Posts tagged "modèle"

IRIT, ENAC - Toulouse University

Keywords

Predictive Model, Human-Computer Interaction, Mixed Reality

Mixed Reality has taken off again with the arrival of Head-Mounted Displays. Moreover, mixed reality enables long-term user engagement with the IoT. Nevertheless, the design of a usable system requires many iterations between conception, implementation and evaluation. The use of a predictive model allows usability problems to be detected before implementation. In this project, our predictive model can model the completion time for pointing, validation and selection. First, we defined five new operators. Next, we have computed the unit time for each newly introduced operators. Then, we have consolidated our model through three user studies.Our model can predict the time (± 5%) to complete pointing, validation and selection tasks. 

Figure 1 - The five newly introduced operators in our model.

Scientific goals

- Identify operators for mixed reality

- Define unit times for our newly introduced operators

- Evaluate our model in ecological tasks

Contacts

florent.cabric_at_irit.fr, emmanuel.dubois_at_irit.fr, marcos.serrano_at_irit.fr

Context Presentation

Over the last decades, the amount of data has increased to 29000 Go produced each second. Understanding the data requires tools to transform these numbers, texts and images into concrete representations. The field of data visualization aims to produce data representation to visualize and analyze abstract data. Building, people or vehicles produce a lot of data collected by many sensors. These specific data are related to a physical location (e.g. number of people in a room is related to the room, humidity in a floor is related to the floor, etc.) Bring and display them close from their physical context allow people to make a better representation of the data (Embedded Data Representations, Willet et al. , 2017).

In this project we aim to design interaction techniques to navigate and manipulate the data close to a physical referent. The main goal is to develop a full interactive physical model of the campus endowed with situated data.

Keywords

Interaction Techniques, Situated Data, Phygital Model, Human Computer Interaction

Scientific goals

Design and evaluation interaction techniques to explore a digital modeldesign and evaluate interaction techniques with situated databuild a physical model of the campus endowed with situated data and interactive capabilities

Contacts

florent.cabric@irit.fr, emmanuel.dubois@irit.fr, marcos.serrano@irit.fr, christophe.hurter@enac.fr

Context Presentation

In previous decades, environmental impact control through lifecycle analysis has become a hot topic in various fields. In some countries, such as France, the key figures for energy show that the building sector alone consumes around 45% of the energy produced each year. From this last observation emerged the idea to improve the methods hitherto employed in this field, in particular those related to the exchange of information between the various stakeholders involved throughout the lifecycle of a building. Information is particularly crucial for conducting various studies around the building; for instance, the assessment of the environmental impact of the latter. Concerning information exchange issues, the creation of open standards such as Industry Foundation Classes (IFC) or CityGML, but also semantic web technologies have been widely used to try to overcome it with some success elsewhere. Another striking issue is the heterogeneity between construction product databases. What would be particularly interesting is to know the environmental impact of a building at early phases of its lifecycle. However, there are a number of problems that still do not have solutions. This includes associating Building Information Modelling (BIM) and semantic web technologies with environmental databases to increase the flexibility needed to assess the building's environmental impact throughout its lifecycle.

Figure 1: MINDOC methodology process

Scientific Goals

- Study how information exchange is made within experts during a building lifecycle in order to figure out interoperability gaps ;

- Fill some of the encountered gaps by mean of formalization of building information.

- Combined with the formalization of environmental data on construction products, the latter will enable the introduction of product data at an early stages of the building lifecycle.

Keywords

Knowledge Modeling & Semantic Reasoning - Merging Ontologies - Decision Support - Building Information Modeling (BIM) - Environmental Databases.

Contacts

justine-flore.tchouanguem-djuedja@enit.fr, Bernard.Kamsu-Foguem@enit.fr, camille.magniont@iut-tarbes.fr, mkarray@enit.fr, fabanda@brookes.ac.uk.

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.

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

Le secteur du bâtiment consomme en France près de 43% de l’énergie produite chaque année[1]. La production de cette énergie contribue progressivement au réchauffement climatique du fait de l’émission d’une forte quantité de gaz à effet de serre. Il est également le premier en consommation de matières premières non renouvelables et en production de déchets. Améliorer les méthodes utilisées dans le secteur du bâtiment contribuerait donc significativement à réduire sa facture énergétique et donc son empreinte écologique en préservant ainsi notre environnement. La maquette numérique du bâtiment ainsi que les informations qui y sont attachées – le BIM , constituent aujourd’hui un des outils innovants pouvant contribuer au suivi de l’infrastructure tout au long de son cycle de vie. De même, plusieurs bases de données environnementales existent afin de faciliter le choix des matériaux de construction pour une conception durable des bâtiments. L’IA  en général et les ontologies en particulier sont des pistes envisageables pour propulser la construction durable des bâtiments. Le manque d’interopérabilité entre les outils du bâtiment, la diversité d’unités fonctionnelles dans les bases environnementales sont autant d’obstacles aux désirs de durabilité. Pour satisfaire ces derniers, MINDOC propose une méthodologie et la mise en œuvre d’un outil d’aide à la décision durable basé sur le BIM.

