Proposition pour un modèle multi-agent avec un mécanisme d'adaptation et d'apprentissage assisté par l'humain

Very few attempts have been made to address the problem of modeling and adapting complex mental attitudes in multi-agent environments. In this paper, we introduce the concept of scene static description and propose a categorization of actors' mental and physical attitudes, based on the concepts of role, status , and behavior. We also model background knowledge of a scene through spatial and temporal statements. This categorization allows an elegant modeling of actors' beliefs and bluff intentions, including recursive ones, directed towards other actors. Beliefs and bluff intentions are two critical characteristics of conflicting multi-agent environments. Based on the assumption that the use of abstraction facilitates and enhances reasoning, we introduce four multi-level hierarchies, namely descriptors, beliefs, goals, and plans, to host the knowledge elements previously categorized. We also introduce transitions between these hierarchies to create an analysis-resolution reasoning cycle, aimed at finding for a particular actor the best possible sequence of behaviors to adapt to a constantly changing environment. Adaptation may also occur through a human-assisted learning mechanism, which we also define in this paper. This mechanism follows the learning-by-instruction paradigm, and is illustrated in the context of a simulation which involves a human tutor to interactively assist an automatic player at a four-player strategy game. This form of learning addresses the problems of theory over-specificity and over-generality, and handles multiple faults.La recherche aborde peu le problème de la modélisation et de l'adaptation d'attitudes mentales complexes dans des environnements multi-agent. Dans cet article, nous introduisons le concept de description statique d'une scène, dans laquelle nous modélisons la connaissance de fond au moyen d'énoncés spatiaux et temporels, et les attitudes physiques et mentales des acteurs à partir des concepts de comportements, de statuts, et de rôles. Nous pouvons ainsi prendre en compte de manière élégante deux caractéristiques critiques des environnements multi-agent conflictuels, à savoir les croyances et les intentions de bluff d'un acteur vis-à-vis d'autres acteurs, y compris celles qui sont récursives. En nous fondant ensuite sur l'hypothèse que l'utilisation de niveaux d'abstraction permet de faciliter et d'affiner le raisonnement, nous utilisons de tels niveaux pour définir quatre hiérarchies, les descripteurs, les croyances, les buts, et les plans, afin d'accueillir les éléments de connaissance ainsi catégorisés. Le raisonnement permettant à un acteur quelconque de s'adapter à un environnement en évolution constante par une suite de comportements (la meilleure à son niveau) est alors modélisé par des règles de transition entre ces hiérarchies simulant un cycle analyse-résolution. Cet article montre enfin comment l'adaptation peut également se produire dans le cadre d'un mécanisme d'apprentissage assisté par l'humain, suivant le paradigme de l'apprentissage par instruction. Nous illustrons ce mécanisme dans le contexte d'une simulation où un tuteur humain prête interactivement assistance à un joueur automatique dans un jeu de stratégie à quatre joueurs. Cette forme d'apprentissage aborde les problèmes théoriques de surgénéralisation et de surspécialisation, et traite les erreurs multiples.Lelouche Ruddy, Doublait Stéphane. Proposition pour un modèle multi-agent avec un mécanisme d'adaptation et d'apprentissage assisté par l'humain. In: Intellectica. Revue de l'Association pour la Recherche Cognitive, n°18, 1994/1. Apprentissage et argumentation. pp. 113-154