Modèles sémantiques et raisonnements réactif et narratif, pour la gestion du contexte en intelligence ambiante et en robotique ubiquitaire

Semantic models, reactive and narrative reasoning for context management in ambient intelligence and ubiquitous robotics

• Auteur / Autrice : Lyazid Sabri
• Direction : Yacine Amirat
• Type : Thèse de doctorat
• Discipline(s) : Signal, Image, Automatique
• Date : Soutenance le 01/07/2013
• Etablissement(s) : Paris Est
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2010-2015)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Images, Signaux et Systèmes Intelligents (Créteil) - LISSI
• Jury : Président / Présidente : Raja Chatila
• Jury : Examinateurs / Examinatrices : Yacine Amirat, Jean-Yves Tigli, Abdelghani Chibani
• Jury : Rapporteurs / Rapporteuses : Rachid Alami, François Brémond

Mots clés

Mots clés contrôlés

Contexte (linguistique)

Représentation (linguistique)

Intelligence ambiante

Robotique

Mots clés libres

Intelligence ambiante

Robotic ubitiquaire

Modèles sémantiques

Sensibilité au contexte

Ontologies

Raisonnement réactif

Ambient Intelligence

Ubiquitous robotics

Semantic modelling

Context awareness

Ontologies

Reactif reasoning

Résumé

Avec l'apparition des paradigmes des systèmes ubiquitaires ou omniprésents et de l'intelligence ambiante, on assiste à l'émergence d'un nouveau domaine de recherche visant à créer des environnements ou écosystèmes intelligents pouvant offrir une multitude de services permettant d'améliorer la qualité de vie, l'état physique et mental, et le bien-être social des usagers. Dans cette thèse, nous nous focalisons sur la problématique de la représentation sémantique des connaissances et du raisonnement dans le cadre des systèmes à intelligence ambiante et des robots ubiquitaires. Nous proposons deux modèles sémantiques permettant d'améliorer les fonctions cognitives de ces systèmes en termes de gestion du contexte. Au premier modèle, de type ontologique, sont associés un langage de règles et un raisonnement réactif pour la sensibilité au contexte. Pour prendre en compte le caractère dynamique du contexte et assurer une prise de décision cohérente, le mode de raisonnement retenu garantit deux propriétés essentielles : la décidabilité et la non-monotonie. Le deuxième modèle, également de type ontologique, complète le modèle précédent en termes d'expressivité pour la représentation de contextes non-triviaux et/ou liés au temps. Il s'appuie sur des relations n-aires et une représentation narrative des événements pour inférer des causalités entre événements et reconnaitre des contextes complexes non-observables à partir d'événements passés et courants. Les modèles proposés ont été mis en oeuvre et validés sur la plateforme ubiquitaire d'expérimentation du LISSI à partir de trois scenarii d'assistance cognitive et de reconnaissance de contexte

With the appearance of the paradigms of ubiquitous systems and ambient intelligence, a new domain of research is emerging with the aim of creating intelligent environments and ecosystems, that can provide multiple services that can improve quality of life, the physical and mental status and the social wellness of the users. In this thesis, we address the problem of semantic knowledge representation and reasoning, in the context of ambient intelligent systems and ubiquitous robots. We propose two semantic models that improve the cognitive functions of these systems, in terms of context recognition, and context adaptation. The first one is an ontology-based model, which is associated with a rule language to model reactive reasoning process on contextual knowledge. To take into account the dynamicity of context and insure coherent decision-making, this process guarantees two essential properties: decidability and non-monotonic reasoning. The second model is also an ontology-based model that completes the previous model in terms of expressiveness for semantic representation of non-trivial contexts with temporal dimension It is based on n-ary relations and a narrative representation of events for inferring causalities between events, and therefore to build the chronological context of a situation as from past and current events. The proposed models have been implemented on the ubiquitous experimental platform of LISSI, and validated through three scenarios for cognitive assistance and context recognition