Reconnaissance et prédiction de situations dynamiques : application à l'assistance de personnes handicapées moteurs

Nous nous interessons dans le travail presente dans ce rapport a l’etude de situations dynamiques (reconnaissance, prediction, et apprentissage de situations) evoluant dans un environnement incertain. L’etude est principalement appliquee a la robotique mobile. Le but est d’assister l’utilisateur d’un fauteuil roulant dans ses deplacements par la reproduction de trajets frequemment employes afin d’eviter de definir a chaque fois les memes commandes de direction. La reproduction d’un trajet deja effectue necessite la reconnaissance du nouveau trajet emprunte. En general, la reconnaissance de ce type de situations repose sur deux types d’approches principales : reconnaissance a base de modeles ou reconnaissance par retour d’experiences dans la cadre de raisonnement a partir de cas. Nous avons developpe durant cette these deux approches de reconnaissance de trajets. Dans la premiere approche, la reconnaissance est basee sur des reseaux de Petri etablis a priori. Dans la seconde approche, la reconnaissance d’un nouveau trajet emprunte par le fauteuil est basee sur l’evaluation de sa similarite avec des trajets deja effectues. L’etablissement de reseaux de Petri necessite generalement des connaissances a priori du domaine. La difficulte est que nous ne disposons pas de modeles de description de trajets car d’une part nous n’utilisons pas de cartes de l’environnement et d’autre part il est impossible de predire des le debut d’un nouveau deplacement les directions a suivre et les comportements a effectuer par le fauteuil. Pour cela, nous avons commence avec un apprentissage de trajets. Cette etape correspond a une exploration de l’environnement durant laquelle un ensemble de trajets sont empruntes pour chaque deplacement a effectuer. Les trajets empruntes lors de l’apprentissage initial sont ensuite classifies afin de calculer un representant pour chaque ensemble de trajets effectues pour le meme deplacement. La derniere etape du raisonnement propose consiste a modeliser chaque prototype par un reseau de Petri afin qu’il soit utilise pour reconnaitre les nouveaux trajets empruntes et predire les futurs comportements du fauteuil. Dans la premiere approche que nous avons proposee, la reconnaissance de trajets est basee sur des reseaux de Petri. L’apprentissage de nouveaux trajets s’effectue uniquement lors de l’exploration de l’environnement. Les reseaux de Petri etablis n’evoluent pas car les nouveaux trajets non reconnus ne sont pas pris en compte. Pour cela, une autre alternative a ete exploitee durant la seconde partie de notre travail. Dans cette approche, la reconnaissance de nouveaux trajets est basee sur un calcul de similarite avec ceux deja effectues dans le cadre de raisonnement a partir de cas. Un algorithme d’apprentissage automatique de nouveaux trajets est propose pour qu’ils soient utilises durant les futurs raisonnements. Une strategie de maintenance de la memoire est egalement proposee permettant l’amelioration des performances du systeme