Raisonnement et décision mixte pour l’autonomie ajustable et le partage d’autorité
Institution:
CaenDisciplines:
Directors:
Abstract EN:
This thesis is focused on adjustable autonomy allowing a robot to overcome their limited ability to perceive, to act and to compute. The approach developped during this thesis are based on Markov Decision Process. First, we propose an approach which allows the human to give recommandations to the agent when she has not enough informations about her environnement. Second, we introduce the human’s recommandation integration aproach which helps the agents to take into account the human recommandation into her model. We explain how the agent computes quickly her new strategy with her new model. Third, we present an approach which allows the agent to compare her new strategy with her old one in order to detect poor recommandations. Fourth, we propose an approach which allows the agent to detect that its strategy is not optimal and asks the human for help. This approach introduces a framework which allocates to the human a request for help. Moreover, we give algorithm for increasing the agent situation awarness for the human. And finally, we present our experimental results on robotic applications.
Abstract FR:
Dans cette thèse, nous étudions la planification ajustable. Des agents évoluant dans des environnements complexes vont adapter leurs stratégies à leurs informations et aux informations fournies par des humains. Chaque agent modélise son environnement grâce à un MDP, et intègre l'aide des humains. Nous introduisons une approche permettant à un humain de produire des recommandations générales et facilement adaptables à un problème donnée. Nous présentons plusieurs approches permettant à un agent d'intégrer ces recommandations dans son processus décisionnel, en lui laissant le choix de son niveau d'autonomie. Nous étudions l'effet des recommandations par rapport à la stratégie initiale pour expliquer à l'agent l'influence de son aide. Nous proposons une approche permettant à l'agent de déterminer s'il se trouve dans une situation critique que son manque d'information ne lui permet pas de comprendre. Cette approche introduit un ``framework'' qui gère l'ensemble des requêtes des agents et les affecte aux humains. Nous détaillons également des méthodes efficaces pour représenter à l'humain l'état dans lequel se trouve l'agent. Enfin, nous avons développé une application mettant en œuvre nos approches pour des agents logiciels, des robots et des humains.