410 likes | 529 Views
Ronan Querrec. Les systèmes multi-agents pour les Environnements Virtuels de Formation. Application à la sécurité civile. 4 octobre 2002. - Laboratoire d’Informatique Industrielle -. EA2215 : UBO / ENIB. Actualité des risques sur les sites Seveso
E N D
Ronan Querrec Les systèmes multi-agents pour les Environnements Virtuels de Formation. Application à la sécurité civile. 4 octobre 2002 - Laboratoire d’Informatique Industrielle - EA2215 : UBO / ENIB
Actualité des risques sur les sites Seveso Prévision : Préparation de plans d ’intervention Multiples intervenants Multiples services Problème pour la formation Difficultés de faire des exercices en environnement de type Seveso Éviter que l’incident ne se transforme en crise Introduction
Introduction • Environnement Virtuel de Formation • VET : Virtual Environment for Training • Formation en situation opérationnelle • Sans risques • Simulation multi-utilisateurs • Simulation d’équipes • Fonctions pédagogiques • Modification de l’environnement • Rejeu …
Plan Conclusion SécuRéVi Problématique Formation à la Gestion Opérationnelle et Commandement Environnement Virtuel de Formation Perspectives MASCARET • Comportement d’Agents • Organisation Avatars Environnement Physique Environnement Social • Représentent les utilisateurs dans le SMA • Rationnel • Equipes • Procédures • Réactif • Réseaux d’interactions
Origine : Acquisition de savoirs EAO, EIAO, EIAH … Limites des premières applications Simple application des méthodes de formation Mauvaise analyse des besoins perceptifs des apprenants Peu d’ interactions Apprenants / Formateurs … Les Environnements Virtuels de Formation
Les Environnements Virtuels de Formation • Nouveaux paradigmes Constructivisme [Piaget 70] • Immergé l’apprenant pour « Apprendre en faisant » • Acquisition de savoir-faire • Réalité Virtuelle
Environnements d’apprentissage Applications existantes • Shadwell [Tate 97] • EVE [Gerval 02] • Tuteurs intelligents • STEVE [Rickel 99] • Mentoniezh [Py 96] • Acquisition de savoirs ou gestes techniques
Prise de décision et non gestes techniques Faire face à des situations acquisition de savoirs Travail Collaboratif Travail en équipes : répartition des responsabilités Travail procédural Adaptatif Comportement adaptatif des personnages Entraînement adapté à l’apprenant Environnement Réaliste Objectifs: Environnement d’entraînement
Les Systèmes Multi-Agents • Agents • Simulation de personnages, phénomènes physiques • Environnement • Social • Physique • Interactions • Coordination d’actions, communications … • Organisation • Équipes … • Utilisateur • Agent immergé dans le SMA Vowels [Demazeau 95] [Tisseau 01]
Environnement Virtuel de Formation Système Multi-Agents Capacités réactives, cognitives et sociales Interactions MASCARET Multi-Agent System for Collaborative, Adaptive and Realistic Environments for Training Thèse
Plan Conclusion SécuRéVi Problématique Formation à la Gestion Opérationnelle et Commandement Environnement Virtuel de Formation Perspectives MASCARET • Comportement d’Agents • Organisation Avatars Environnement Physique Environnement Social • Représentent les utilisateurs dans le SMA • Rationnel • Equipes • Procédures • Réactif • Réseaux d’interactions
MASCARET : Le Système Multi-Agents Je suis un agent Je suis un agent Je suis un agent Je suis un agent
MASCARET : Les agents Role Organisation 1 Name : string Multiplicity : integer Name : string 1 .. * Prerequesite (Organisation, Agent) * Agent 1 .. * behaviors playRole(orgName, roleName) abandonRole(orgName, roleName) getPartners(orgName) getRolePlayers(orgName, roleName) organisationalBehavior() BehavioralFeature 1 performer
Plan Conclusion SécuRéVi Problématique Formation à la Gestion Opérationnelle et Commandement Environnement Virtuel de Formation Perspectives MASCARET • Comportement d’Agents • Organisation Avatars Environnement Physique Environnement Social • Représentent les utilisateurs dans le SMA • Rationnel • Equipes • Procédures • Réactif • Réseaux d’interactions
MASCARET : L’environnement physique • Différents types de phénomènes • Toxicité, échanges thermiques, mouvements … Je suis un agent réactif « jet d ’eau ». Je perçois d ’autres agents. Je les informe de mon existence. Je suis une particule de gaz.Je suis en interaction avec un jet d ’eau.Je modifie mon état interne. Je me déplace en conséquence.
