Simulation de perception humaine limitée : étude de l ... - Pages perso

Simulation de perception humaine limitée :étude de l’influence d’un paramètre de seuilUtku Görkem Ketenci a,butku.ketenci@ifsttar.frEmmanuelle Grislin-Le Strugeon bemmanuelle.grislin@univ-valenciennes.frJean Michel Auberlet aauberlet@ifsttar.fra Université Paris Est, LEPSIS, IFSTTAR58, boulevard Lefebvre 75732 Paris Cedex 15b Univ. Lille Nord de France, UVHC, LAMIH,F-59313 Valenciennes, FranceRoland Brémond aroland.bremond@ifsttar.frRésuméLes Systèmes Multi-Agents constituent désormaisune des approches fréquemment utiliséesdans un objectif de modélisation et de simulationde trafic routier. Des progrès restent toutefoisà accomplir en vue d’améliorer le réalismedes comportements humains simulés, dontle comportement des conducteurs automobiles.En particulier, si le processus de décision a faitl’objet de nombreux travaux, le processus deperception a été relativement peu approfondi.Notre hypothèse est qu’une amélioration pourraitprovenir de la prise en compte de la limitationde capacité de la perception simulée. Cetravail vise ainsi à intégrer un seuil de perceptionà un modèle d’agent afin d’étudier son influencesur le comportement global du trafic simulé.Mots-clés : agent, perception, simulation multiagentsAbstractMulti-Agent Systems are one of the approachesfrequently used to model and simulate road traffic.There are still advances to realize yet in orderto improve the realism of the simulated humanbehaviors, including the behavior of thedrivers. While the decision process has been studiedin numerous works, the perception processhas been less deeply adressed. Our hypothesisis that taking into account the bounded capacityof the simulated perception may improve the simulations.This work aims thus to integrate aperception threshold to the agent model, and tostudy its influence on the global behavior of thesimulated traffic.Keywords: agent, perception, multi-agent simulation1 IntroductionLes Systèmes Multi-Agents (SMA) sont utilisésdepuis plusieurs années en simulation de traficroutier [5, 20, 7], en particulier dans le cadre desmodélisations dites « microscopiques » du trafic,dans lesquelles le comportement de chaqueentité est simulé. Il reste toutefois des progrès àaccomplir en terme de réalisme, en particulierconcernant le comportement des conducteurs.La modélisation orientée agent du conducteur aété principalement étudiée du point de vue de larésolution de problème [19]. Or, dans le cadrede l’accidentologie des transports, la simulationde la perception présente également un intérêtcertain [13].La perception a été relativement peu étudiéedans le cadre des SMA. Dans les modèlesd’agents, si le module décisionnel a fait l’objetde nombreux travaux, le module de perceptionest souvent réduit à un filtre passif. Le processusde perception est pourtant complexe dès lorsque l’on considère les actions à réaliser pour :– d’une part, passer des données brutes perçuesà leur interprétation ;– d’autre part, prendre en compte le double aspectde la perception, qui comprend à la foisla réception d’événements et la prise d’information.C’est sur ce dernier point que nous noussommes focalisés. Les deux facettes du processuscorrespondent respectivement à la perceptionpassive, avec la détection de signaux parles capteurs (réels ou simulés) pour les agentsartificiels, ce qui correspond à la réception involontaired’évènements sensoriels pour les humains,et la perception active, qui est la perceptiondirigée par la décision, dans laquelle l’étatde certains éléments de l’environnement est volontairementdétecté [17]. Cet aspect actif de la

