Apprentissage des modèles de situations afin de fournir des services sensibles au contexte

Learning situation models for providing context-aware services

• Auteur / Autrice : Olivier Brdiczka
• Direction : James L Crowley, Patrick Reignier
• Type : Thèse de doctorat
• Discipline(s) : Imagerie, vision, robotique
• Date : Soutenance en 2007
• Etablissement(s) : Grenoble INPG

Mots clés

Mots clés contrôlés

Apprentissage automatique

Comportement humain

Modélisation tridimensionnelle

Mots clés libres

Modèles de situations

Implémentation

Résumé

Cette thèse porte sur l'apprentissage des modèles de situations afin de fournir des services sensibles au contexte dans un environnement intelligent. D'abord, nous motivons et introduisons la notion de contexte pour la modélisation du comportement humain. Ce dernier est représenté par un modèle de situations décrivant l'environnement, ses occupants et leursactivités. Nous proposons deux exemples d'implémentation du modèle de situations. Puis, nous introduisons un cadre conceptuel pour l'acquisitionautomatique et l'évolution des différentes couches d'un modèle de situations. Ce cadre regroupe différentes méthodes d'apprentissage: la détection de rôles par entité, l'extraction non-supervisée de situations à partir de données multimodales, l'apprentissage supervisé de situations et l'évolution d'un modèle de situations basée sur les retours de l'utilisateur. Ce cadre conceptuel ainsi que les méthodes associées ont été implémentées et évaluées dans un environnement domestique augmenté

This thesis addresses the problem of learning situation models for providing context-aware services in an intelligent environment. First, the notion of context for modeling human behavior in an intelligent environment is motivated and introduced. Context is represented by a situation model describing environment, users and their activities. Two example implementations for the situation model are proposed. A framework for acquiring and evolving different layers of a situation model is then introduced. Several novel learning methods are part of this framework: role detection per entity, unsupervised extraction of situations from multimodal data, supervised learning of situation representations, and the evolution of a predefined situation model with feedback. The situation model serves as frame and support for the different methods, permitting to stay in an intuitive declarative framework. The proposed framework has been implemented and evaluated for an intelligent home environment