Posts tagged "multi-agent"

SANDMAN: a Multi-Agent System for Anomaly Detection in Smart Buildings

Context Presentation

The number of sensors in buildings is constantly increasing, thanks to more accessible costs and the obvious interest of their use for optimized management. In this thesis we are interested in the use of data from these sensors to detect anomalies in buildings. These data, which are very numerous, can be of unknown and heterogeneous types.An anomaly is defined as unexpected and undesirable behaviour in a system and may depend on the context. In order to be able to deploy an anomaly detection system as widely as possible, it is necessary to create a decision support tool for energy experts. To address these issues, a system based on cooperative multi-agent systems implementing AMAS theory is being developed that allows anomalies to be detected by supervised learning. The anomaly detection system must take advantage of the feedback from one or more experts who label certain instances as anomalies or non-anomalies. These feedback are used for learning. The system we develop allows the addition or removal of new sensors without interrupting the detection of anomalies.

image016

 

The system classifies situations

 

Scientific Goals

- Improve energy efficiency

- Detect anomalies in real time

- Learn continuously from the expert feedback

Keywords

Multi-Agent Systems, Smart Buildings, Internet of Things, Supervised Learning, Anomaly Detection

Contacts

Maxime.houssin@irit.fr

 

 

Hybrid IoT: a Multi-Agent System for Persistent Data Accessibility in Smart Cities

Présentation du contexte

La réalité d'un campus intelligent ou plus généralement d'une ville intelligente passe par une observation régulière de l'environnement par des capteurs ad-hoc, afin d’agir dans l’environnement avec des dispositifs automatiques pour améliorer le bien-être des usagers. Ces capteurs permettent d’obtenir une connaissance des activités humaines et des conditions dans lesquelles ces activités sont menées, mais le déploiement d'un grand nombre de capteurs peut être coûteux. Les coûts sont principalement liés à l'installation, la maintenance et les infrastructures de capteurs dans les bâtiments existants. Pour ces raisons, l’objectif de cette thèse vise à réduire ces coûts en utilisant quotidiennement des milliers d’informations partielles et intermittentes provenant de smartphones des usagers du campus de l’Université Toulouse III Paul Sabatier. Ces traitements sont fondés sur une technologie d’Intelligence Artificielle par systèmes multi-agents coopératifs.

 

image011

Figure 1 : «On utilise les informations des dispositifs intermittents et mobiles pour fournir des estimations précises»

Objectifs scientifiques

- Apprendre à partir de données brutes, imprécises et intermittentes sans feedback.

- Fournir les informations en continu, même en l’absence de données de smartphone des usagers.

- Utiliser une approche hybride de l’Internet des objets qui mixe capteurs réels et capteurs virtuels.

Mots clés

Systèmes multi-agents auto-adaptatifs, fusion de données, apprentissage, smart campus

Contacts

Davide Andrea Guastella, Valérie Camps, Marie-Pierre Gleizes, {davide.guastella, camps, gleizes}@irit.fr

QuaLAS - eco-friendly Quality of Life in Ambient Sociotechnical systems

Context Presentation

The usual approach to ambient intelligence is an expert modeling of the devices present in the environment, describing what each does and what effect it will have. When seen as a dynamic and noisy complex systems, with the efficiency of devices changing and new devices appearing, this seems unrealistic. We propose a generic multi-agent (MAS) learning approach that can be deployed in any ambient environment and collectively self-models it. We illustrate the concept on the estimation of power consumption. The agents representing the devices adjust their estimations iteratively and in real time so as to result in a continuous collective problem solving. This approach will be extended to estimate the impact of each device on each comfort (noise, light, smell, heat...), making it possible for them to adjust their behaviour to satisfy the users in an integrative and systemic vision of an intelligent house we call QuaLAS: eco-friendly Quality of Life in Ambient Sociotechnical systems.

 

image009image010

 

 

Figure 1: « eco-friendly Quality of Life in Ambient Sociotechnical systems »

 

Scientific Goals

- multi-learning in a highly dynamic environment,

- conditions for scaling up,

- sensitivity to disturbances and noisy signals

- convergence speed

Keywords

neOCampus, file, presentation, innovation, ambient Intelligence multi-agent systems, complex systems, collective learning.

Contacts

fabrice.crasnier@irit.frmarie-pierre.gleizes@irit.fr - jean-pierre.george@irit.fr

 

AMAS4BigData : Analyse dynamique de grandes masses de données par Systèmes Multi-Agents Adaptatifs

Le campus intelligent ou la ville intelligente par le biais de ses capteurs fixes et mobiles (capteurs ambiants, objets intelligents et connectés) génère très rapidement de grandes masses de données liées à l’activité de ses usagers et de ses processus internes. Ces masses de données représentent une mine d’informations pertinentes pour mieux comprendre l’activité du campus et ainsi le gérer plus intelligemment dans le but d’assurer l’équilibre entre confort des usagers et empreinte écologique minimale.

S5P2

Figure 1 : « Réseau de relations de dynamique entre les capteurs neOCampus »

Objectifs scientifiques

L’objectif de cette thèse est concevoir une intelligence artificielle collective afin :

 d’analyser en temps réel les grandes masses de  données du campus,

 s’adapter en continu aux changements dans les données (contenu et structure)

 en respectant la vie privée et l’anonymat des usagers.