perception avait été souligné par Ballard [4].En simulation multi-agents, la perception passiveconsiste à « capter » dans l’environnementtous les éléments accessibles. De tellesméthodes de perception limitent généralementla zone d’accessibilité (par une simulation duchamp visuel par exemple), mais permettentune recherche exhaustive dans cette zone, avantd’appliquer un filtrage dépendant de l’objectifde l’agent. Par exemple, dans le contexte d’unesituation de carrefour encombré, cela consiste àpermettre l’accès à toutes les informations surtous les objets présents dans la zone considéréeet susceptibles d’interagir avec l’agent.Or cette approche peut apparaître peu réalistedès lors qu’il s’agit de simuler la perception humaine.Par exemple, dans le contexte d’une situationde carrefour encombré, cette procédurepermet l’accès à toutes les informations sur tousles objets présents dans la zone considérée etsusceptibles d’interagir avec l’agent. Or, il a étémontré en psychologie [22] que la charge cognitiveinflue sur les prises de décision de l’opérateurhumain : celui-ci ne serait capable de percevoiret traiter qu’un volume limité d’informationsà la fois [22, 21]. Dans le cadre de laconduite automobile, cela pourrait se traduirepar la prise en compte d’une partie seulementdes éléments susceptibles d’entrer en interactionavec la trajectoire planifiée du conducteur.C’est l’hypothèse à la base des travaux présentésci-dessous. A terme, l’objectif est de montrerque l’introduction d’une perception limitée permetde rendre plus réaliste le comportement desconducteurs simulés. La validation de la propositionutilisera des données réelles en carrefour.Le contexte de la perception agent et de sa capacitélimitée est présenté en partie 2. Un modèlede perception à capacité limitée est proposé enpartie 3. Ce modèle est appliqué dans le cadrede la simulation de conducteurs automobiles enpartie 4. Les résultats des tests réalisés sur labase de données issues d’un carrefour réel sontprésentés en partie 5, avant de conclure.2 Modélisation de la perceptionagent2.1 Les agents situésLes agents principalement concernés par la modélisationde la perception sont les agents situésqui sont particulièrement dépendants de leur environnement.Un agent situé perçoit son environnementvia des capteurs. Dans un contextede simulation, ces capteurs se situent à l’interfaceentre les entités de l’environnement etl’agent. Les données issues de ces capteurs sontinterprétées par l’agent en fonction de la représentationqu’il a de son environnement.Le processus de perception de l’environnementproduit un ensemble de percepts, qui seront utiliséspar l’agent pour décider des prochaines actionsà réaliser. La perception est classiquementdivisée en trois phases principales :1. L’acquisition de données représente l’étapede perception « sensorielle » qui consiste àacquérir un ensemble de données sur l’environnementà l’aide de capteurs, réels (caméraou capteurs infra-rouge pour un robotpar exemple) ou simulés (accès à certainséléments d’une base de données pourun agent logiciel par exemple).2. L’interprétation consiste à faire correspondredes représentations d’éléments del’environnement aux données issues de laphase d’acquisition. Par exemple, reconnaîtrel’objet « table » pour le robot, ouun véhicule arrivant de la droite pour leconducteur simulé.3. Le filtrage a pour but de sélectionner unepartie des percepts obtenus, afin de fourniruniquement des données pertinentes, potentiellementutiles au processus de décision.Dans le contexte de la simulation de trafic, lemodèle standard de perception est un modèlede perception passive, dans lequel l’agent reçoitdes stimuli externes. En phase de perception,l’agent reçoit autant de données que possibles,sans qu’il lui soit nécessaire de raisonner quant àses besoins en terme de percepts. Concrètement,le conducteur simulé perçoit tout ce qui lui estaccessible, avec parfois une restriction sur cetensemble de données, restriction liée à la représentationdu champ visuel par exemple.A l’opposé, la perception active est une perceptiondirigée par les besoins de l’agent. L’agentexplicite les éléments qu’il lui faut percevoirdans son environnement en fonction des besoinsliés à la tâche en cours : par exemple, j’ai besoinde savoir si la cellule X est libre avant de medéplacer, je capte donc son état actuel.Ces deux modes de perception, active et passive,correspondent aux deux processus d’informationde la perception humaine [15, 18], quiest caractérisée par :

