Un système robotique distribué et reconfigurable (MSRR) est composé de plusieurs modules ayant certaines fonctions de mouvement, de perception et d'action. Ils peuvent s'adapter à l'environnement et aux objectifs en se connectant et en se déconnectant pour obtenir la configuration et la forme désirées. Les MSRR contiennent souvent deux systèmes : l'un constitué d'actionneurs pour le mouvement, l'autre pour la connexion. A l'heure actuelle, de nombreuses institutions travaillent sur les MSRR ; la conception, la miniaturisation, l'économie d'énergie, les algorithmes de contrôle ont fait l'objet de recherches dans ce domaine. Cependant, il existe peu d'études conjointes sur le matériel et les algorithmes correspondants. Cette thèse décrit la conception, la fabrication, les résultats expérimentaux, l'algorithmique distribuée et un simulateur d'une plate-forme MSRR. En nous appuyant sur le calcul et la simulation numérique, nous présentons un aimant électro-permanent simplifié (SEP) qui ne consomme pas d'énergie lorsque le module est connecté à un autre module. Un nouveau concept de moteur linéaire basé sur les SEP est également proposé. Ensuite, nous présentons DILI, un MSRR cubique, de longueur 1,5cm. Le module DILI peut coulisser sur une surface plane, la vitesse maximale pouvant atteindre 20mm/s. Avec le nouvel actionneur, DILI peut réaliser les fonctions de mouvement et de connexion. Un module DILI peut se connecter avec quatre autres modules. Enfin, un algorithme distribué est proposé et un simulateur est conçu pour permettre de simuler le système distribué, de tester et valider les algorithmes distribués. / A distributed modular self-reconfiguring robotic (MSRR) system is composed of many repeated basic modules with certain functions of motion, perception, and actuation. They can adapt to environment and goals by connecting and disconnecting to achieve the desired configuration and shape. MSRRs often contain two hardware systems: one is for actuation (motion), another one is for connection. At present time many institutions work on MSRRs; structural design, miniaturization, energy saving, control algorithms have been the focus of research in this area. However, only a few of them work on both the hardware and the corresponding algorithms. This thesis describes the design, fabrication, experimental results, distributed algorithm, and simulator of a MSRR platform. Via theoretical calculation and numerical simulation, we present the simplified electro-permanent (SEP) magnet which can change the magnetic field direction and does not require energy consumption while connected. A new concept of linear motor based on SEP is proposed. Then we construct DILI, a cubical MSRR, the length of each module is 1.5cm. DILI module can slide on a flat surface; the maximum speed can reach 20mm/s. With the new actuator, DILI can achieve the functions of motion and connection with only one system inside. Finally, a distributed algorithm is proposed in order to build a smart conveyor, and a simulator is designed that permits one to perform distributed simulations, test and validate distributed algorithms.

Le concept de “Business Rule Management System” (BRMS) a été introduit pour faciliter la création, la vérification, le déploiement et l'exécution des politiques commerciales propres à chaque compagnie. Basée sur une approche symbolique, l'idée générale est de permettre aux utilisateurs métier de gérer les changements des règles métier dans le système sans avoir besoin de recourir à des compétences techniques. Il s'agit donc de fournir à ces derniers la possibilité de formuler des politiques commerciales et d'automatiser leur traitement tout en restant proche du langage naturel. De nos jours, avec l'expansion de ce type de systèmes, il faut faire face à des logiques de décision de plus en plus complexes et à de larges volumes de données. Il n'est pas toujours facile d'identifier les causes conduisant à une décision. On constate ainsi un besoin grandissant de justifier et d'optimiser les décisions dans de courts délais qui induit l'intégration à ses systèmes d'une composante d'explication évoluée. Le principal enjeu de ces recherches est de fournir une approche industrialisable de l'explication des processus de décision d'un BRMS et plus largement d'un système à base de règles. Cette approche devra être en mesure d'apporter les informations nécessaires à la compréhension générale de la décision, de faire office de justification auprès d'entités internes et externes ainsi que de permettre l'amélioration des moteurs de règles existants. La réflexion se portera tant sur la génération des explications en elles-mêmes que sur la manière et la forme sous lesquelles elles seront délivrées. / The concept of “Business Rule Management System” (BRMS) has been introduced in order to facilitate the design, the management and the execution of company-specific business policies. Based on a symbolic approach, the main idea behind these tools is to enable the business users to manage the business rule changes in the system without requiring programming skills. It is therefore a question of providing them with tools that enable to formulate their business policies in a near natural language form and automate their processing. Nowadays, with the expansion of intelligent systems, we have to cope with more and more complex decision logic and large volumes of data. It is not straightforward to identify the causes leading to a decision. There is a growing need to justify and optimize automated decisions in a short time frame, which motivates the integration of advanced explanatory component into its systems. Thus, the main challenge of this research is to provide an industrializable approach for explaining the decision-making processes of business rules applications and more broadly rule-based systems. This approach should be able to provide the necessary information for enabling a general understanding of the decision, to serve as a justification for internal and external entities as well as to enable the improvement of existing rule engines. To this end, the focus will be on the generation of the explanations in themselves as well as on the manner and the form in which they will be delivered.

