Modèles multi-agents et apprentissage collaboratif pour une mobilité intelligente dans un environnement urbain

Abstract

Dans cette thèse, nous nous focaliserons dans une première partie sur le contrôle des feux de signalisation dans un milieu urbain, dans le but d’éviter la congestion et optimiser plusieurs indices de performance (ex. émissions de CO2, temps moyen d’attente et files d’attente des véhicules). Pour réaliser cela, quatre contributions générales sont proposées dans cette partie. Une première à base des systèmes multi-agents et l’apprentissage par renforcement pour créer un système distribué capable d’apprendre une politique qui permet de calculer des temps de feu verts optimaux. Une deuxième et troisième proposées pour adapter l’apprentissage d’un environnement à un autre et optimiser l’apprentissage par coopération des agents respectivement. Une quatrième contribution consiste à créer un système basé sur les systèmes multi-agents et la logique floue combinée avec l’apprentissage par renforcement, pour tacler le problème d’espace discret de configuration de feux de signalisation et l’incertitude des détecteurs placés sur les routes. Dans une deuxième partie, nous allons nous concentrer sur la détection des incidents dans le domaine urbain. Pour cela, nous avons utilisé comme technique l’apprentissage supervisé et l’apprentissage par transfert. Cette détection va permettre d’optimiser des indices de performance (ex. taux de détection, taux de fausses alarmes, temps moyen de détection, etc.) afin de minimiser le nombre d’incidents et d’éviter les congestions engendrées. Une contribution est proposée qui consiste à apprendre un classificateur de donnée capable à prédire si un incident a eu lieu ou non, ainsi que de transférer les apprentissages entre domaines pour profiter des expériences antérieures.