– un processus top-down, dirigé par les buts :les humains portent attention à certains élémentsenvironnementaux en fonction de leursbuts ou intentions, qui déterminent la pertinencedes informations obtenues.– un processus bottom up, dirigé par les données: l’attention est conditionnée par l’attractivité(appelée également « saillance »)des données, à savoir la capacité des items del’environnement à capter, ou retenir, plus oumoins l’attention.Ce double aspect de la perception est intégrédans différents modèles d’agents.Par exemple, le système de perception active décritpar Ferber [11] reçoit simultanément l’informationen provenance des capteurs d’une part,les attentes et les buts en fonction de l’état internede l’agent d’autre part.Le modèle d’agent de dialogue proposé par Chimiret al. [8] intègre un cycle qui prend égalementen compte les deux processus de perception.Ce cyle, basé sur les travaux de Neisser[23] sur la modélisation de la perception humaine,comprend un ensemble de schémas d’anticipationqui préparent à la réception d’événementssensoriels et guident l’exploration del’environnement (Fig 1). Ce cycle comprendl’actualisation de la représentation de l’environnementen fonction des changements détectés.Une méthode similaire est utilisée dans [25] afinde court-circuiter le processus de décision et depasser directement à l’action suivante lorsqueles changements sont négligeables.Env.ÉvénementssensorielsIdentificationActualisationScript de perceptionSchémasd'anticipationFIGURE 1 – Le cycle identification / actualisation, d’après [8].Dans l’architecture d’agent situé proposée dans[26], le module de perception comprend un filtrageréalisé lors de la capture de données par lebiais d’une sélection de l’attention dirigée par lemodule décisionnel (Fig. 2).L'état actuel del'environnementLes loisperceptuellesFocusCapteurAcquisitionrPerceptionInterprétationpSélection de FocusDécisionSélection de FiltreFiltragePerceptsFIGURE 2 – Modèle de perception active,d’après Weyns[26].2.2 Aspects de la perception en science cognitivePuisque notre objectif est d’améliorer le réalismede la simulation de certains comportementshumains, il nous est apparu intéressant denous pencher sur les travaux relatifs à la perceptiondans le domaine des sciences cognitives.Perception active et passive. Plusieurs aspects dela perception active ont été considérés en psychologieet en sciences cognitives.En psychologie cognitive, la boucle standard estla boucle perception-cognition-décision-action.Cependant, certains auteurs remet en cause l’aspect« bottom-up » de ce processus de traitementde l’information, et proposent un schémainversé dans lequel c’est l’action qui commandela perception [6].La littérature sur l’attention, en psychologie,s’est notamment interessée au concept desaillance visuelle, y compris en proposant desalgorithmes de calcul de la « carte saillance », demanière à selectionner les éléments qui attirentl’attention dans une scène visuelle [14]. Gibsona proposé une théorie « écologique » de la perception,dans laquelle les « affordances » des objetsde l’environnement impactent directementla sélection attentionnelle [12]. Ces affordancesdépendent fortement de la tâche en cours.Perception limitée. Un modèle de la mémoirehumaine bien connu est celui proposé par Atkinsonet Shiffrin [2], incluant trois étapes detraitement et d’enregistrement des informationspar :– la mémoire sensorielle qui sert à convertir lessignaux en données compréhensibles ;

