes complexes li ´es aux interactions entre les diff ´erentes entit ´es constituant le trafic. Ainsi, ils r ´eduisent la complexit ´e du syst `eme `a la mod ´elisation d’agents autonomes en interaction et en d ´eduisent les r `egles r ´egissant un tel syst `eme. Nous d ´etaillons les principes des syst `emes multi-agents2dans la section 1.2.
1.1.3/ SIMULATION DE FOULES
La simulation de foules est la classe d’applications dans laquelle les comportements de d ´eplacements d’une foule d’individus sont reproduits. Ces deux derni `eres d ´ecennies, les chercheurs d’un large ´eventail de domaines tels que l’architecture (Chelhorn et al., 1999; Penn et al., 2001; Turner et al., 2002), l’infographie (Bouvier et al., 1996; Braun et al., 2003; Hodgins et al., 1994; Musse et al., 2001; Tecchia et al., 2002; Ulicny et al., 2002), la physique (Farkas et al., 2002; Helbing et al., 2000, 1995), la robotique (P. et al., 2001), la science de la s ´ecurit ´e (Still, 2000; Thompson et al., 1995a), les syst `emes de formation (Bottaci, 1995; Varner et al., 1998; Williams, 1995), et la sociologie (Jager et al., 2001; Tucker et al., 1999) ont utilis ´e des simulations impliquant des collections d’individus. Plusieurs techniques de mod ´elisation de la foule existent d ´ej `a. Toutefois, des probl ´ematiques scientifiques et technologiques restent d’actualit ´e (Thalmann et al., 2013; Ulicny et al., 2006) : (i) Les approches existantes sont souvent ax ´ees sur les situations de panique plut ˆot que les comportements habituels des individus ; (ii) Les comportements sont g ´en ´eralement ceux des individus, les groupes ou les familles sont rarement trait ´ees ; (iii) Il est n ´ecessaire d’utiliser des m ´ethodes distinctes du mod `ele de simulation de foules pour calibrer a priori les d ´eplacements des individus au sein de la foule, et pour affec-ter les objectifs aux individus ; (iv) Les m ´ethodes existantes sont souvent complexes et n ´ecessitent de nombreux ajustements des param `etres pour obtenir des r ´esultats pro-bants.
Afin d’obtenir une application convaincante bas ´ee sur la simulation de foules dans un environnement virtuel, divers aspects de la simulation doivent ˆetre abord ´es : l’ani-mation comportementale, la mod ´elisation de l’environnement et la mod ´elisation des repr ´esentations graphiques. Les travaux r ´ecents ont montr ´e qu’il est n ´ecessaire de pro-duire un mod `ele de simulation approximant correctement le syst `eme r ´eel ´etudi ´eet une repr ´esentation graphique r ´ealiste des entit ´es constituant le syst `eme (Fuchs et al., 2006; Thalmann et al., 2013). En effet, si le rendu n’est pas satisfaisant, m ˆeme le meilleur mod `ele de comportement ne pourra pas ˆetre convaincant pour l’utilisateur. A l’oppos ´e, si le mod `ele de comportement n’approxime pas correctement le comportement de l’individu r ´eel, les entit ´es simul ´ees seront perc¸ues comme stupides et cela m ˆeme si le module d’af-fichage produit des images de qualit ´e photo-r ´ealiste. Enfin, si le mod `ele de l’environne-ment n’approxime pas de mani `ere suffisaml’environne-ment pr ´ecise l’environnel’environne-ment r ´eel, l’utilisateur et les entit ´es simul ´ees pourront r ´ealiser des actions semblant ˆetre incoh ´erentes.
2. La communaut ´e en Science du Transport utilise le terme Mod`ele orient´e-agent . La communaut´e
1.1. FONDAMENTAUX SUR LA SIMULATION 11
L’utilisation la plus commune des simulateurs de foules est la mod ´elisation du comporte-ment des foules en cas d’ ´evacuation forc ´ee d’un environnecomporte-ment confin ´e en raison d’une menace. Dans une telle situation, un certain nombre de personnes doivent ´evacuer la zone donn ´ee, g ´en ´eralement par un nombre relativement restreint de sorties fixes. Ces simulations tentent de donner une r ´eponse aux questions telle que : La r ´egion peut-elle ˆetre ´evacu ´ee dans un d ´elai prescrit ? O `u sont les zones susceptibles de contenir une densit ´e d’individus trop importante (Robbins, 1999) ? L’approche de mod ´elisation la plus connue dans ce domaine est l’utilisation des automates cellulaires servant `a la fois de repr ´esentation des individus et de l’environnement.
