Soutenance mémoire
État de l’art : les systèmes ambiants
L’informatique pervasive et l’intelligence ambiante visent à créer un environnement intelligent avec des dispositifs électroniques et informatiques mis en réseau s’intégrant parfaitement dans la vie quotidienne, répondant aux informations fournies par les capteurs dans l’environnement et offrant aux utilisateurs un accès transparent aux services partout et à tout moment. Cet environnement implique un certain nombre d’entités de détection/calcul qui interagissent à la fois avec les utilisateurs et avec l’environnement dans lequel ils opèrent. Basé sur ces entités, un système d’intelligence ambiante peut fournir des services personnalisés aux utilisateurs de manière contextuelle lorsqu’ils interagissent et échangent des informations avec l’environnement. De nos jours, l’informatique pervasive se développe en tant que sujet de recherche universitaire lié à une réalité commerciale [Henricksen and Indulska, 2006]. De nombreuses applications potentielles se présentent telles que les espaces de travail intelligents, les maisons intelligentes et même dans les domaines des soins de santé, les jeux, les systèmes de loisirs et les transports en commun [Cook and Das, 2007]. Ces applications ont un potentiel significatif, impactant les vies humaines.
Les capteurs de l’informatique pervasive peuvent être déployés n’importe où et sur n’importe quel objet ou rattachés à des corps humains. Ils génèrent des données, y compris la localisation de l’utilisateur, le mouvement, les informations biomédicales, la température de l’environnement, l’humidité ou le niveau de bruit ambiant. Les applications qui fournissent des services personnalisés aux utilisateurs, sont basées sur ces données qui sont issues de ces capteurs. Les données de capteurs présentent une grande complexité (modalités différentes, volumes énormes rapides et relations d’interdépendance entre les sources) et un dynamisme (mise à jour en temps réel). Un système d’intelligence ambiante ne devrait pas se contenter de se préoccuper des données individuelles des capteurs (dans quelle pièce se trouve l’utilisateur, quelle est sa fréquence cardiaque ou sa tension artérielle). Ces informations devraient plutôt être interprétées et transformées en des informations de haut niveau telles que “l’utilisateur est en train de regarder la télévision” ou bien “l’utilisateur souffre d’une crise cardiaque”. Ce concept d’information de niveau supérieur est appelé une situation, qui est un état abstrait et utile pour les applications [Costa et al., 2006]. La possibilité pour les applications d’avoir des situations, réside dans leur capacité à fournir une représentation simple et compréhensible des données de capteurs et à offrir ainsi une utilisation efficace.
Définitions
Nous présentons un ensemble de définitions permettant de délimiter le domaine de recherche traité dans cette thèse. Nous commençons par l’informatique ambiante et continuons par la notion de l’intelligence ambiante qui est au coeur de ces nouvelles formes d’informatique pour ensuite introduire la notion de contexte et le principe de sensibilité au contexte. Nous présentons enfin le raisonnement distribué, thème que nous développons plus en détail dans la suite de ce chapitre et qui est central pour cette thèse.
— Informatique pervasive aussi appelée informatique ubiquitaire ou informatique ambiante [Coutaz and Crowley, 2008], est un nouveau concept de l’informatique qui vise à doter les objets physiques présents dans notre environnement d’une intelligence et de capacités de communication et d’interaction entre eux et avec les personnes et l’environnement dans lequel ils évoluent. Ainsi, l’intelligence, au lieu d’être centralisée, devient répartie dans les objets présents dans l’environnement. De plus, les objets de l’informatique ambiante sont capables de reconnaître et d’intégrer automatiquement tout nouvel objet.
— Intelligence ambiante : elle correspond à l’amélioration, voire l’augmentation du monde réel pour offrir un tout adapté en toute circonstance à l’Homme [Coutaz and Crowley, 2008].
Autrement dit, il s’agit de créer des services et des dispositifs intelligents capables de répondre à des besoins individuels, collectifs et sociaux.