– la mémoire à court terme qui sert à traiter l’informationcourante ;– la mémoire à long terme qui permet de stockerl’information en vue d’une utilisation future.Dans le cadre de la simulation de la perceptionhumaine, ce sont les deux premières étapes quisont concernées.La première étape fait l’objet de travaux, principalementdans les domaines de la robotiqueet de la réalité virtuelle, portant sur le champvisuel, les occultations d’objets, la fixation del’attention [4].La deuxième étape est celle qui nous intéresseplus particulièrement dans le cadre des travauxprésentés ici. Il est couramment admis enpsychologie cognitive que la mémoire à courtterme, ou « mémoire de travail », est limitée nonseulement en durée, mais également en nombred’unités d’information (« chunks ») pouvant êtretraitées à la fois (une unité d’information pouvantreprésenter un nombre, un mot, une positionaux échecs, un visage, ...). Les auteurs nes’accordent toutefois pas sur ce nombre d’unitésmaximal, longtemps supposé compris entre5 et 9 [22]. Ce nombre est désormais remis encause, le seuil étant considéré plus faible et variableselon de nombreux facteurs [10], notammentla charge mentale.Cette caractéristique — les humains ne peuventtraiter qu’un nombre limité de données simultanément— peut être modélisée par un filtragequantitatif intervenant dans le processus de perception: si le but courant requiert un volumede données qui dépasse la capacité de l’agent,celui-ci doit sélectionner les percepts les pluspertinents. Les limitations concernent les aspectsséquentiels du traitement de l’information,par opposition aux aspects massivementparallèles, automatisés [24]. La sélection attentionnellea pour principale fonction de choisirles éléments de l’environnement pertinents pourla tâche en cours, sous cette contrainte de ressourceslimitées [3].Perception active et limitée. Le souci de réalismedans la simulation de la perception humaine,nous conduit ainsi à une modélisation présentantdeux caractéristiques qui sont a) l’intégrationdes perceptions actives et passives, et b) la limitationdes traitements associés. L’intégrationdes perceptions actives et passives présente desdifficultés liées à la dépendance du modèle depertinence des informations vis-à-vis de la tâcheen cours. C’est pourquoi nous nous sommesintéressés ici à l’influence d’une limitation dunombre d’éléments perçus qui sont traités effectivementpar l’agent, selon un filtrage appliquépar le processus top-down de la perception.3 Intégration d’une limitation dansle traitement des percepts3.1 PrincipeLe travail présenté ici consiste ainsi à étudierl’influence d’une limitation du nombre d’élémentsperçus qui sont traités effectivement parl’agent, l’objectif étant, à terme, d’améliorerle réalisme de la simulation. Cette limitationest réalisée selon une stratégie similaire à cellequi est réalisée par la perception humaine etconsiste à trier les percepts pour ne retenir queles plus pertinents.La limitation de la perception peut se concevoirde différentes façons, à savoir en tant que :1. limite en nombre d’éléments perçus, chaqueélément étant considéré d’importance équivalente;2. limite quantitative globale, avec répartitionnon uniforme selon la complexité de l’interactionavec les éléments perçus.Ces deux points peuvent être considérés commeles étapes, de complexité croissante, de notretravail. Nous présentons ci-dessous la premièreétape, basée sur le principe d’une capacité limitéereprésentée par le nombre d’éléments perçus,ou percepts.La limitation de capacité représente une sélectionparmi les percepts. Selon une approche quiserait uniquement passive de la perception, lasélection consisterait à simplement arrêter leprocessus de perception dès lors que le seuil decapacité est atteint. Or, nous considérons uneapproche à la fois active et passive, selon laquellel’agent dirige activement le focus de perceptiondans son environnement en fonction del’objectif courant. Cela conduit à prendre l’hypothèsede l’existence d’un ordre sur l’ensembledes percepts : seul un nombre limité de percepts,les premiers par ordre d’importance pour la décisionde l’agent, est considéré pour le traitementde l’information.3.2 PropositionNotre proposition consiste en la mise en œuvred’une perception active, réalisée selon un processustop-down qui inclut une limitation en