Simulex (Thompson et al., 1995b) est un mod `ele simulant les d ´eplacements d’individus pour la simulation de l’ ´evacuation de b ˆatiments. Le mod `ele de l’environnement repr ´esente de grands espaces ouverts, g ´eom ´etriquement complexes qui sont d ´efinis par les plans 2D des ´etages et un ensemble d’escaliers les reliant. Chaque individu poss `ede des at-tributs tels que sa position, son orientation, sa taille corporelle, et sa vitesse de marche. Diff ´erents algorithmes sont utilis ´es pour calculer les d ´eplacements : carte mentale des distances entre deux points, recherche du plus court chemin, d ´epassement, changement de voie, et ajustement de la vitesse.
Still (2000) a propos ´e une collection de programmes nomm ´ee Legion pour la si-mulation et l’analyse de la dynamique d’une foule lors l’ ´evacuation d’environnements contraints (stade, b ˆatiment, etc.). La dynamique des mouvements est mod ´elis ´ee par un automate cellulaire. Toutefois, chaque personne dans la foule est trait ´ee comme un in-dividu autonome qui d ´etermine sa position en percevant son environnement proche et choisit une action appropri ´ee `a r ´ealiser.
Helbing et al. (1995) a propos ´e un mod `ele inspir ´e des lois de la Physique et utilisant des forces socio-psychologiques pour d ´ecrire les comportements des individus lors de situations de panique (Helbing et al., 2000; Werner et al., 2003). Le mod `ele est bas ´e sur un syst `eme de particules dans lequel chaque particule i de masse mi a une vitesse
pr ´ed ´efinie v0i (sa vitesse de consigne) dans une direction donn ´eee0i. Pour atteindre cette consigne, chaque particule tend `a adapter sa vitesse instantan ´eevi dans l’intervalle de
temps τ (premier terme de l’ ´equation 1.1). Dans le m ˆeme temps, chaque particule essaie de garder une distance minimale avec chacune des autres particules j et des murs w se trouvant dans son voisinage. Pour cela les forces de r ´epulsionfi jetfiw sont calcul ´ees
(deuxi `eme et troisi `eme termes de l’ ´equation 1.1). La modification de la vitesse en fonction du temps τ est donn ´ee par l’ ´equation :
mi dvi dt = F (H) i = mi v0ie0i −vi(t) τi + X j,i fi j+ X w fiw (1.1)
Braun et al. (2003) a ´etendu le mod `ele de Helbing et al. (1995), Fi(H), afin de pouvoir simuler des comportements d’individus diff ´erents, et de reproduire des comportements de groupes (Braun et al., 2005b). Dans ce travail, la population des agents est compos ´ee d’individus aux comportements h ´et ´erog `enes et poss ´edants des propri ´et ´es physiques et comportementales diff ´erentes.
Buisson et al. (2013) a propos ´e un mod `ele inspir ´e des lois de la Physique utilisant des forces de glissement pour remplacer les forces de r ´epulsion propos ´ees par Helbing et al. (1995). Cette approche permet de mieux prendre en compte l’inertie dans le mouvement de l’individu. Il r ´epond ´egalement au probl `eme de la d ´etermination dee0
d ´etaill ´e dans l’annexe C.3.
Van den Berg et al. (2008) consid `ere le cas dans lequel chaque agent navigue ind ´ependamment sans communication explicite avec d’autres agents. La formulation adopt ´ee prend en compte le comportement r ´eactif des autres agents en supposant im-plicitement qu’ils tenteront ´egalement d’ ´eviter une collision. Chaque agent construit une repr ´esentation de son environnement dans laquelle ce dernier est d ´ecompos ´e en zones sures et en zones non sures . Chaque agent calcule les enveloppes g´eom´etriques gj repr ´esentant les mouvements de ses voisins j. Les zones non sures sont celles qui
poss `edent une intersection avec l’enveloppe g ´eom ´etrique vi du d ´eplacement de l’agent.
Dans ce cas, le mod `ele consid `ere qu’il y a un potentiel de collisions avec l’un des voisins ( ´equation 1.2).
z¬sure =
[
c=intersect(gj,vi)
c (1.2)
Cette m ´ethode garantit des mouvements s ˆurs et sans oscillation dans les d ´eplacements d’un agent.
Une grande majorit ´e des travaux traitant de la simulation de foules consid ´erant les d ´eplacements de chaque individu utilise une approche orient ´ee-agent (Braun et al., 2003; Buisson et al., 2013; Gaud et al., 2008; Helbing et al., 2005; Jian et al., 2005; Karamouzas et al., 2009b; Paris et al., 2007b; Van den Berg et al., 2008). L’approche multi-agent est particuli `erement bien adapt ´ee `a l’ ´etude des dynamiques de d ´eplacement de populations. Les syst `emes multi-agents s’av `erent plus flexibles que les mod `eles macroscopiques `a base d’ ´equations diff ´erentielles pour simuler des ph ´enom `enes spatiaux et ´evolutifs (Bre-tagnolle et al., 2003).
