Soutenance mémoire
L’informatique émerge vers des environnements ambiants, pervasifs ou encore ubiquitaires dans lesquels les dispositifs intelligents sont censés se connecter d’une manière transparente et collaborer les uns avec les autres pour aider l’être humain, anticiper ses besoins et fournir l’information adéquate à la bonne personne, et ce quelques soient le lieu et le moment.
L’enjeu de cette évolution est de rendre l’informatique invisible [Weiser, 1991] : « The most profound technologies are those that disappear. They weave themselves into the fabric of everyday life until they are indistinguishable from it ». [Weiser, 1991] oppose l’informatique invisible à la réalité virtuelle consistant à recréer le monde dans une machine et non pas à intégrer des machines dans la réalité. Les avancées en termes de dispositifs mobiles et de communication sans fil ont rendu possible cette intelligence ambiante. L’espace ambiant devient capable de percevoir des changements à travers une multiplicité de dispositifs intelligents et mobiles dont l’accumulation fournit une puissance de calcul substantielle. Les interactions ne se font plus via un utilisateur humain mais directement entre les objets connectés. L’informatique ambiante a alors pour objectif de gérer ces objets et leurs interconnexions afin de rendre des services de manière transparente pour l’utilisateur. Ainsi, les systèmes d’intelligence ambiante visent à fournir la bonne information aux bons utilisateurs, au bon moment, au bon endroit et sur le bon dispositif.
L’intelligence ambiante est une discipline émergente qui apporte de l’intelligence à nos environnements quotidiens et rend ces environnements soumis aux utilisateurs pour répondre à leurs besoins. La recherche dans l’intelligence ambiante s’appuie sur les progrès techniques en matière de réseaux de communication sans fil, d’équipements mobiles personnels, de capteurs et de logiciels embarqués. Ces derniers rendent aujourd’hui possibles des services aux usagers dépendants du contexte. Les opportunités d’applications sont nombreuses : par exemple, la téléphonie mobile où le téléphone sait comment réagir aux appels selon la situation de l’utilisateur, ou encore les parkings indiquant aux conducteurs où trouver une place libre, les soins de santé, l’assistance à domicile pour les personnes âgées et handicapées, la détection d’urgence et les loisirs [Ye et al., 2012] .
Prenons l’exemple d’une personne âgée vivant seule dans la maison : “Une nuit, sentant le besoin d’utiliser les toilettes, elle s’est réveillée et s’est dirigée vers les toilettes. Dans l’obscurité, elle a trébuché et est tombée par terre. Incapable de se lever, elle a passé la nuit allongée sur le sol froid”. La situation “allongée sur le sol toute la nuit” est une situation anormale et nécessite une action immédiate telle qu’effectuer un appel d’urgence. Dans de tels scénarios, les environnements intelligents et dans ce cas particulier, les maisons intelligentes sont une solution prometteuse pour les personnes âgées qui sont dépendantes et ont besoin d’aide dans leurs activités de la vie quotidienne. Il s’agit d’un environnement résidentiel enrichi d’une diversité de capteurs multi-modalités, d’actionneurs et d’appareils ainsi que des services et des systèmes basés sur les Technologies de l’Information et de la Communication (TIC) [Ding et al., 2011]. Avant de proposer les services de recommandation et les alertes dans de tels environnements, il faut tout d’abord identifier/reconnaître la situation/l’activité courante de la personne en question. Ainsi, reconnaître les situations/les activités humaines à partir des capteurs intégrés dans un environnement intelligents ou portés sur des corps humains est un sujet de recherche important et stimulant en informatique pervasive. L’identification de situations/d’activités s’effectue après une perception et une analyse des données issues des capteurs présents dans l’environnement en question. Cette identification est face à deux grands défis :
1. Raisonner et identifier les situations/activités dans un contexte imparfait.
2. Raisonner et identifier les situations/activités dans un contexte distribué.
Afin d’aboutir à l’identification de situations/activités, une phase de perception des données de capteurs puis une observation et une analyse de ces données sont primordiales. L’architecture générale que nous avons proposée pour l’identification de situations, est inspirée des travaux de [Daniello et al., 2015] (voir Figure 3). Elle vise à faciliter le processus de prise de décisions dans le domaine des applications hétérogènes. En effet, il s’agit d’une architecture hiérarchique distribuée ou chaque niveau comporte un ensemble de nœuds ayant des fonctionnalités similaires. Elle est composée de trois principaux modules :
— Perception : plusieurs nœuds sont déployés pour collecter les données brutes issues des différents capteurs, appelés les collecteurs.
— Observation : ce niveau contient un ensemble de nœuds observateurs qui analysent les données brutes collectées issues du niveau Perception et les transforment en des données de haut niveau d’abstraction. Ce niveau comprend trois sous étapes qui sont la segmentation, l’extraction d’attributs et la sélection des attributs.
— Identification : Ce niveau comporte un ensemble de nœuds identificateurs capables d’utiliser les données de haut niveau générées depuis le niveau Observation pour l’identification de situations/activités.
|
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
Conclusion générale
Télécharger le rapport complet
