Multi-agent architecture for automatic target recognition

Automatic target recognition imposes the integration of a large variety of heterogeneous knowledge. This leads us to design an architecture distributing knowledge and performing parallel and concurrent processing. We chose a multi-agent approach with the implementation of specialized agents based on incrementality, cooperation, distribution, focus of attention and adaptability. The architecture being used is a multi-threaded one. It is build around an administrator and allows the formalisation of communication protocol between the agents. These agents differ in their role, their behavior ans information they handle and generate. At a given moment, many agent coexist in the image. Each one behaves in an autonomous way for reaching the data and working out its own strategy according to the available information. Planning is dealt with locally at the agent level. A priori knowledge is specified in a database shared by all the agents. Acquired information is stored in a model of the world. The system evolves along time , which imposes an incremental belief update strategy modelled by bayesian networks.La fonction détection, reconnaissance et identification de cibles (DRI) impose l'intégration de connaissances hétérogènes en grande quantité. Ceci nous conduit vers des architectures distribuant la connaissance et permettant d'effectuer des traitements en parallèle et en concurrence. Nous proposons une approche multi-agent basée sur la mise en oeuvre d'agents spécialisés répondant aux principes d'incrémentalité, de distribution, de coopération, de focalisation et d'adaptation. L'architecture utilisée est de type multi-thread. Elle est dotée d'un administrateur et spécifie les moyens de communication entre les agents. Ceux-ci sont définis par leur rôle, leurs comportements et les informations qu'ils manipulent et qu'ils produisent. À un instant donné, différents agents coexistent dans l'image. Chacun dispose d'une autonomie pour accéder aux données et élaborer sa propre stratégie en fonction des informations disponibles. La planification est prise en charge localement au niveau de l'agent. Les connaissances nécessaires sont spécifiées dans une base de connaissances partagée par tous les agents. Les informations acquises sont stockées dans un modèle du monde. Le système se construit et vient s'enrichir au cours du temps, ceci impose une stratégie incrémentale dans la mise à jour des hypothèses. Cette modélisation est faite sous forme de réseaux bayésiens