Nous d ´ecrivons les principes des syst `emes multi-agents dans la section suivante.
1.2/
S
YSTEMES MULTI`
-
AGENTSLes syst `emes multi-agents (SMA) sont consid ´er ´es comme des soci ´et ´es compos ´ees d’en-tit ´es autonomes et ind ´ependantes, appel ´ees agents, qui interagissent en vue de r ´esoudre un probl `eme ou de r ´ealiser collectivement une t ˆache. Gr ˆace `a la g ´en ´ericit ´e de ces concepts, les domaines d’application des SMA sont vastes (Jennings et al., 1998). Les SMA offrent aussi un cadre pour la mod ´elisation et la simulation de syst `emes complexes. Notamment, les travaux dans le domaine de la simulation de trafic et de foules illustrent l’usage important des SMA.
Dans la suite de cette section, nous d ´efinissons les notions d’agent et de syst `eme multi-agent. Les principes de la simulation orient ´ee-agent sont pr ´esent ´es dans la section 1.3.
1.2.1/ 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 et al. (1995). Ils consid `erent un agent comme Tout ce qui peut ˆetre vu comme perce-vant son environnement `a l’aide de capteurs et agissant sur cet environnement `a l’aide
1.2. SYST `EMES MULTI-AGENTS 13
d’effecteurs, de fac¸on autonome. Cette d´efinition tr`es g´en´erale et volontairement mini-maliste dans sa formulation (uniquement) a ´et ´e ´etendue notamment par Ferber (1995) (d ´efinition 1) pour, en outre, accentuer l’importance de l’environnement (qui demeurait rarement sp ´ecifi ´e).
D ´efinition 1 : Agent (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 mue par un ensemble de tendances (sous la forme d’objectifs
indi-viduels ou de fonctions 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.
1.2.2/ D ´EFINITION D’UN SYSTEME MULTI` -AGENT
La plupart des auteurs s’accordent g ´en ´eralement pour d ´efinir un syst `eme multi-agent (SMA) comme un syst `eme compos ´e d’agents qui communiquent et collaborent pour achever 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. Nous consid ´erons particuli `erement la d ´efinition 2 propos ´ee par Ferber (1995). En effet, nous pensons que cette d ´efinition met parti-culi `erement en avant le concept d’environnement.
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 agents3.
Cette notion d’ ´emergence est essentielle dans les SMA, car c’est l’une des propri ´et ´es qui les rendent si aptes `a mod ´eliser les syst `emes complexes.
D ´efinition 2 : Syst `eme multi-agent (Ferber, 1995)
Un syst `eme multi-agent 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), lesquels repr ´esentent 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.a — 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.
a. Cela correspond entre autres `a la facult ´e des agents de percevoir leur environnement, de manger, etc.
1.3/
S
IMULATION ORIENTEE´
-
AGENTLa simulation multi-agent se r ´ef `ere aux mod `eles microscopiques ou qualifi ´es individu-centr ´es (Amblard, 2003) et fournit un processus permettant de mod ´eliser et simuler la dynamique de populations compos ´ees d’individus en interaction.
La simulation orient ´ee-agent assimile un individu `a un agent. La simulation multi-agent a ´et ´e appliqu ´ee `a un grand nombre de domaines tels que la robotique (Drogoul, 1993; Kitano et al., 1997), l’ ´ethologie (Drogoul et al., 1999), l’ ´ecologie et la biologie, ou les sciences sociales (Conte et al., 1998; Gilbert et al., 2005).
La perspective adopt ´ee se situe au niveau de l’individu ; 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 d ´etriment d’un co ˆut calculatoire plus important. 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.
1.3.1/ PRINCIPES GEN´ ERAUX´
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-agent. Il adopte une approche multi-vue et distingue quatre aspects fondamentaux dans un mod `ele de simulation multi-agent :
1.3. SIMULATION ORIENT ´EE-AGENT 15
— Comportements : cet aspect traite de la mod ´elisation des processus de d ´elib ´eration des agents (leurs esprits ).
— 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.
— 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.
— Interaction : 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 1.1 illustre les relations entre ces quatre aspects fondamentaux d’une simulation multi-agent.
