Mécanismes d'encrage dynamique dans les systèmes IoRT (Internet des Robots et des Objets)

par Hazem khaled mohamed Abdelkawy

Projet de thèse en Informatique

Sous la direction de Yacine Amirat et de Abdelghani Chibani.


  • Résumé

    Le paradigme de l'Internet des Robots et des objets (IoRT) étend la portée du concept traditionnel de l'internet des objets en dotant n'importe quel objet des trois principales fonctions typiques de tout système robotique : la perception, l'actionnement et le contrôle. Du domaine de la robotique en nuage (cloud robotics) au domaine des systèmes cognitifs en nuage (Cognitive Cloud) pour l'Internet des Robots et des objets (IoRT), il y a un consensus croissant sur la nécessité d'accroitre les capacités cognitives des objets et des robots connectés produits aujourd'hui. L'ancrage est une capacité cognitive importante que doit posséder tout système IoRT. Ce concept est défini comme le processus de création et de maintien des associations entre les descriptions et les informations perceptuelles correspondant aux mêmes objets physiques. Dans la majorité des tâches, les robots doivent percevoir ou interagir avec des objets physiques de leur environnement ; souvent, ils doivent aussi communiquer et raisonner sur les objets et leurs propriétés. Les informations sur les objets sont généralement produites, représentées et utilisées de différentes manières dans divers sous-systèmes robotiques. En particulier, les sous-systèmes de haut niveau raisonnent souvent sur les propriétés et descriptions des objets, tandis que les sous-systèmes de bas niveau utilisent des représentations basées sur les données capteurs. Contrairement aux humains, dans les systèmes multi-agents, les agents peuvent échanger des descriptions et des informations perceptuelles selon le paradigme «voir le monde à travers les yeux des autres». Cette thèse vise à proposer un cadre générique permettant de mettre en œuvre des mécanismes d'ancrages symboliques des observations des systèmes IoRT dans un contexte dynamique. Il s'agit ici d'aller au-delà des approches actuelles qui se focalisent essentiellement sur l'ancrage statique. Ce cadre sera structuré en deux niveaux : •Au niveau bas, le cadre exploitera les approches orientées données et notamment celles basées sur l'apprentissage automatique afin de mettre en œuvre une couche de fusion des données sensorielles de bas niveau. Ce cadre vise en particulier à mettre en œuvre une méthode de reconnaissance coopérative de l'intention humaine et des activités humaines tenant compte de l'incertitude dans les observations. •Au niveau haut, le cadre représentera l'information dynamique (encrage dynamique) en utilisant des modèles conceptuels, permettant d'associer différents types de descriptions d'objets aux informations perceptuelles hétérogènes. •Des simulations et des expérimentations de cas d'utilisation réels seront mises en œuvre pour la validation du cadre proposé.

  • Titre traduit

    Anchoring Dynamic Entities in IoRT Environments


  • Résumé

    The paradigm of Internet of Robots & Things (IoRT) extends the scope of the traditional IoT by endowing any object with the three main typical functions of any robotic system: perception, actuation, and control. From cloud Robotics to Cognitive Cloud for Internet of Robots & Things (IoRT), there is a growing consensus about the need of adding some cognitive capabilities to the connected things and robots that are produced today. Among the interesting cognitive capabilities that must be present in any IoRT system, anchoring. Anchoring is defined as the process of creating and maintaining the associations between descriptions and perceptual information corresponding to the same physical objects. In the majority of tasks, robots must perceive or interact with physical objects in their environment; often, they must also communicate and reason about objects and their properties. Information about objects is typically produced, represented and used in different ways in various robotic subsystems. In particular, high-level sub-systems often reason with object properties and descriptions, while low-level sub-systems often use representations based on sensor data. Unlike humans, In multi-agent systems, the agents can exchange both descriptions and perceptual information; in a sense, they are able to “see the world through each other's eyes”. The proposed framework addresses and overcomes several limitations in existing approaches that deal with anchoring static information. The framework consists of two levels: low and high levels. •In the lower level, the framework will exploit the power of data-driven machine learning techniques to implement a fusion layer for low-level sensory data. Besides, the framework aims to implement a cooperative recognition method for human intention and human activities which takes uncertainty in observations into account. •In the high level, the framework will represent the dynamic information using conceptual models, allowing various types of object descriptions to be associated with the heterogeneous perceptual information. •Experiments using simulated and real robots will be used to validate the proposed framework.