Détection de comportements à travers des modèles multi-agents collaboratifs, appliquée à l'évaluation de la situation, notamment en environnement asymétrique avec des données imprécises et incertaines

This PhD thesis presents a patented innovative method for the detection of collective behaviors. Using fusion processes on data captured from a multi-sensor network, recent monitoring systems obtain the observation sequences of monitored people. This lower level of situation awareness was measured to be not enough to help the security forces during crowd events. In order to have an incremented situation awareness in these asymmetric environments, we propose a multi-agent approach reducing the problem complexity by agents on three levels - macro, meso and micro - of observations. We use a new relative state within previous approaches enabling us the real-time detection of groups, their behaviors, their goals and their intentions. During European projects, we used a serious game simulating a crowd among asymmetric scenarios. Results show better agreement with theoretical predictions and significant improvement over previous efforts. The work presented here has profound implications for future studies of multi-agent behaviour detection and may one day help solve the problems during unmanageable events of disaster crowds.Ce manuscrit de thèse présente une méthode innovante brevetée pour la détection de comportements collectifs. En utilisant des procédés de fusion sur les données issues d'un réseau multi-capteurs, les récents systèmes de surveillance obtiennent les séquences d'observations des personnes surveillées. Ce bas niveau d'évaluation de la situation a été mesuré insuffisant pour aider les forces de sécurité lors des événements de foule. Afin d'avoir une plus haute évaluation de la situation dans ces environnements asymétriques, nous proposons une approche multi-agents qui réduit la complexité du problème par des agents sur trois niveaux - macro, méso et micro - d'observations. Nous utilisons un nouvel état relatif dans les approches de l'état de l'art pour nous permettre la détection, en temps réel, des groupes, de leurs comportements, objectifs et intentions. Dans le cadre de projets européens, nous avons utilisé un serious game simulant une foule dans des scénarios asymétriques. Les résultats montrent un meilleur accord avec les prédictions théoriques et une amélioration significative des travaux précédents. Le travail présenté ici pourrait être utilisé dans de futures études de détection de comportements multi-agents et pourrait un jour aider à résoudre les problèmes liés aux événements catastrophiques de foules incontrôlables