Contribution to multiagent planning for active information gathering

Jennifer Renoux 1
1 Equipe MAD - Laboratoire GREYC - UMR6072
GREYC - Groupe de Recherche en Informatique, Image, Automatique et Instrumentation de Caen
Résumé : Dans cette thèse, nous considérons le problème de l’exploration d’événements. Nous définissons l’exploration d’événements comme le processus d’explorer un environnement topologiquement connu dans le but de récolter de l’information à propos d’événements se déroulant dans cet environnement. Les systèmes multiagents sont habituellement utilisés dans les applications de collecte d’informations, mais posent de nombreux problèmes tels que la coordination des agents et les communications entre agents. Notre travail propose un nouveau modèle décentralisé de planification multiagents pour la collecte d’informations. Dans ce modèle, appelé MAPING (Multi-Agent Planning for INformation Gathering), les agents utilisent un état de croyance étendu qui contient non seulement leurs propres croyances sur l’environnement, mais également des approximations des croyances des autres agents du système. Cet état de croyance étendu leur sert de base pour quantifier la pertinence d’une information, que ça soit pour eux ou pour un autre agent du système. Ils peuvent ainsi décider d’explorer l’environnement ou de communiquer une information à un autre agent en fonction de l’action qui apporte de plus d’information au système dans sa globalité. L’inconvénient majeur de ce modèle est sa complexité. En effet, la taille de l’espace des états de croyances augmente exponentiellement avec le nombre d’agents et la taille de l’environnement. Pour pallier ce problème, nous proposons un algorithme de résolution utilisant l’hypothèse classique et couramment adoptée de l’indépendance des variables. Enfin, nous avons étudié le fait que l’exploration d’événements est un problème impliquant une exploration théoriquement infinie. Les agents doivent réévaluer leurs croyances régulièrement même après avoir atteint un bon niveau de croyance. Pour résoudre ce problème, nous proposons une fonction de lissage permettant aux agents d’oublier régulièrement les informations trop vieilles et pouvant être obsolètes. Nous avons évalué notre approche sur différents scénarios s’inspirant de cas d’application réels. Les expériences ont montré la capacité de MAPING à effectuer une exploration efficace sous des contraintes de communication fortes.
Type de document :
Thèse
Artificial Intelligence [cs.AI]. Normandie Université, 2015. English
Liste complète des métadonnées

Littérature citée [206 références]  Voir  Masquer  Télécharger

https://hal.archives-ouvertes.fr/tel-01206920
Contributeur : Bruno Zanuttini <>
Soumis le : mardi 29 septembre 2015 - 17:07:29
Dernière modification le : lundi 25 septembre 2017 - 16:08:16
Document(s) archivé(s) le : mercredi 30 décembre 2015 - 11:07:43

Identifiants

  • HAL Id : tel-01206920, version 1

Collections

Citation

Jennifer Renoux. Contribution to multiagent planning for active information gathering. Artificial Intelligence [cs.AI]. Normandie Université, 2015. English. 〈tel-01206920〉

Partager

Métriques

Consultations de
la notice

186

Téléchargements du document

247