Comportements Architecture interne de l'agent
Modélisation des processus délibératifs ("esprit")
Environnement Objets physiques du monde,
structure et dynamique de de l'environnement (évaporation...) Ordonnancement Dynamique temporelle du système Modélisation d'ordonnancement des agents Interaction Modélisation des événements
Modélisation des actions et interactions à l'instant t exécute implique implique supporte Définitions des actions, perceptions, et résolution de conflicts
FIGURE 1.1 – Les quatre aspects d’un mod `ele de simulation multi-agent selon 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 :
a) L’approche discr `ete (centr ´ee environnement) o `u la discr ´etisation de
l’environ-nement sous forme de zones d ´efinit la granularit ´e des perceptions et des ac-tions des agents.
b) 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 caract ´eristiques de l’agent concern ´e (Weyns et al., 2004b).
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. — Biais de simulation et 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 permettent 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.
Dans la suite de cette section, nous nous int ´eressons particuli `erement au comportement des agents et `a la mod ´elisation de l’environnement.
1.3.2/ COMPORTEMENT D’AGENT
Le comportement d’un agent tend `a satisfaire les objectifs de celui-ci, en tenant compte des ressources et des comp ´etences `a sa disposition, et des repr ´esentations et des per-ceptions accessibles. La principale hypoth `ese dans la th ´eorie normative propos ´ee par Hoogendoorn et al. (2002) est que toutes les actions d’un agent, exerc¸ant une activit ´e ou suivant un trajet, auront une utilit ´e (ou d ´es-utilit ´e) pour lui. Les individus pourront pr ´evoir et optimiser l’utilit ´e totale, compte tenu de l’incertitude sur les conditions de d ´eplacement attendues (semblable `a la th ´eorie du consommateur micro- ´economique (Franck, 2002)). En choisissant parmi les options disponibles, ils tentent de r ´ealiser une utilit ´e nette maxi-male, qui est la somme des utilit ´es des activit ´es d’interpr ´etation et des d ´es-utilit ´es des efforts li ´es aux d ´eplacements vers les lieux d’activit ´es. Cette notion est appel ´ee maximi-sation de l’utilit ´e subjective : chaque individu a sa propre vision subjective de la situation. Notre hypoth `ese est que tous les agents se d ´eplac¸ant dans l’univers virtuel poss `edent des comportements tendant `a cette maximisation.
L’architecture d’un agent dans notre cadre d’application peut ˆetre compos ´ee de trois couches, illustr ´ees sur la figure 1.2 (Hoogendoorn et al., 2001; Thalmann et al., 2013; Van den Berg et al., 2008) :
— Couche strat ´egique : Au niveau strat ´egique, les individus d ´ecident des activit ´es `a
r ´ealiser dans l’univers. Si certaines de ces activit ´es peuvent ˆetre discr ´etionnaires (par exemple l’achat d’un journal), d’autres peuvent ˆetre obligatoires (validation d’un billet avant d’acc ´eder `a un train). L’ensemble des choix peut ˆetre li ´e aux ca-ract ´eristiques environnementales (type et emplacement des magasins, etc.). Dans cette couche, les agents utilisent en g ´en ´eral une architecture de s ´election des ac-tions comme l’architecture ``Belief-Desire-Intention´´ (BDI), ou les mod `eles ``Goal Oriented Action Planning´´ (Orkin, 2003)
— Couche tactique : Le niveau tactique concerne les d ´ecisions `a court ou moyen termes devant ˆetre prises par les agents en utilisant comme r ´ef ´erence les d ´ecisions du niveau strat ´egique. `A partir des objectifs donn ´es par ce dernier, le mod `ele de la couche tactique doit construire un plan d’action d ´etaill ´e. Les localisa-tions des diff ´erentes activit ´es et les chemins pour atteindre ces localisalocalisa-tions sont d ´etermin ´es `a ce niveau. L’architecture BDI peut ˆetre utilis ´ee pour construire la s ´equence d’actions. Les algorithmes de recherche de plus court chemin peuvent former la base de calcul des trajets `a emprunter sous la forme d’une s ´equence de zones de l’environnement : A* (Dechter et al., 1985), D* (Stentz, 1995).
— Couche op ´erationnelle : Au niveau op ´erationnel, les individus prennent des
d ´ecisions `a tr `es court terme. Ces d ´ecisions sont orient ´ees par celles fournies par la couche pr ´ec ´edente. Les mod `eles appartenant `a cette couche d ´ecident de la tra-jectoire d’un individu, de sa vitesse ou de son acc ´el ´eration. Contrairement `a Hoo-gendoorn et al. (2001) qui ne consid `ere que le choix de la meilleure vitesse pour un individu, nous pensons que le mod `ele op ´erationnel d’un individu a pour princi-pal objectif d’ ´eviter les collisions avec les objets de l’environnement ou les autres individus l’entourant. En d’autres termes, nous consid ´erons que les mod `eles de
1.3. SIMULATION ORIENT ´EE-AGENT 17
la couche op ´erationnelle ont pour objectif de d ´eterminer les mouvements et les actions que devra r ´ealiser le corps d’un individu.