Contacts

elhadi.belghache@irit.fr, pierre.glize@irit.fr, jean-pierre.george@irit.fr

 

Smart Twins

L’objectif de ce projet est de développer une intelligence artificielle basée sur le paradigme multi-agent afin de contrôler des environnements peuplés de capteurs et d’effecteurs pour maximiser le confort des utilisateurs. Différentes contraintes sont à prendre en compte afin de résoudre ce problème comme le traitement des données en temps réel et l’adaptation du système aux différentes situations rencontrées. Les principaux défis liés à ce projet sont l’incapacité de prédire à l’avance l’ensembles des situations que le système va rencontrer et la capacité du système à s’adapter en temps réel aux utilisateurs. De manière plus générale le système devra être capable de s’adapter aux utilisateurs et d’apprendre leurs préférences.

S3P3

Figure 1 : « Mécanisme d’apprentissage multi-agent »

Objectifs scientifiques

Les objectifs de ce projet sont :

 De créer un système capable d’améliorer le confort des utilisateurs

 De créer un système multi-agent auto adaptatif qui ne nécessite aucune connaissance préalable

 De contrôler en temps réel un environnement connecté

Contacts

thomas.gandilhon@irit.fr

marie-pierre.gleizes@irit.fr

patrick.marquet@sogeti.com

 

Multi-Agent System for Data Prediction and Cartography Approximation

La réalité d'un campus intelligent ou plus généralement d'une ville intelligente passe par une observation régulière de l'environnement par des capteurs ad-hoc. Ces capteurs permissent d’obtenir une connaissance des activités humaines et des conditions dans lesquelles ces activités sont menées. Cette connaissance a pour objectif d’agir dans l’environnement avec des dispositifs automatiques pour améliorer le bien-être des usagers. D’ailleurs, le déploiement d'un grand nombre de capteurs peut être coûteux. Les coûts sont principalement liés à l'installation, la maintenance et les infrastructures de capteurs dans les bâtiments existants. Pour ces raisons, l’objectif de cette thèse vise à réduire ces coûts en utilisant des informations partielles et intermittentes provenant de smartphones des usagers du campus de l’Université Toulouse III Paul Sabatier.

S2P7

Figure 1 : «On utilise les informations des dispositifs intermittents et mobiles pour fournir une estimation précise et une approximation de la cartographie de l'environnement »

Objectifs scientifiques

Les objectifs sont :

• Apprendre à partir de données brutes, imprécises et intermittentes sans feedback

• Fournir les informations en continu, même si aucun capteur ad hoc n'est pas disponible

• Utiliser de nombreux dispositifs intermittents et mobiles pour éviter l'installation de nouveaux capteurs ad hoc

Contacts

Davide Andrea Guastella, Valérie Camps, Marie-Pierre Gleizes, {davide.guastella, camps, gleizes}@irit.fr

 

Système Multi-Agents pour la détection d’anomalies dans les bâtiments intelligents

    Le nombre de capteurs dans les bâtiments ne cesse d'augmenter, grâce à des coûts plus accessibles et à l'intérêt évident de leur utilisation pour une gestion optimisée. Dans cette thèse nous nous intéressons  à l'utilisation des données issues de ces capteurs dans le but de détecter des anomalies dans les bâtiments. Ces données peuvent être de types inconnus et hétérogènes, et sont très nombreuses. 

    Une anomalie est définie comme un comportement inattendu et indésirable dans un système et peut dépendre du contexte. Afin de pouvoir déployer un système de détection d'anomalies le plus largement possible, il est nécessaire de minimiser la quantité de travail requise des divers experts intervenant dans notre domaine tout en respectant le principe d'ouverture permettant ainsi un usage continu du système dans le temps. Pour répondre à ces problématiques, un ou des systèmes à base de systèmes multi-agents coopératifs implémentant la théorie des AMAS seront développés et permettront la détection d'anomalies par apprentissage supervisé. Le système de détection d'anomalies doit tirer parti des retours d'un ou plusieurs experts qui étiquettent certaines instances comme normales ou anormales, cette connaissance est la seule ressource disponible au système pour l'apprentissage. L'apprentissage est une propriété émergente du système qui s'opère par des réorganisations du système multi-agents grâce à partir des retours d'experts. 

S2P6

Figure 1 : Le système classe les évènements

Objectifs scientifiques

 Améliorer l’efficacité énergétique

 Détecter les anomalies en temps réel

 Apprendre en continu grâce aux retours d’un expert

 Concevoir un système générique pour traiter toutes les données issues des bâtiment

Contacts

maxime.houssin@irit.fr

 

Flottilles de drones par système multi-agent auto-adaptatif

Les technologies de drones ont un potentiel très important dans un contexte industriel. De nombreuses missions de contrôle d’installations ou de surveillance de zones peuvent être optimisées par l’utilisation de ces technologies.

Cependant, la diversité des missions et des environnements est un frein majeur à l’utilisation massive des drones. Les problématiques posées sont l’hétérogénéité et la prise de décision autonome dans des environnements difficiles où des évènements exogènes se produisent. Dans ce contexte, le paradigme des systèmes multi-agents, et en particulier les systèmes dits « auto-adaptatifs » permettent de traiter une partie du problème.

Ce projet porte sur la mise en œuvre et l’expérimentation d’algorithmes pour des systèmes multi-agents auto-adaptatifs sur des cas d’utilisation industriels de flottilles de drones.

S2P3

Figure 1 : « Simulation d’une flottille de drone en 3D»

Objectifs scientifiques

Les objectifs des flottilles de drones sont :

 Effectuer des missions en coopération

 S’adapter en cas d’incident

 Avoir une complète autonomie

Contacts

guilhem.marcillaud@irit.fr, henri.garih@scalian.com, frederic.migeon@irit.fr 

 

Back to Top