L'évolution des transports, au cours des dernières décennies, témoigne d'une volonté continue de réduire les contraintes associées à la notion de déplacement. Dans ce but, une part importante des efforts engagés a pour objectif de raccourcir la durée des trajets, essentiellement grâce à l'amélioration des infrastructures et la diversification des modes de transport. La multiplicité modale, censée répondre aux différents besoins des usagers, n'a cependant pas suffi à stopper l'essor de l'automobile au sein des agglomérations. La voiture individuelle est ainsi progressivement devenue la principale source de nuisances et d'accidents urbains. Les solutions étudiées pour remédier à cette situation reposent principalement sur la responsabilité du facteur humain. Elles proposent donc essentiellement de remplacer l'automobile par des systèmes de transport autonomes. L'automatisation des véhicules, progressivement mise en place par la démocratisation des systèmes d'aide à la conduite (ADAS), nécessite le développement de modules de perception de l'environnement, qui analysent et traitent l'information acquise à partir d'un ou plusieurs capteurs. Avec l'explosion des capacités computationnelles des systèmes embarqués, la caméra est devenue l'un des capteurs les plus utilisés, tant pour la richesse de l'information contenue dans une séquence d'images, que pour son faible coût et son encombrement limité. Les travaux présentés dans ce document apportent une solution originale au problème de la perception visuelle pour la conduite automatisée, grâce à une approche monoculaire fondée sur l'étude de contraintes géométriques appliquées au mouvement image.

Avec le phénomène de la globalisation qui prend de l'ampleur, les différences culturelles, dans les communications interculturelles, amènent leur lot de problèmes inévitables. Geet Hofstede a exprimé de manière représentative ce phénomène : "Culture is more often a source of conflict than of synergy. Cultural differences are a nuisance at best and often a disaster." (Geert Hofstede, Emeritus Professor, Maastricht University.) Dans la revue de la littérature, jusqu'à ce jour, les recherches relatives à l'intelligence culturelle (IC) utilisent les méthodes traditionnelles pour mesurer l'IC et trouver des solutions aux problèmes relatifs à l'IC. Ces méthodes dépendent essentiellement de questionnaires évaluant des aspects distincts, de documents (Ng et Earley, 2006) et d'évaluations variées, guidées par les connaissances spécialisées et des qualités psychologiques d'experts de l'IC. Ces façons de faire réduisent le nombre de solutions possibles. À notre connaissance, aucune recherche au sujet de l'IC n'a été empiriquement informatisée jusqu'à maintenant. En conséquence, l'intégration de l'IC dans le domaine de l'intelligence artificielle (IA) reste absente. L'objectif principal de la recherche est donc de créer un modèle computationnel de l'IC et de l'implémenter dans un système expert. Ce système se nomme Système Expert Neuro-Flou d'Intelligence Culturelle (SENFIC). Il intègre l'expertise d'experts de l'IC en intégrant le fruit des études à propos des quatre dimensions de l'IC comme un tout intégré et s'influençant les unes des autres. Il devrait permettre éventuellement d'atteindre un meilleur niveau de performance que celui des experts de l'IC. Comme un système intelligent efficace, il fournit une recommandation globale au problème et une forme de système de règles permettant l'adaptabilité des individus et des organisations à un environnement interculturel. C'est dans ce contexte que le SENFIC a vu le jour. Nous combinons deux techniques intelligentes dans le cadre du système. La technique d'hybride