— Contexte : Il existe plusieurs définitions de la notion de contexte dans le domaine de l’informatique ubiquitaire. La définition du contexte dans les premiers travaux [Schilit and Theimer, 1994] où le mot contexte apparaît, se réfère à un ensemble décrit d’éléments : la localisation, les identités des personnes autour de l’utilisateur, des objets dans l’environnement physique et les différents changements ayant lieu dans cet environnement. [Dey, 2001] propose une définition généralisée du contexte la plus couramment utilisée : « Context is any information that can be used to characterize the situation of an entity. An entity is a person, place, or object that is considered relevant to the interaction between a user and an application, including the user and application themselves. ». En intelligence artificielle, Brézillon [Brézillon, 2002] définit le contexte comme étant « ce qui n’intervient pas directement dans la résolution d’un problème mais contraint sa résolution ».
— Sensibilité au contexte : Un système est sensible au contexte s’il peut utiliser et interpréter les informations issues du contexte et adapter sa réponse en fonction du contexte d’utilisation [Schilit and Theimer, 1994].
— Raisonnement distribué [Zimmermann, 2008] : il peut être étudié à deux niveaux, l’un au niveau de la procédure de déduction, l’autre au niveau de la sémantique. Une procédure distribuée consiste à utiliser séparément différents systèmes de raisonnement, mis en commun par un protocole d’échange de messages. Définir une procédure distribuée pour le raisonnement requiert que la sémantique soit connue. Quant à la sémantique distribuée, elle consiste à affecter une interprétation distincte à chaque nœud d’un système, avec des règles de compatibilité entre interprétations.
Identification de situations dans un environnement ambiant
Dans cette section, nous définissons les deux termes suivants qui apparaîtront fréquemment plus tard ainsi que les thèmes de recherche évoqués sur l’identification de situations.
— Les données de capteurs sont des données brutes récupérées à partir des capteurs physiques. Ces données sont agrégées pour former le contexte-l’environnement dans lequel le système évolue.
— Une situation est une abstraction des informations dérivées du contexte courant, se produisant dans le monde réel.
Capteurs et données de capteurs
Le capteur est la source dont nous avons besoin pour collecter des données brutes dans les systèmes d’identification de situations [Su et al., 2014]. Différents capteurs produisent différents types de données. Par exemple, les données collectées sur la plupart des capteurs portables tels que l’accéléromètre ou le gyroscope sont des séries temporelles, les capteurs ambiants tels que les capteurs de mouvement produisent des données numériques ou catégoriques et les caméras enregistrent des données de type image/vidéo [Rashidi and Mihailidis, 2013]. Les méthodes de collecte des données de capteurs varient selon la nature des données brutes [Kim et al., 2010]. La diversité des capteurs conduit à une grande complexité dans l’interprétation de leurs résultats, y compris d’énormes volumes de données, différentes modalités, l’interdépendance et la mise à jour en temps réel. Dans le monde réel, ces capteurs produisent généralement des données imparfaites. Les données de capteurs bruitées peuvent entraîner une mauvaise compréhension de l’état de l’utilisateur ou de l’environnement, ce qui entraînera un comportement incorrect de l’application. Ces capteurs ont également leurs propres limites techniques, sont confrontés à la panne, ou peuvent être déconnectés du réseau de capteurs ou être vulnérables aux interférences de l’environnement. Cela conduit à la question de l’incertitude des données de capteurs, qui peuvent également être obsolètes, inconsistantes, incomplètes, imprécises et contradictoires entre elles [Henricksen and Indulska, 2004]. Un défi majeur est de savoir comment les utiliser pour reconnaître et identifier les situations qui pourraient nous donner une meilleure compréhension des interactions humaines avec l’environnement [Atallah and Yang, 2009]. Les capteurs peuvent être classés en deux catégories : les capteurs de la vision et les capteurs de l’environnement [Chen et al., 2012]. La première est basée sur l’utilisation de collecte visuelle telle que des caméras vidéo pour surveiller le comportement d’un utilisateur et les changements environnementaux. Les données de capteurs générées depuis les capteurs de l’environnement sont principalement des séries temporelles de changements d’état tels que les capteurs binaires : les capteurs de mouvements, les capteurs de proximité, les capteurs de présence, etc. Les capteurs de l’environnement comprennent aussi les capteurs portables qui sont des capteurs mobiles de petite taille conçus pour être portés sur le corps humain dans les activités quotidiennes. La plupart des capteurs mobiles sont rattachés à des téléphones mobiles intelligents [Su et al., 2014] tels que les accéléromètres, GPS, capteurs de lumière, capteurs de température, gyroscope, baromètre, etc. Les contributions présentées dans cette thèse se situent dans la catégorie d’identification de situations basée sur les capteurs de l’environnement. Le principal avantage des approches basées sur les capteurs de l’environnement par rapport aux approches basées sur la vision, est lié à la confidentialité et à l’éthique [Yilmaz et al., 2006] car les caméras sont généralement considérées comme des dispositifs d’enregistrement.