ENVIRONNEMENT Corps Recherche de chemin Evitement de collision chemin à suivre accélération nouvelle position objets perçus Plannification objectifs actions
FIGURE1.2 – Architecture en couches d’un agent
Il existe des interactions entre les mod `eles de chaque niveau de d ´ecision. La figure 1.2 donne un exemple d’interactions entre les couches constituant un mod `ele de simulation de pi ´eton. Cette architecture en couches est entre autres utilis ´ee pour la simulation de pi ´etons et de cyclistes dans des villes virtuelles (Buisson et al., 2013; Paris et al., 2007a; Thalmann et al., 2013; Van den Berg et al., 2008), dans des gares et des a ´eroports (Daa-men, 2004; Demange, 2012), pour la simulation de l’ ´evacuation d’un b ˆatiment en cas d’incendie (Geramifard et al., 2005).
Nous ne fournissons pas plus de d ´etails dans cette section sur les mod `eles de compor-tements d’agents. En effet, le chapitre 5 pr ´esente et illustre diff ´erents mod `eles d’agents pour simuler des pi ´etons, des cyclistes et des conducteurs de v ´ehicules en accord avec l’architecture pr ´esent ´ee dans cette section.
1.3.3/ ENVIRONNEMENT
Les travaux provenant du groupe de travail sur l’environnement pour les syst `emes multi-agents (issu de la conf ´erence E4MAS) ont largement contribu ´e `a la prise de conscience de l’importance de tout ce qui est ext´erieur aux agents. La d´efinition du concept d’en-vironnement dans un syst `eme multi-agent s’est alors pr ´ecis ´ee.
1.3.3.1/ D ´EFINITION DU CONCEPT D’ENVIRONNEMENT
L’environnement est commun ´ement d ´efini par tout ce qui entoure un agent. Weyns et al. (2005a) donnent une d ´efinition globale de l’environnement (cf. d ´efinition 3), sans pour autant faire r ´ef ´erence `a un type d’agent particulier. L’une des principales id ´ees est de d ´el ´eguer une partie des responsabilit ´es du SMA `a l’environnement, qui int `egre des m ´ecanismes fournissant des services tels que l’observabilit ´e et l’accessibilit ´e `a des res-sources partag ´ees (voir d ´efinition 2, page 14).
D ´efinition 3 : Environnement (Weyns et al., 2005a)
L’environnement est une abstraction de premier ordre qui fournit les conditions environnantes aux agents pour exister et qui sert d’interm ´ediaire `a la fois pour les interactions entre agents et l’acc `es aux ressources.
1.3.3.2/ MISSIONS DE L’ENVIRONNEMENT
Les missions de l’environnement sont d ´efinies par Weyns et al. (2005a) comme suit : — Partager les informations : L’environnement est une structure commune pour
les agents, o `u chacun d’eux perc¸oit et agit. Le principe de stigmergie4 est au
cœur de cette mission. Il exprime la notion que les actions d’un agent laissent des signes dans l’environnement, signes perc¸us par lui-m ˆeme et les autres agents et qui d ´eterminent leurs prochaines actions Parunak (2003).
— G ´erer les actions des agents et les interactions : Cet aspect est li ´e `a la gestion
des actions simultan ´ees et conjointes des agents, et `a la pr ´eservation de l’int ´egrit ´e de l’environnement. Par exemple, lorsque deux agents poussent la m ˆeme boˆıte `a l’oppos ´e l’un de l’autre, l’environnement peut calculer la localisation r ´eelle de la boˆıte selon les lois de la Physique, et les forces appliqu ´ees.
— G ´en ´erer des perceptions et des observations : L’environnement doit ˆetre
lo-calement et partiellement observable. Ainsi, les agents peuvent ´egalement g ´erer l’acc `es aux informations environnementales et garantir le caract `ere partiel et local de la perception.
— Maintenir les dynamiques endog `enes : L’environnement est une entit ´e active. Il
peut avoir ses propres processus ind ´ependamment des activit ´es r ´ealis ´es par les agents. Un exemple typique est l’ ´evaporation des ph ´eromones artificielles dans les algorithmes `a base de colonies de fourmis.