neuro-floue intégrant la logique floue et le réseau de neurones artificiels, et la technique du système expert. La technique de logique floue est une bonne solution pour exprimer des problèmes originalement en langue imprécise et naturelle, comme ceux soulevés dans les recherches relatives à l'IC. La technique du réseau de neurones artificiels aide le système à atteindre un niveau d'autorégulation, d'auto-adaptation et d'autoapprentissage. Le système expert utilise des connaissances et des procédures d'inférence dans le but de résoudre des problèmes difficiles, requérant normalement une expertise humaine dans le domaine d'IC. Ainsi, le SENFIC exprime des connaissances sous une forme facilement comprise par les utilisateurs, et traite les demandes simples en langage naturel plutôt qu'en langage de programmation. En utilisant une nouvelle approche pour la technique de soft-computing en concevant la technique hybride comme le cœur du système, notre SENFIC devient alors capable de raisonner et d'apprendre dans un environnement culturel incertain et imprécis. Ce SENFIC est ouvert et extensible, autant au niveau interne qu'externe. Au niveau interne, le modèle computationnel de l'IC fournit une interface standard pouvant faciliter le développement secondaire et la mise en pratique du système. Au niveau externe, le SENFIC a la capacité de se présenter comme un agent d'extension permettant l'intégration à n'importe quel système intelligent existant, pour que ce système devienne culturellement intelligent. Le SENFIC est « conscient de l'intelligence culturelle ». Cela représente une percée amenant son lot de contributions dans les domaines de l'IC et de l'IA. ______________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : intelligence culturelle, logique floue, réseaux de neurones artificiels, soft-computing, hybride neuro-floue, système expert

Après un historique bref et général de la déduction automatique, on analyse les tendances actuelles et les besoins en présentation de preuves et communication d'outils d'inférence. Les notions théoriques concernées sont présentées et étudiées en détail. On donne ensuite une synthèse comparative critique et exhaustive de l'état de l'art. Cette synthèse manquait dans la littérature. L'analyse des notions fondamentales en logique et la synthèse sur l'état de l'art permettent d'établir les caractéristiques retenues pour le système GLEF (Graphical & Logical Edition Framework). La conception et la réalisation de deux langages ont permis de rendre GLEF générique (c'est à dire paramétrable par le système formel employé et par la présentation de ses preuves). Un formalisme de définition, fondé sur le Calcul des Construction (dû à Coquand et Huet), sert à représenter et à vérifier les systèmes formels et les preuves dans ses systèmes formels. Un langage de présentation, fondé sur la notion de «boîte», sert à décrire leur présentation. En annexe nous donnons un algorithme original pour l'opération d'effacement, particulièrement difficile en lambda-calcul typé, qui sert à réaliser la commande «couper» de GLEF. GLEF a été développé au sein du projet ATINF (ATelier d'INFérence). Un manuel utilisateur rudimentaire et de nombreux exemples d'utilisation en sont donnés. Certains exemples montrent comment, après avoir spécifié la définition et la présentation d'un système formel objet, un utilisateur de GLEF peut construire ou visualiser des preuves en manipulant directement les objets (formules, preuves partielles, etc.) à l'écran, avec la souris. D'autres illustrent comment GLEF présente les preuves produites par les démonstrateurs d'ATINF ou extérieurs à ATINF. Les principales lignes de recherche future concluent ce travail

.