Environnement physique : Contraintes • Liées à la réalité virtuelle • Simulation en temps contraint • Perception dans le SMA en O(N2) • Modèles adaptés • Liées à la formation • Inhibition de phénomènes • Structuration des interactions
Interaction entre agents réactifs Interaction entre agents réactifs Cible • Interactions Dirigées • Source d’interaction • Cible d’interaction Source I S force O Cible Ak S • Détection de l’interaction • Recruteur Recruteur • Prise en compte de l’interaction • Acquisition de l’état de la source • Force d’interaction
Réseau d’interactions Graph Node Link Graph INAgent InteractionNet InteractionLink <<create>> organisationalBehavior() updateSources() updateTargets() Reactive Interaction weight 1 Organisation Agent eval() performer 1 * behaviors Role BehavioralFeature 0 ..1 1 ..* ReactiveBehavior input() state() output() main() Recruiting Source Target
Plan Conclusion SécuRéVi Problématique Formation à la Gestion Opérationnelle et Commandement Environnement Virtuel de Formation Perspectives MASCARET • Comportement d’Agents • Organisation Avatars Environnement Physique Environnement Social • Représentent les utilisateurs dans le SMA • Rationnel • Equipes • Procédures • Réactif • Réseaux d’interactions
MASCARET : L’environnement social L ’équipe FPT peut exécuter des missions (M10...). Elle dispose de ressources (camion…). Les actions sont exécutées par des agents de sécurité jouant les rôles chef, sous-chef et servant. Ils ont reçu l ’ordre d ’exécuter M10... Je suis un agent de sécurité. Je joue le rôle du « servant » dans l ’équipe FPT n°1 Dans la mission M10,je sais queaprès que le sous-chef ait pris le dévidoir, je dois aller au point d ’attaque Je contrôle le tuyau pendant que je vais au point d ’attaque
Organisation, rôles Travail Procédural : plan d’actions Coordination « perception » des actions des autres Adaptation à l’environnement Calcul de plans implicites / buts MASCARET : L’environnement social
Travail procédural TeamAgent getSubordinates() getSuperiors() organisationalBehavior() collaborativeBehavior() 0 ..1 Team 1 Organisation Agent * performer 1 * Mission Goal : boolExp behaviors Role BehavioralFeature 0 ..1 1 ..* Procedure superior TeamRole 0 ..1 0 ..1 Action subordinate * subordination method startTime stopTime 1 ..* leftTerm 1 Constraint start() stop() rightTerm 1
Comportement des agents • Partage de la connaissance organisationnelle • Gestionnaire de contraintes temporelles de Allen • Langage haut niveau, Inférences • Simulation de l’exécution sans failles de la procédure • Mais difficultés pour • Simuler des dysfonctionnements • Distribuer les comportements • Connaissance organisationnelle individualisée
Comportement des agents • Connaissance distribuée de l’organisation • Connaissances organisationnelles locales • Rôles, actions • Procédures • Exécution collaborative de la procédure • Coordination d’actions par envoi de messages • Calcul de plans implicites individuels • La procédure explicite n’agence que les actions « métiers »
Architecture d’agent Comportement Organisationnel Comportement Collaboratif Suivi Procédure Faits Calcul plan implicite Eval Pre-conditions Début Action Diffuse Résultat Résultat Action partenaires Résultat Action Communication Perception Action
Comportement collaboratif plan(seq([ par([(chef, action(sePreparer)), (souschef, action(sePreparer) ]), chef, action(allerAPtAttaque)... • Procédure sous forme de prédicat Prolog plan(seq([ par([(chef, action(sePreparer), (souschef, action(sePreparer)) ]), chef, action(allerAPtAttaque)...