Ces missions sont ex ´ecut ´ees dans un ordre pr ´ed ´etermin ´e. La figure 1.3 illustre un cycle de simulation issu de la synth `ese des propositions de Ferber et al. (1996) et Weyns et al. (2004a). Ce cycle tente de r ´epondre aux deux probl ´ematiques suivantes (Weyns et al., 2004a) :
— Synchronisation des agents et de la dynamique endog `ene : Le probl `eme
est, que dans de nombreux cas, les activit ´es en cours dans l’environnement sont associ ´ees au temps physique. L’ ´evaporation de ph ´eromones, par exemple, est principalement mise en œuvre en fonction du temps physique (Sauter et al., 2002). Toutefois, la charge sur un syst `eme informatique fluctue continuellement. En cons ´equence, le d ´eclin de l’intensit ´e des ph ´eromones n’ ´evolue pas au prorata du temps de calcul disponible pour les agents.
— ´Evolution du temps : L’ ´evolution temporelle d’un SMA peut ˆetre consid ´er ´ee
comme une machine `a ´etats abstraite qui ex ´ecute, `a chaque cycle, les activit ´es des agents et l’activit ´e dans l’environnement au m ˆeme instant. De cette fac¸on, le mod `ele assure la simultan ´eit ´e conceptuelle entre les agents et l’environnement. Toutefois, l’ex ´ecution sur un calculateur ´etant s ´equentielle, la mise en œuvre pra-tique pose ´egalement le probl `eme de la simultan ´eit ´e des actions dans l’environne-ment.
4. Le terme fut introduit par le biologiste franc¸aisPIERRE-PAULGRASSE´en 1959, en r ´ef ´erence au
1.3. SIMULATION ORIENT ´EE-AGENT 19 Agents Phases de l'environnement Génération des perceptions Réaction environnementale, modification de l'état de l'environnement
Collecte des influences Processus engodène Agent i Perce ption Influence Compo rt.
FIGURE1.3 – Cycle d’ex ´ecution d’un syst `eme multi-agent durant une simulation (Galland
et al., 2009)
1.3.3.3/ TYPES D’ENVIRONNEMENTS
Dans une synth `ese des diff ´erents travaux relatifs aux mod `eles d’environnement dans les syst `emes multi-agents, Odell et al. (2002) d ´efinissent trois types d’environnements :
— L’environnement de communication (cf. section 1.3.3.4), — L’environnement social (cf. section 1.3.3.5) et
— L’environnement physique (cf. section 1.3.3.6).
Des travaux r ´ecents tentent de caract ´eriser tous les types d’environnements pour d ´efinir des patrons de conception de mod `eles d’environnement (Mathieu et al., 2014). La d ´efinition des fonctions voisint(a, r) et positiont(a, p) est au cœur de l’approche adopt ´ee
par Mathieu et al. (2014). La premi `ere fonction permet de d ´eterminer les agents qui se trouvent dans le voisinage (distance ≤ r) de a `a l’instant t. La seconde fonction permet de modifier la position de l’agent a. Quatre patrons d’environnement ont ´et ´e propos ´es :
— L’AgentSet est une collection (non structur ´ee) d’agents poss ´edant une position dans l’environnement. Ce type d’environnement est plut ˆot destin ´e `a un environ-nement contenant un petit nombre d’agents. En effet, l’environenviron-nement n’ ´etant pas structur ´e, la fonction voisint(a, r) poss `ede une complexit ´e importante de l’ordre de
O(n).
— Le StandardGrid correspond `a un environnement poss ´edant un espace discret de coordonn ´ees (grille, graphe, etc.). Ce type d’environnement permet de dimi-nuer la complexit ´e de calcul du voisinage d’un agent en structurant l’espace de l’environnement. Cette structuration est g ´en ´eralement bas ´ee sur une grille ou un graphe.
— L’AggregateGrid correspond `a un environnement poss ´edant un espace continu de coordonn ´ees (plan, arbre spatial, etc.) qui est ensuite discr ´etis ´e par une structure de donn ´ees choisie. Cette discr ´etisation peut ˆetre r ´ealis ´ee soit par une grille, soit
par un arbre de d ´ecomposition spatiale (Galland et al., 2009).
— Le SocialNet est le patron permettant de d ´efinir l’environnement social. Mathieu et al. (2014) consid `ere que ce patron permet de mod ´eliser la plupart des types d’environnement social, et des interactions entre les agents dans ces types d’en-vironnements. Le voisinage est d ´efini par des relations d’accointances entre les agents. La position d’un agent est une position sociale (r ˆole, etc.).
Les trois premiers patrons sont relatifs `a l’environnement physique, et le dernier `a l’envi-ronnement social.
Galland et al. (2014c) propose de consid ´erer les interactions directes entre les diff ´erents types d’environnements. Le mod `ele propos ´e permet de d ´efinir les influences de la dimen-sion sociale sur la dimendimen-sion physique, et vice-versa. Il est alors possible de d ´ecrire le comportement endog `ene de l’environnement en consid ´erant ses diff ´erentes dimensions et leurs interactions au sein d’un m ˆeme mod `ele.