L'objectif de cette thèse est de créer un nouveau système qui est capable de gérer des auto-formations intelligentes, interactives et adaptatives aux besoins, styles d'apprentissage et à l'état des connaissances de chaque apprenant. Ce système est nommé IWEBISE (Interactive and Intelligent System for Education). Il est le résultat de l'accouplement entre cinq grands domaines : l'ingénierie des connaissances, l'interaction homme-machine, la psychologie cognitive, l'intelligence artificielle et la psychopédagogie. IWEBISE est constitué de cinq parties :<br> Modèle de l'apprenant : Cette partie détaille comment le style d'apprentissage des apprenants est modélisé selon le modèle Felder-Silverman, qui dépend de nombreux paramètres : Nombre d'exemples, nombre d'exercices, le lieu des exemples avant ou après le contenu et le lieu des exercices avant ou après le contenu. Les connaissances des étudiants sont exprimées dans le système en utilisant le modèle de recouvrement (Overlay), qui les considère comme une partie du domaine de la connaissance. L' IWEBISE utilise également un modèle ouvert de l'apprenant . Celui-ci permet aux étudiants de changer par eux-mêmes leurs états de connaissances relatives à chaque concept, ce qui leur permet d'étudier à grands pas sans se sentir bloqués par leurs processus d'apprentissage. Le modèle de l'apprenant est composé de deux parties: La partie statique qui stocke les renseignements personnels de l'apprenant. La partie dynamique qui garde les interactions des apprenants avec le système. Elles sont présentées par plusieurs paramètres: nombre de réponses correctes (NCA), nombre de réponses incorrectes (NICA), temps passé à résoudre une question (TSSQ), temps consacré à la lecture ou à l'interaction avec un concept spécifique (TSR) et le nombre de tentatives pour répondre à une question (NAAQ). Une fois qu'un apprenant a passé une séance de pré-test, la partie dynamique est lancée en utilisant ces paramètres. Six méthodes sont employées pour symboliser l'état des connaissances des apprenants dans six niveaux (excellent, très bien, bien, plutôt bien, faibles et très faibles) dans le but de déterminer la meilleure pour être utilisée plus tard dans le nouveau IWEBISE. Ces méthodes sont: FBAM, ART2, Fuzzy-ART2, HMM et NN / HMM. F-mesure métrique est employé pour mesurer la performance des méthodes mentionnées. Les résultats montrent que Fuzzy-ART2 donne la meilleure qualité de catégorisation (0.281 ), qui est considérée comme un facteur très important pour s''assurer qu'une carte de concepts appropriée est affichée à l'apprenant en fonction de son état de connaissances. <br> Modèle de tuteur : Cette partie détaille la façon de modéliser les stratégies pédagogiques utilisées par les enseignants pendant la présentation du contenu des cours aux étudiants. Elles sont modélisées par une table composée de neuf champs qui permettent de stocker les couleurs utilisées pour présenter l'état des connaissances des apprenants dans le plan du parcours et la possibilité de montrer ou de cacher un concept d'apprentissage. Le modèle de tuteur se concentre également sur un algorithme de prédiction pour prévoir les concepts suivants qui pourraient être visités par les apprenants. Le processus de prédiction est réalisé en suivant trois phases: Phase d'initialisation: Pour chaque apprenant un HMM (λ) est construit à base de sa précédente séquence d'accès aux concepts. Phase d'ajustement: Étant donnée une nouvelle séquence observée et un HMM (λ), l'algorithme de Baum-Welch est utilisé pour ajuster les HMM initialisés et de maximiser la nouvelle séquence observée. Phase de prédiction: l'algorithme Forward est appliqué pour déterminer la distribution de probabilité de chaque concept dans le cours. La plus haute valeur représente le concept suivant qui sera visité par l'apprenant. L'exactitude de prédiction est évaluée par deux critères, la Sensibilité et la Précision. La sensibilité est définie comme le nombre de concepts prédits correctement (vrais positifs) divisé par le nombre de concepts visités (positifs réels). La précision est le pourcentage de prédictions positives qui sont correctes. Les résultats montrent que HMM génère une plus grande précision en utilisant une séquence de concepts plus large qui varie de 20% à 99% et quand la précision est élevée, la sensibilité est élevée aussi.