nombre d’objet perçus. Dans ce but, deux typesde filtre ont été distingués :– Les filtres top-down sont utilisées pour trierles percepts selon le(s) critère(s) imposé(s)par le module de décision. Ce choix de critèredépend de l’intention courante, commepar exemple, la traversée de carrefour par unautomobiliste.– Les filtres de limitation permettent de limiterle nombre d’objets perçus.La proposition a été développée pour uncontexte de prise de décision spécifique, qui estcelle du comportement du conducteur en carrefour.Dans ce contexte et sur la base des travauxde Mandiau et al. [19] pour une implémentationen SMA, la prise de décision consiste à faire unchoix de comportement selon une méthode issuede la théorie des jeux, et consistant à résoudre unensemble de conflits sur un ordre d’arrivé desvéhicules au carrefour. Notre proposition se situeen amont de la résolution du problème, enfournissant la liste des percepts (et des situationsde conflits associées) qui sont utiles à considérerpour la résolution des conflits.La perception commence par la "collecte" d’unensemble de percepts selon le processus topdown,c’est-à-dire des percepts volontairementchoisis selon les focus de l’agent. Ces perceptsfont ensuite l’objet d’un filtrage, qui ne conserveque certains d’entre eux.Dans notre contexte, la collecte des perceptsconsiste en la détection des autres agentsconducteurs. L’agent estime ensuite les trajectoiresfutures des agents perçus afin de détecterde possibles intersections avec sa propre trajectoire.Une intersection de trajectoires fait apparaîtreun conflit, qui peut provenir de l’interactionde deux agents ou plus. Dans notre cas, lespercepts sont ainsi regroupés par conflit, un perceptpouvant appartenir à plusieurs conflits. Lasélection des percepts a été réalisée en tant quefiltre dont l’action intervient après la perceptionsensorielle. Elle consiste à sélectionner les σpremiers percepts appartenant aux éléments dela liste ordonnée des conflits détectés (voir Algorithme1).L’algorithme prend en entrée la liste de tousles conflits (conflictListIn) et fournit en sortiecette liste modifiée (conflictListOut), dans laquellechaque conflit est considéré sous l’angled’un ensemble restreint de percepts. La listedes conflits est ordonnée selon la distance avantconflit, qui est interprété comme une estimationde la pertinence du conflit en vue de la sélectiondu percept. Les percepts de chacun de cesAlgorithm 1 TopDownProcess()Require: σ : seuil de charge (nombre maxi. de percepts)Require: conflictListIn : liste des conflits détectésconflictListIn.sort() {ordonne la liste des conflitsselon le temps avant conflit}conflictListOut ← []{liste des conflits à considérer}nbP ercepts ← 0 {nb de percepts}conflict ← conflictListIn.first() {conflit courant}while (nbP ercepts < σ) and (conflict) doconflict.percepts.sort(){ordonne les percepts selonla distance au conflit}percept ← conflict.percepts.first()perceptList ← [] {liste des percepts à considérer}while (nbP ercepts < σ) and (percept) doperceptList.add(percept)nbP ercepts ← nbP ercepts + 1percept ← conflict.percepts.next()end whileif (perceptList ≠ []) thenconflict.percepts ← perceptList{modification des percepts}conflictListOut.add(conflict)end ifconflict ← conflictListIn.next()end whilereturn conflictListOutconflits (conflict.percepts) sont examinés séquentiellementtant que le seuil de capacité n’estpas atteint.4 Application à la simulation del’agent conducteur4.1 Situation de carrefourLa modélisation du comportement des agentsconducteurs comprend deux modes, l’un pour lasection courante et l’autre pour le carrefour.Concernant le comportement en section courante,la vitesse de l’agent tend vers la vitessedésirée, à moins que les autres conducteurs nel’en empêchent. L’interaction entre deux agentsconsécutifs a été implantée selon des « loisde poursuite » usuelles en simulation de trafic,comme dans [16].Concernant le comportement en carrefour, ils’agit d’un problème ayant précédemment faitl’objet de différents travaux dans le domainemulti-agents [9, 19]. L’intérêt du carrefour résidedans la nécessité pour les agents de coordonnerleurs actions pour éviter les interblocageset les accidents en présence de situationscompétitives. Nos travaux se basent sur l’algorithmede [19] : le conducteur simulé sélec-