|
Table des matières
Introduction générale
1 État de l’art : les systèmes ambiants
1.1 Introduction
1.2 Définitions
1.3 Identification de situations dans un environnement ambiant
1.3.1 Capteurs et données de capteurs
1.3.2 Situations et activités
1.3.3 Thèmes de recherche sur l’identification de situations
1.4 Processus d’identification de situations/d’activités
1.4.1 Pré-traitement des données capteurs
1.4.2 Segmentation
1.4.3 Extraction des attributs
1.4.4 Sélection des attributs
1.4.5 Classification et reconnaissance de situations/d’activités
1.5 Les méthodes de raisonnement pour la reconnaissance de situations/ d’activités
1.5.1 Les méthodes de raisonnement orientées connaissances
1.5.2 Les méthodes de raisonnement orientées données
1.6 Limites du raisonnement dans les systèmes d’intelligence ambiante
1.6.1 Raisonnement dans un contexte imparfait
1.6.2 Raisonnement dans un contexte distribué
1.7 Conclusion
2 Perception : un modèle de traitement des évènements complexes sémantiques flous (l’approche FSCEP)
2.1 Introduction
2.2 Les systèmes orientés évènements et les défis relevés
2.3 Préliminaires
2.4 L’incertitude dans les systèmes orientés évènements
2.5 Scénario d’application
2.6 Le modèle de perception FSCEP
2.6.1 Le module de détection
2.6.2 Le module de perception
2.6.3 Le module d’application
2.6.4 L’algorithme FSCEP
2.7 Implémentation et évaluation
2.8 Discussion et synthèse
2.9 Conclusion
3 Observation : sélection des attributs basée sur l’intégrale de Choquet (l’approche FSCI)
3.1 Introduction
3.2 La sélection des attributs et les défis relevés
3.3 Travaux connexes dans la sélection des attributs
3.3.1 Les méthodes filtre
3.3.2 Les méthodes d’enveloppe
3.3.3 Les méthodes embarquées
3.4 La sélection des attributs basée sur l’intégrale de Choquet
3.4.1 Spécification formelle des concepts de base
3.4.2 La méthode de sélection des attributs FSCI
3.4.3 L’algorithme FSCI
3.5 Extension de FSCI à des données d’entrée floues
3.5.1 Liaison avec l’approche FSCEP
3.5.2 L’approche Fuzzy-FSCI
3.6 Simulation et évaluation de FSCI
3.6.1 Le jeu de données HAR
3.6.2 Environnement de simulation
3.6.3 Évaluation expérimentale
3.7 Discussion et synthèse
3.8 Conclusion
4 Identification : un modèle de raisonnement distribué pour la reconnaissance d’activités humaines
4.1 Introduction
4.2 La reconnaissance d’activité et les défis à relever
4.3 Travaux connexes sur la reconnaissance d’activité humaine basée sur une architecture distribuée
4.4 L’approche de raisonnement distribuée DCR
4.5 Comportement des agents dans DCR
4.6 Les algorithmes du système DCR
4.6.1 Les algorithmes de l’agent initiateur
4.6.2 Les algorithmes de l’agent récepteur
4.6.3 Propriétés des algorithmes DCR
4.7 Stratégies de résolution de conflits dans DCR
4.7.1 La stratégie de résolution max-trust
4.7.2 La stratégie de résolution max-freq.
4.7.3 La stratégie de résolution “stacking”
4.8 Vers des agents apprenants
4.8.1 Limites du système DCR et motivations
4.8.2 Travaux connexes dans l’apprentissage en ligne
4.8.3 DCR-OL : l’approche DCR avec l’apprentissage en ligne
4.9 Extension de DCR à des données d’entrée floues
4.9.1 Liaison avec l’approche Fuzzy-FSCI
4.9.2 L’approche Fuzzy-DCR
4.10 Discussion et synthèse
4.11 Conclusion
Conclusion générale
Télécharger le rapport complet