Comportement collaboratif • Raisonnement : Actions / But BehavioralFeature Action Possede(Lance) prêt sePréparer Possede(Tuyau) GoalDirectedAction preCondition : boolean postCondition : boolean failCondition : boolean • Environnement dynamique • Perception
Comportement collaboratif • Calcul des plans implicites • Unification et chaînage arrière Possede(Lance) Prendre(Lance) Voir(Lance) Perception Chercher(Lance)
Comportement organisationnel • Gestion de l’organisation • Affectation des rôles • Mise à jours des accointances • Gestion des échecs • Contract Net Protocol [Smith 80] Action RequestManager postCondition : boolean GoalDirectedAction preCondition : boolean postCondition : boolean failCondition : boolean onFail
Plan Conclusion SécuRéVi Problématique Formation à la Gestion Opérationnelle et Commandement Environnement Virtuel de Formation Perspectives MASCARET • Comportement d’Agents • Organisation Avatars Environnement Physique Environnement Social • Représentent les utilisateurs dans le SMA • Rationnel • Equipes • Procédures • Réactif • Réseaux d’interactions
MASCARET : L’avatar Mon Humain me demande de prendre la lance, j ’accepte. Dans la mission M10,je sais que après que le chef ait pris la lance, je devrais aller au point d ’attaque.Si la contrainte est satisfaite, je le ferais. Prends la lance !
Agent avatar • Immersion dans le SMA • Agents autonomes substitution en ligne Comportement Organisationnel Comportement Collaboratif Suivi Procédure Faits Calcul plan implicite Eval Pre-conditions Début Action Diffuse Résultat Résultat Action partenaires Résultat Action Début Action Communication Perception Action
Plan Conclusion SécuRéVi Problématique Formation à la Gestion Opérationnelle et Commandement Environnement Virtuel de Formation Perspectives MASCARET • Comportement d’Agents • Organisation Avatars Environnement Physique Environnement Social • Représentent les utilisateurs dans le SMA • Rationnel • Equipes • Procédures • Réactif • Réseaux d’interactions
SécuRéVi • Sécurité civile et Réalité Virtuelle • Personnages • Sites industriels H-ANIM, Poser VRML
SécuRéVi • Modélisation de phénomènes physiques • Propagation de gaz, explosions, jets d ’eau Mascaret générique 1 Organisation Agent 1 performer * behaviors Role BehavioralFeature 0 ..1 1 ..* Mascaret environnement physique Recruiting ReactiveBehavior Source Target InteractionNet ReactiveComponent SécuRéVi Toxic ToxicBehavior ToxicNet
SécuRéVi • Modélisation d’équipes de pompiers • FPT, CMIC … (niveau chef d ’équipe) Mascaret générique 1 Organisation Agent 1 performer * behaviors Role BehavioralFeature 0 ..1 1 ..* Mascaret environnement social Team TeamRole Action Procedure GDAction SécuRéVi Chef SeTenirPret FPT Servant Sous-Chef BasculerFleche
ARéVi : Rendu visuel et sonore Personnages, phénomènes physiques oRis : Simulation interactive du Système Multi-Agents Agents réactifs, interactions, … Prolog : Comportement décisionnel Calcul des plans implicites Implémentation
Plan Conclusion SécuRéVi Problématique Formation à la Gestion Opérationnelle et Commandement Environnement Virtuel de Formation Perspectives MASCARET • Comportement d’Agents • Organisation Avatars Environnement Physique Environnement Social • Représentent les utilisateurs dans le SMA • Rationnel • Equipes • Procédures • Réactif • Réseaux d’interactions
Environnement virtuel de formation Collaboratif, Adaptatif et Réaliste Système multi-agents Organisation des interactions Environnement physique et social Comportements des agents Réactifs et sociaux Immersion des utilisateurs Agent avatar MASCARET : Conclusion
Enrichir les comportements Ajouter des « émotions » Raisonner sur les interactions Rendre dynamique les organisations Amélioration de l ’immersion dans le SMA Perception d’actions Actes de langage Fonctionnalités pédagogiques Scénario pédagogique Pédagogie différenciée MASCARET : Perspectives
Application à la sécurité civile. Les systèmes multi-agents pour les Environnements Virtuels de Formation. - Laboratoire d’Informatique Industrielle - EA2215 : UBO / ENIB