Figure 1 : Contexte et Objectifs de MINDOC

Objectifs scientifiques

 Proposer une méthodologie d’échange basée sur les ontologies afin de parfaire l’échange entre les outils BIM tout au long du cycle de vie du bâtiment.

 Mettre en œuvre un outil d’aide à la décision durable basé sur le BIM & promouvoir l’utilisation de matériaux à faible impact environnemental.

Contacts

justine-flore.tchouanguem-djuedja@enit.fr, camille.magniont@insa-toulouse.fr, fabanda@brookes.ac.uk, mohamed-hedi.karray@enit.fr, Bernard.Kamsu-Foguem@enit.fr

L’intelligence ambiante vise à offrir un espace “intelligent” permettant à des humains, dans leur vie quotidienne, d’accéder à l’information et aux services numériques embarques dans des objets connectes et mobiles, et d’interagir avec eux d’une manière appropriée, naturelle et conviviale. Dans ce contexte instable et dynamique où les besoins évoluent en fonction de la situation, les services et les modalités d’interaction doivent s’adapter de manière autonome afin de rendre le bon service au bon moment sans demande explicite de l’humain. La définition d’une approche nouvelle pour la construction d’applications par assemblage de composants de manière automatique et “opportuniste” a été amorcée pour apporter une réponse originale à ces problèmes. Se pose alors le problème d’une représentation des applications qui soit compréhensible par des utilisateurs non spécialistes. La modélisation et l’Ingénierie Dirigée par les Modèles (IDM) peuvent apporter des réponses à ces questions de représentation. Le travail de stage s’inscrit dans la continuité de ces travaux autour de la composition opportuniste de composants logiciels et de fragments d’IHM pour une interaction adaptative en environnement ambiant. Il vise ainsi à essayer de faire converger deux axes de recherches de deux équipes de l’IRIT : l’équipe SMAC “Systèmes multi-Agents Coopératifs” et l’équipe MACAO “Modèles, Architectures, Composants, Agilité et prOcessus”.

Objectifs scientifiques

Notre objectif est de permettre à l’utilisateur de participer au processus de composition. Le système de composition pourrait, par exemple, faire des suggestions à l’utilisateur et lui permettre de les modifier et/ou de les valider. Pour cela, il faut ajouter un module qui présente à l’utilisateur, dans un langage dédié (DSL), le modèle d’un assemblage de composants émergent obtenu par composition opportuniste, et un autre module qui permet à l’utilisateur d’éditer un modèle d’assemblage et de traduire le modèle en un assemblage réel de composants. Les prototypes développes pour ces deux modules reposent sur des techniques de transformation de modèles et les technologies Sirius et Acceleo intégrées à Eclipse Modeling Framework (EMF). Comme perspective de ce travail, les modèles assemblés pourront être mémorisés par le système de composition par apprentissage de modèles.

Contacts

- Takwa Kochbati (IRIT) : Takwa.Kochbati@irit.fr

- Jean-Paul Arcangeli (IRIT) : Jean-Paul.Arcangeli@irit.fr

- Jean-Michel Bruel (IRIT) : Jean-Michel.Bruel@irit.fr

- Sylvie Trouilhet (IRIT) : Sylvie.Trouilhet@irit.fr

La plupart des systèmes du monde réel sont des systèmes complexes. Ces systèmes sont caractérisés par des comportements non-linéaires et souvent non-prévisibles. Les systèmes ambiants, les réseaux, les milieux dans lesquels évoluent des robots ou des humains, sont tous des systèmes complexes. Mieux comprendre la dynamique de tels systèmes est donc un enjeu important, et cela peut passer par l’utilisation de simulations numériques. Cependant, la conception d’un modèle réaliste pour la simulation est difficile, dispendieux et sa validation peut prendre beaucoup de temps.

Objectifs scientifiques

Notre approche propose d’exploiter les données issues de l’observation du système complexe pour en générer automatiquement un modèle. Ces grandes masses de données sont les entrées d’un système multi-agent auto-adaptatif qui découvre automatiquement des corrélations simulant la dynamique complexe du système réel. Nous avons nommé ce système AMOEBA, pour Agnostic MOdEl Builder by self-Adaptation. AMOEBA est capable de généraliser, à fin de proposer des corrélations entre les données en entrée même dans des situations inédites. AMOEBA est également capable de s’auto-observer, permettant ainsi de détecter la présence de données inutiles, ou l’absence de données nécessaires à un bon apprentissage.

Contacts

- Julien Nigon (IRIT) : julien.nigon@irit.fr

- Marie-Pierre Gleizes (IRIT) : marie-pierre.gleizes@irit.fr

- Frédéric Migeon frederic.migeon@irit.fr