Les diff ´erents types d’environnements ont fait l’objet de formalisations d ´ecrivant leurs composants et leurs propri ´et ´es (B ´eh ´e et al., 2014; Goua¨ıch et al., 2005; Weyns et al., 2004a).
Dans les sous-sections suivantes, nous d ´etaillons les trois types d’environnements.
1.3.3.4/ ENVIRONNEMENT DE COMMUNICATION
Odell et al. (2002) proposent la d ´efinition 4 pour la notion d’environnement de communi-cation.
D ´efinition 4 : Environnement de communication (Odell et al., 2002)
L’environnement de communication fournit les principes, les processus et les structures qui permettent `a une infrastructure ou une plateforme de transporter de l’information entre les agents.
L’environnement de communication sert uniquement de support `a la d ´efinition des inter-actions entre les agents. Les interinter-actions constituent une part essentielle `a la mise en œuvre des SMA. En effet, elles permettent aux agents de collaborer et de coop ´erer pour produire des comportements collectifs complexes.
1.3.3.5/ ENVIRONNEMENT SOCIAL
Odell et al. (2002) proposent la d ´efinition 5 pour la notion d’environnement social dans un SMA.
D ´efinition 5 : Environnement social (Odell et al., 2002)
Un environnement social est un environnement de communication dans lequel les agents interagissent de mani `ere coordonn ´ee.
L’environnement social est donc une extension de l’environnement de communication. Ils fournissent des protocoles de communications ´evolu ´es permettant aux agents d’interagir de mani `ere coordonn ´ee. Ainsi, la communication est un cas particulier d’interaction. Des travaux proposent des protocoles de communications entre agents (Barbuceanu et al., 1995; Boissier et al., 1994; Finin et al., 1994; FIPA, 1998).
1.3. SIMULATION ORIENT ´EE-AGENT 21
1.3.3.6/ ENVIRONNEMENT PHYSIQUE
L’environnement physique est un environnement spatial dans lesquels des agents sont immerg ´es. Ces agents peuvent se d ´eplacer, percevoir et agir dans ce type d’environne-ment. Odell et al. (2002) proposent la d ´efinition 6 pour la notion d’environnement phy-sique.
D ´efinition 6 : Environnement physique (Odell et al., 2002)
L’environnement physique fournit les principes et les processus qui r ´egissent et supportent une population d’entit ´es.
L’environnement physique est consid ´er ´e comme inaccessible, non d ´eterministe, dyna-mique et continu (Russell et al., 1995).
Les agents (ou entit ´es autonomes) poss `edent un corps correspondant `a une repr ´esentation physique de l’agent `a laquelle est associ ´e son comportement (Michel, 2004). On dira alors qu’ils sont situ ´es dans l’environnement. Le concept de corps a ´et ´e raffin ´e et adapt ´e par Galland et al. (2009) `a la simulation dans des environnements vir-tuels 3D. Le corps sert d’interface `a l’agent, lui permettant de percevoir et d’agir dans l’environnement (lire la section 1.3.4 pour plus de d ´etails).
La perception est la capacit ´e d’un agent `a collecter des informations sur le syst `eme dans lequel il ´evolue. G ´en ´eralement, la perception est vue comme un simple capteur r ´ecup ´erant des informations sp ´ecifiques. Pour notre part et en r ´ef ´erence au domaine de la robotique (Begum et al., 2011; Elfes, 1989), nous d ´efinissons la perception d’un agent comme un processus complexe fond ´e sur trois ´etapes : (i) l’acquisition d’informations, (ii) leur extrapolation et (iii) leur filtrage. Cette vision est ´egalement partag ´ee par B ´eh ´e et al. (2014) qui d ´efinit un m ´eta-mod `ele ontologique pour la simulation orient ´ee-agent en environnement virtuel.
L’acquisition a pour but d’acqu ´erir les informations du syst `eme dans lequel ´evolue un agent. Vient ensuite l’extrapolation de l’ensemble des informations pour fournir plus de ro-bustesse dans la collecte des informations. Finalement, des filtrages permettent `a l’agent d’analyser les informations dont il a conscience et besoin. Autrement dit, par analogie `a la perception humaine, un agent peut voir un objet sans le percevoir (en avoir conscience). D’apr `es Jarras et al. (2002), les agents peuvent interagir en communiquant directement entre eux ou indirectement `a travers l’environnement physique (la stigmergie). La stig-mergie est une m ´ethode de communication indirecte o `u les individus communiquent entre eux en modifiant leur environnement et en percevant ces modifications. Nous pouvons ci-ter comme exemple de ce type d’inci-teraction celui des fourmis d ´eposant des ph ´eromones dans l’environnement. Une fourmi vagabonde dans l’environnement `a la recherche de nourriture, puis d ´epose des ph ´eromones tout au long du chemin lorsqu’elle en trouve. Toutes les fourmis sont attir ´ees par ces ph ´eromones en fonction de la quantit ´e d ´epos ´ee. Ainsi, les fourmis interagissent par le biais de d ´ep ˆots de ph ´eromones dans l’environne-ment.
