Contribution to multiagent planning for active information gathering
Institution:
CaenDisciplines:
Directors:
Abstract EN:
In this thesis, we address the problem of performing event exploration. We define event exploration as the process of exploring a topologically known environment to gather information about dynamic events in this environment. Multiagent systems are commonly used for information gathering applications, but bring important challenges such as coordination and communication. This thesis proposes a new fully decentralized model of multiagent planning for information gathering. In this model, called MAPING, the agents use an extended belief state that contains not only their own beliefs but also approximations of other agents' beliefs. With this extended belief state they are able to quantify the relevance of a piece of information for themselves but also for others. They can then decide to explore a specific area or to communicate a specific piece of information according to the action that brings the most information to the system in its totality. The major drawback of this model is its complexity: the size of the belief states space increases exponentially with the number of agents and the size of the environment. To overcome this issue, we also suggest a solving algorithm that uses the well-known adopted assumption of variable independence. Finally we consider the fact that event exploration is usually an open-ended problem. Therefore the agents need to check again their beliefs even after they reached a good belief state. We suggest a smoothing function that enables the agents to forget gradually old observations that can be obsolete.
Abstract FR:
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 dans environnement. Les systèmes multiagents sont habituellement utilisés dans les applications de collecte d'informations, mais posent certains problèmes tels que la coordination des agents et la communication. Notre travail propose un modèle décentralisé de planification multiagents pour la collecte d'informations. Dans ce modèle les agents utilisent un état de croyance étendu qui contient leurs propres croyances sur l'environnement, mais également des approximations des croyances des autres agents du système. Cet état de croyance étendu est utilisé pour quantifier la pertinence d'une information, pour eux ou pour un autre agent. Ils peuvent ainsi décider d'explorer l'environnement ou de communiquer une information, en fonction de l'action qui apporte de plus 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. Nous proposons un algorithme de résolution utilisant l'hypothèse couramment adoptée de l'indépendance des variables. Enfin, nous considérons le fait que lors de l'exploration d'événements, les agents doivent réévaluer leurs croyances régulièrement. Pour résoudre ce problème, nous proposons une fonction de lissage permettant aux agents d'oublier régulièrement les informations trop vieilles et pouvant être obsolètes.