Faculté informatique et communications IC, Section d'informatique, Institut des systèmes informatiques et multimédias ISIM (Laboratoire de réalité virtuelle VRLAB)

Méthodes infographiques pour l'apprentissage des agents autonomes virtuels

Conde, Toni ; Thalmann, Daniel (Dir.)

Thèse sciences Ecole polytechnique fédérale de Lausanne EPFL : 2005 ; no 3387.

Ajouter à la liste personnelle
    Summary
    There are two primary approaches to behavioural animation of an Autonomous Virtual Agent (AVA). The first one, or behavioural model, defines how AVA reacts to the current state of its environment. In the second one, or cognitive model, this AVA uses a thought process allowing it to deliberate over its possible actions. Despite the success of these approaches in several domains, there are two notable limitations which we address in this thesis. First, cognitive models are traditionally very slow to execute, as a tree search, in the form of mapping: states → actions, must be performed. On the one hand, an AVA can only make sub-optimal decisions and, on the other hand, the number of AVAs that can be used simultaneously in real-time is limited. These constraints restrict their applications to a small set of candidate actions. Second, cognitive and behavioural models can act unexpectedly, producing undesirable behaviour in certain regions of the state space. This is because it may be impossible to exhaustively test them for the entire state space, especially if the state space is continuous. This can be worrisome for end-user applications involving AVAs, such as training simulators for cars and aeronautics. Our contributions include the design of novel learning methods for approximating behavioural and cognitive models. They address the problem of input selection helped by a novel architecture ALifeE including virtual sensors and perception, regardless of the machine learning technique utilized. The input dimensionality must be kept as small as possible, this is due to the "curse of dimensionality", well known in machine learning. Thus, ALifeE simplifies and speeds up the process for the designer.
    Résumé
    Il existe deux approches principales pour l'animation comportementale d'un Agent Autonome Virtuel (AAV). La première, ou modèle comportemental, définit la manière dont cet AAV réagit face à l'état courant de son environnement. Dans la seconde, ou modèle cognitif, cet AAV utilise un processus qui lui permet d'agir au-dessus de ses actions potentielles. En dépit du succès de ces approches dans plusieurs domaines, elles présentent deux limitations importantes que nous relevons dans cette thèse. La première est que les modèles cognitifs étant traditionnellement très lents à exécuter, une recherche arborescente, sous forme d'une association: états → actions doit être effectuée. D'une part, un AAV ne peut prendre que des décisions sous-optimales et, d'autre part, le nombre d'AAVs à même d'être utilisés simultanément en temps réel est limité. Ces contraintes restreignent leur application à un petit nombre d'actions potentielles. La seconde limitation est que les modèles, tant cognitifs que comportementaux, peuvent agir de façon inattendue et présenter un comportement indésirable dans certaines régions de l'espace des états, puisqu'il est impossible de les tester de façon exhaustive pour l'ensemble de ces régions, en particulier lorsque l'espace des états est continu. Ce qui peut être très gênant pour des usagers finaux qui font appel à des AAVs tels que, notamment, les simulateurs d'entraînement pour les voitures et l'aéronautique. Nos contributions comprennent le développement de nouvelles méthodes d'apprentissage pour approximer les modèles comportementaux et cognitifs. Elles traitent également le problème de la sélection des données d'entrée, grâce à une architecture originale ALifeE qui intègre les senseurs virtuels et la perception virtuelle, dans le cadre de la méthodologie de l'apprentissage choisie. La dimension des entrées doit être maintenue aussi petite que possible, en raison de la "malédiction de la dimension", bien connue en apprentissage artificiel. Ainsi, l'utilisation de l'ALifeE simplifie et accélère le processus pour le concepteur.