1.3.4/ INTERACTION ENTRE UN AGENT ET L’ENVIRONNEMENT PHYSIQUE
Dans cette section, nous nous int ´eressons particuli `erement aux m ´ecanismes qui per-mettent `a un agent d’interagir avec l’environnement physique. Deux principes
d’interac-tion sont envisag ´es dans les d ´efinid’interac-tions pr ´esent ´ees dans les secd’interac-tions pr ´ec ´edentes : la perception de son environnement par un agent et l’action d’un agent dans l’environne-ment.
Dans la suite de cette section, nous pr ´esentons les principes de la perception de l’envi-ronnement. Nous poursuivons par une pr ´esentation des mod `eles d’art ´efacts et de ``smart objects´´ en nous focalisant sur leur capacit ´e `a fournir un m ´ecanisme d’action. Nous pour-suivons cette section en pr ´esentant le concept de corps d’un agent. Il permet notamment de distinguer les propri ´et ´es d’un agent relatives `a l’environnement de celles qui ne le sont pas. Enfin, nous concluons cette section en pr ´esentant le mod `ele Influence-R ´eaction. Nous pensons qu’il est incontournable pour garantir un ´etat coh ´erent de l’environnement.
1.3.4.1/ PERCEPTION DE L’ENVIRONNEMENT
Le m ´ecanisme de perception est utilis ´e par les agents pour obtenir des informations `a par-tir de l’environnement dans lequel ils progressent. Il s’agit d’extraire les caract ´eristiques environnementales des ´el ´ements situ ´es dans le champ de perception d’un agent. Le cal-cul des perceptions d’un agent i est exprim ´e par l’ ´equation 1.3 (B ´eh ´e et al., 2014; Weyns et al., 2004a).
Perceptioni: Σ −→ PΣ
σr
t 7−→ Assimilationi◦ Filteri◦ Alteri◦ E xtracti(σrt)
(1.3) O `u :
— E xtracti : permet de parcourir les structures de donn ´ees du World Model afin d’en
extraire les objets de l’environnement ayant une intersection avec le champ de perception. Dans la formulation de l’ ´equation 1.3, le champ de perception n’est pas consid ´er ´e comme un param `etre. En effet, nous supposons que la fonction E xtracti
contient la description math ´ematis ´ee ou algorithmique de ce champ. La fonction E xtracti est en g ´en ´eral fournie par le corps de l’agent : le champ de perception
d ´epend uniquement des capacit ´es sensorielles du corps.
— Alteri: permet d’alt ´erer les perceptions extraites par E xtracti. L’alt ´eration ne prend
en compte que les propri ´et ´es physiques de l’agent, c’est- `a-dire les propri ´et ´es de son corps. Ainsi, il est possible de mod ´eliser des agents ayant des d ´efaillances sensorielles (astigmatisme, surdit ´e partielle, . . .). Tout comme pour la fonction pr ´ec ´edente, Alteri est d ´efinie dans le corps de l’agent, et ce dernier ne devrait
pas alt ´erer sa d ´efinition.
— Filteri : permet de filtrer les perceptions fournies par son corps. Contrairement `a
Alteri, cette fonction ne d ´epend pas des propri ´et ´es environnementales de l’agent.
— Assimilationi : permet `a l’agent d’assimiler les informations perc¸ues. Cette
fonc-tion est fortement d ´ependante de l’architecture de l’agent. Par exemple, elle peut modifier la repr ´esentation mentale des objets perc¸us dans une base de r `egles repr ´esentant les connaissances de l’agent.
Les fonctions E xtracti et Alteri sont des composantes de la repr ´esentation physique de
l’agent : le corps. Les fonctions Filteriet Assimilationisont quant `a elles parties prenantes
de l’architecture interne de l’agent.
La d ´efinition concr `ete de ces fonctions est d ´ependante du cadre d’application. Par exemple, Reynolds (1987), Van den Berg et al. (2008) et Buisson et al. (2012) d ´efinissent E xtracti `a l’aide d’un champ de perception circulaire autour de l’agent. Galland et al.
