Thèse soutenue

Intégration contextuelle de données hétérogènes dans un environnement ambiant ouvert et opportuniste : application aux robots humanoïdes

FR  |  
EN
Auteur / Autrice : Nathan Ramoly
Direction : Amel Bouzeghoub
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 02/07/2018
Etablissement(s) : Université Paris-Saclay (ComUE)
Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
Partenaire(s) de recherche : établissement opérateur d'inscription : Institut national des télécommunications (Evry ; 1979-2009)
Laboratoire : Département Informatique / INF - Services répartis- Architectures- MOdélisation- Validation- Administration des Réseaux / SAMOVAR
Jury : Président / Présidente : Patrick Reignier
Examinateurs / Examinatrices : Dimitris Kotzinos, Claudia Lucia Roncancio, Béatrice Finance, Sao Mai Nguyen, Adriana Tapus
Rapporteurs / Rapporteuses : Dimitris Kotzinos, Claudia Lucia Roncancio

Résumé

FR  |  
EN

L'association de robots personnels et d’intelligences ambiantes est une nouvelle voie pour l’aide à domicile. Grâce aux appareils intelligents de l'environnement, les robots pourraient fournir un service de haute qualité. Cependant, des verrous existent pour la perception, la cognition et l’action.En effet, une telle association cause des problèmes de variétés, qualités et conflits, engendrant des données hétérogènes et incertaines. Cela complique la perception du contexte et la cognition, i.e. le raisonnement et la prise de décision. La connaissance du contexte est utilisée par le robot pour effectuer des actions. Cependant, il se peut qu’il échoue, à cause de changements de contexte ou par manque de connaissance. Ce qui annule ou retarde son plan. La littérature aborde ces sujets, mais n’offre aucune solution viable et complète. Face à ces verrous, nous avons proposé des contributions, autour à la fois du raisonnement et de l’apprentissage. Nous avons d’abord conçu un outil d'acquisition de contexte qui gère et modélise l’incertitude. Puis, nous avons proposé une technique de détection de situations anormales à partir de données incertaines. Ensuite, un planificateur dynamique, qui considère les changements de contexte, a été proposé. Enfin, nous avons développé une méthode d'apprentissage par renforcement et expérience pour éviter proactivement les échecs.Toutes nos contributions ont été implémentées et validées via simulation ou à l’aide d’un robot dans une plateforme d’espaces intelligents