<br> Modèle de domaine : Le contenu des cours est organisé en un réseau de concepts pour représenter les objectifs d'apprentissage. Un objectif d'apprentissage concerne plusieurs concepts qui sont classés en trois types: des concepts principaux, des concepts pré-requis et des sous-concepts. Chaque nœud interne dans le réseau représente un concept, tandis que les nœuds externes dans le niveau le plus bas symbolisent plusieurs types d'unités d'enseignement, qui sont sous la forme de fichiers multimédia Flash interactive, images, vidéos, textes, exercices, des exemples. Trois différentes méthodes sont utilisées pour décrire le modèle de domaine : HBAM (Hirarchical Bidirectional Associative Memory), une base de données MySql, et XML, Dans la première méthode, le domaine de connaissances est conçu et modélisé en utilisant un réseau de neurones BAM hiérarchique. Le premier BAM-1 associe les objectifs d'apprentissage avec les concepts, mais le second BAM-2 est utilisé pour attribuer des unités d'enseignement à chaque concept. La couche de sortie de BAM-1 est la couche d'entrée du BAM-2, qui peut être vu comme une couche intermédiaire de toute l'architecture. Nombre de nœuds de couche d'entrée, de milieu et de sortie représentent le nombre d'objectifs d'apprentissage, les concepts et les unités d'enseignement respectivement . Dans la seconde méthode une base de données relationnelle est utilisée pour représenter le domaine de connaissance. Il est composé d'onze tableaux (les catégories principales, les sous-catégories, les sujets, les objectifs d'apprentissage, les objectifs d'apprentissage pré-requis, les concepts, les concepts pré-requis, la relation d'un sous-concepts avec un concept, le contenu et les questions pour les post-tests et pré-tests). Un Document Type Définition (DTD) du fichier est construit dans la troisième méthode pour déterminer un ensemble de règles pour définir et décrire l'organisation des connaissances dans un fichier XML. La méthode de base de données relationnelle est sélectionnée pour être utilisée au sein de notre nouveau système IWEBISE car d'une part, certains concepteurs de cours préfèrent avoir leur contenu des cours confidentiels et protégés et de l'autre part, XML n'est pas capable de traiter le contenu de cours énormes et tous les types de données tels que des images et la vidéo. <br> Le moteur d'adaptation : Il est considéré comme l'une des parties les plus importantes de IWEBISE grâce aux trois raisons suivantes: Il relie les différentes parties du système, il génère la page d'un concept selon le style d'apprentissage de chaque apprenant et il adapte la carte de concepts en fonction de l'état des connaissances de chaque apprenants aussi. <br> L'interface utilisateur représente les moyens d'interaction disponible sur le système IWEBISE. Il est classé en quatre niveaux : Administrateur: Il permet aux administrateurs de créer une catégorie de cours, sous-catégorie, gérer les utilisateurs et les processus d'abonnement. Concepteur: Il permet aux concepteurs de cours de gérer les objectifs d'apprentissage, les concepts, les sous-concepts, les contenu des concepts et les questions des tests. Elle leur permet également d'exporter leurs cours sous la norme SCORM. Tuteur: Il permet aux enseignants de gérer leurs stratégies d'enseignement et de donner des conseils appropriés aux apprenants. Apprenant: Il permet aux apprenants de compléter leur processus d'apprentissage en utilisant le pré-test, les post-tests, le questionnaire «Index des styles d'apprentissage", les glossaires, le chat et le forum. Le nouveau système IWEBISE est évalué par des concepteurs de cours et par des étudiants, dans le but d'optimiser ses performances au cours de l'enseignement et les processus d'apprentissage. Douze critères sont utilisés pour l'évaluer: la Cohérence, l'évidence, la prévisibilité, la richesse, l'exhaustivité, la motivation, la structure d'Hypertext, l'autonomie, la facilité d'utilisation, l'esthétique, la collaboration et l'interactivité.<br> L'originalité de cette thèse est basée sur : 1.L'utilisation d'une nouvelle architecture d'un réseau de neurones appelé HBAM pour modéliser le domaine des connaissances d'un cours. Ce nouveau réseau peut être utilisé dans de nombreux autres domaines tels que: la reconnaissance des formes ; 2.L 'utilisation d'un nouvel algorithme hybride qui utilise un réseau de neurones (Fuzzy-ART2) et une méthode statistique (HMM) pour la modélisation des connaissances des apprenants ; 3.L 'utilisation de nombreux algorithmes d'apprentissage tels que: FBAM, ART2, Fuzzy-ART2 et une structure hybride Fuzzy-ART2/HMM, qui sont utilisés pour classer la réflexion des apprenants et leurs raisonnements en six niveaux ; 4.L'utilisation d'un HMM pour prédire le prochain concept, basé sur l'histoire des concepts visités par un apprenant ; 5.La définition des styles d'apprentissage des apprenants à l' Institut Supérieur des Langues (Université d'Alep) par rapport à l'apprentissage d'une langue. Ceci est fait en utilisant le modèle Felder et Silverman ; 6.Le comparaison d'IWEBISE avec d'autres systèmes éducatifs. 7.Le capacité d'l'IWEBISE à l'exportation et la réalisation des cours conformément à la norme SCORM avec l'objectif de les réutiliser dans d'autres plates-formes d'enseignement telle que: Moodle ; 8.La construction et la mise en œuvre d'un nouveau système intelligent et adaptatif pour l'éducation basé sur le Web pour l'enseignement de la grammaire anglaise.