Smart Mobility. Une approche utilisant la planification et la coordination multi-agents

Smart Mobility. An approach using multiagent planning and coordination

• Auteur / Autrice : Arthur Casals
• Direction : Amal El Fallah Seghrouchni, Assia Belbachir
• Type : Thèse de doctorat
• Discipline(s) : Intelligence artificielle
• Date : Soutenance le 10/03/2022
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris (1992-...)
• Partenaire(s) de recherche : Laboratoire : LIP6 (1997-....)
• Jury : Président / Présidente : Salima Hassas
• Jury : Examinateurs / Examinatrices : Tewfik Ziadi
• Jury : Rapporteurs / Rapporteuses : Anarosa Alves Franco Brandão, René Mandiau

Mots clés

Mots clés contrôlés

Gestion

Circulation

Agents intelligents (logiciels)

Réseaux routiers intelligents

Intelligence artificielle répartie

Mots clés libres

Intelligence artificielle

Systèmes multi-agents

BDI

Mobilité intelligente

Contrôle du trafic

Systèmes contextuels

Artificial intelligence

Multiagent systems

BDI

Smart mobility

Traffic control

Context-aware systems

Résumé

Dans cette thèse, nous proposons une approche auto-adaptative pour construire un système intelligent de gestion des feux de circulation à utiliser dans les intersections. Cette approche s'appuie sur l'architecture des systèmes multi-agents (MAS) et le paradigme de l'agent BDI pour modéliser, concevoir et mettre en œuvre un SMA pour le contrôle du trafic capable de prendre en charge un mécanisme de régulation distribué et collaboratif tout en tenant compte des changements dynamiques du flux de trafic. Nos recherches concernent les domaines des systèmes sensibles au contexte, des agents intelligents, des systèmes multi-agents, de la planification collaborative entre agents, des architectures distribuées, du raisonnement contextuel et de l'intelligence ambiante. Nos contributions incluent un modèle général pour l'augmentation contextuelle des agents intelligents, un mécanisme de planification collaborative pour les agents contextuels et un cadre pour fournir la planification des agents en tant que service dans des architectures distribuées et faiblement couplées. Ce travail, lorsqu'il est combiné, aboutit à un agent collaboratif apte à être utilisé dans des scénarios impliquant la gestion et le contrôle des feux de circulation. Nos expériences cumulées, ainsi que l'évolution de notre architecture d'agents, aboutissent à un SMA qui permet aux agents d'optimiser la réalisation de leurs intentions individuelles et est capable de s'appuyer sur des processus auxiliaires tels que l'apprentissage automatique pour améliorer la qualité globale du système. Notre approche est validée par des expériences localisées, des simulations et des expériences reflétant des scénarios du monde réel.

In this thesis, we propose a self-adaptive approach to build a smart traffic light management system to be used in intersections. This approach relies on the multiagent systems (MAS) architecture and the BDI agent paradigm to model, design, and implement a MAS for traffic control able to support a distributed and collaborative regulation mechanism while taking into account dynamic changes in the traffic flow. Our research involves the domains of context-aware systems, intelligent agents, multiagent systems, collaborative planning among agents, distributed architectures, contextual reasoning, and ambient intelligence. Our contributions include a general model for intelligent agents contextual augmentation, a collaborative planning mechanism for contextual agents, and a framework to provide agent planning as a service in distributed, loosely-coupled architectures. This work, when combined, results in a collaborative agent apt to be used in scenarios involving management and control of traffic lights. Our cumulative experiments, together with the evolution of our agent architecture, result in a MAS that (i) allows the agents to optimize the realization of their individual intentions and (ii) is able to rely on auxiliary processes such as machine learning (reinforcement learning) to improve the overall quality of the system. Our complete approach is validated by localized experiments, simulations, and experiments reflecting real-world scenarios.