Intégration des préférences d'un opérateur dans les décisions d'un drone autonome et élicitation incrémentale de ces préférences
- 4 April 2026
- thesis
- Published by Agence Bibliographique de l'Enseignement Supérieur
Abstract
Un drone totalement autonome est un aéronef sans pilote humain à bord. Il est donc capable d'accomplir une mission sans l'intervention d'un opérateur humain et de prendre des décisions de façon totalement autonome. Cela sous-entend que l'opérateur au sol doit avoir une confiance élevée dans les décisions prises par le drone. L'objectif principal de cette thèse est donc de proposer un moteur de décisions à embarquer dans le drone autonome qui garantit un niveau de confiance élevé de l'opérateur dans la capacité du drone à prendre les "bonnes" décisions. Pour cela nous proposons un moteur de décisions multi-niveaux composé de deux niveaux de décisions principaux. Le premier permet de surveiller l'état du drone et de son environnement pour détecter les événements qui peuvent perturber la réalisation de la mission et déclencher la prise de décision du second niveau. Celui-ci une fois déclenché permet de choisir une action de haut niveau (atterrir, continuer, ...) la mieux adaptée à la situation courante parmi un ensemble d'actions possibles. Ce moteur intègre aussi les préférences d'un opérateur en utilisant des modèles d'Aide Multi-Critère à la Décision. Ces modèles nécessitent une phase en amont de la mission, où les préférences de l'opérateur sont élicitées, avant d'être intégrées dans le drone. Pour réduire l'effort cognitif de l'opérateur pendant cette phase, nous proposons un processus d'élicitation incrémental pendant lequel les questions soumises à l'opérateur sont déduites des réponses précédentes. Cela nous permet de déterminer un modèle représentant fidèlement ses préférences, tout en minimisant le nombre de questions.Keywords
This publication has 99 references indexed in Scilit:
- Integrating Operators’ Preferences into Decisions of Unmanned Aerial Vehicles: Multi-layer Decision Engine and Incremental Preference Elicitation2019
- Eliciting Multi-Criteria Preferences: ELECTRE Models2017
- A Population-Based Algorithm for Learning a Majority Rule Sorting Model with Coalitional Veto2017
- Multi‐Criteria Decision Analysis2013
- Learning the Parameters of a Multiple Criteria Sorting Method2011
- ELECTRE Methods: Main Features and Recent Developments2010
- Incremental Learning of Support Vector Machines by Classifier Combining2007
- UTA Methods2006
- Multi-Criteria Problem Structuring and Analysis in a Value Theory Framework1999
- Multicriteria Methodology for Decision Aiding1996