Nicolas Verstaevel
Ses 2 Articles :
![](../wp-content/plugins/jfsma_wp_plugin/img/right.jpg)
Mots-clefs : Robotique collective, Intelligenceambiante, Apprentissage, Auto-organisation
Résumé : L’adaptation des Systèmes ambiants auxbesoins spécifiques des utilisateurs est unetâche complexe. Pour rendre l’interactionhumain-Systèmes aussi naturelle que possiblependant l’adaptation, nous proposons uneapproche basée sur l’apprentissage pardémonstration. Cet apprentissage requiert destechniques d’apprentissage adaptatifs. Nousprésentons Alex, un systèmes multi-agentscapable d’apprendre dynamiquement uncomportement à partir de démonstrationsréalisées par un tuteur. Les résultatsd’expérimentations réalisées à la fois sur unrobot réel et virtuel mettent en avant despropriétés intéressantes de notre technologiepour des applications ambiantes.
Mots-clefs : Simulation multi-agent, Apprentissage multi-agent, Évolution, Adaptation
Résumé : tons et évaluons notre solution à base de systèmes multi-agents adaptatifs sur une simulationde contrôle de trajectoire de drone.Le démonstrateur présenté introduit un casd’étude concret d’apprentissage par Systèmesmulti-agent dans un environnent simulé. Le cœurde ce travail est l’enrichissement d’un apprentissage par démonstration à l’aide d’un mécanismed’apprentissage autodidacte. Ce mécanisme permet à l’agent apprenant de dépasser les limitesintroduites par le processus de démonstrationen lui permettant d’adapter son comportementpour faire face à des situations imprévues. Cetapprentissage concerne une tâche robotique :l’apprentissage d’un suivi de trajectoire pourdrone aérien. Le mécanisme d’apprentissage autodidacte apporte de la robustesse à l’apprentissage.