tionne un certain nombre de joueurs à l’approchedu carrefour, et décide à chaque pasde temps d’avancer ou de s’arrêter selon sonévaluation des priorités par rapport aux autresjoueurs sélectionnés pour le jeu. La décision GO/ STOP est ensuite traduite en une accélérationgrâce à la loi de poursuite.B,C,D,E,F et détecte les zones de conflit potentielavec eux (Fig. 4).Afin de valider le modèle, nous avons choisi demodéliser un carrefour réel, situé à Reggio Calabriaen Italie, pour lequel des données (débitsd’entrée par axe, pourcentages de mouvementstournants) sont disponibles [19].FIGURE 4 – Les conflits potentiels identifiésavant application d’un seuil de perception.La liste triée des conflits pour A sont :– Conflit 1 : avec B,C et F– Conflit 2 : avec D et E– Conflit 3 : avec D,E et FFIGURE 3 – Capture d’écran d’une situation decarrefour, simulée avec RePast [1].La capture d’écran illustre le carrefour qui a étémodélisé (Fig 3, les véhicules sont représentéspar des carrés, leurs directions par des flèches).Chaque branche contient une voie vers le carrefouret une voie en sortie du carrefour sauf labranche Est qui possède deux voies entrantes etune voie sortante.Dans le contexte de la simulation de trafic,la pertinence des percepts (fonctionconflict.percept.sort() de l’algorithme 1)a été traduite par un ordre des véhicules perçusselon la distance au point de conflit potentiel.Pour mieux expliquer le fonctionnement de laprocédure top-down, notre scénario est décritdu point de vue de l’agent A avec la limitationσ égale à 4. D’abord, l’agent perçoit les véhiculesqui font partie de ses focus attentionnels.Les focus (Fig. 2) sont les zones d’intérêt quipeuvent inclure des agents avec lesquels l’agentcourant est potentiellement en conflit. Dans lecontexte de la conduite automobile, la zone ducarrefour et les voies arrivantes vers le carrefourcorrespondent aux focus. Donc, l’agent A perçoitparallèlement (voir section 2.2) les agentsSuite à cette phase de détection de conflits potentiels,le processus top-down trie les percepts(ici, les autres agents) selon leur distance aupoint de conflit, prend en compte les premiersσ et élimine le reste. « Conflit 1 » garde ses 3percepts en laissant une seule ressource disponiblepour traiter « Conflit 2 ». Ensuite, grâce autri effectué, A trouve son principal adversaire aupoint de « Conflit 2 » : D. Finalement, puisqu’ilne reste plus de ressource disponible, l’agent nepeut pas traiter « Conflit 3 ». A la fin de ce processusde sélection, L’agent A a la représentation(Fig. 5) :FIGURE 5 – Les conflits potentiels après applicationd’un seuil de perception σ = 4.

– Conflit 1 : avec B,C et F– Conflit 2 : avec D4.2 Simulations réaliséesLe développement et l’implémentation ont étéréalisés avec l’outil de simulation multi-agentRePast [1]. Les simulations ont été exécutéessur une machine Intel(R) Core(TM)2 Duo CPUE6750 @ 2.66GHz 2.67 GHz, avec 1 Go deRAM.Dans ce travail, seuls les panneaux de signalisation(stop à l’Est et à l’Ouest) et les autres véhiculessont perçus.Chaque scénario a fait l’objet de 100 réplications(une heure de trafic simulé à chaquefois) et correspond à l’étude du paramètre σ ennombre d’objets perçus. Les débits d’entrée surles 4 branches du carrefour correspondent à desdonnées réelles mesurées toutes les 5 minutes.Nous avons utilisé les débits et la matrice origine/destinationde Reggio Calabria pour générerles différentes réplications.Nous avons examiné l’influence du paramètreσ en comparant la moyenne des performancesd’écoulement (débits), le nombre d’accidents,les temps d’exécution et nombre d’interblocagessur 100 réplications. Les débits ont étécomparés à ce qui a été mesuré sur le carrefourde Reggio Calabria.5 Résultats5.1 Ecoulement du trafic# véhicules5905705505305104904704504304103903703503303102905 10 15 20 25 30 35 40 45 50 55 60tps en mn34567100EntreeDisposant de peu de données pour notre simulation,nous sommes conscients que nous ne pouvonsvalider notre modèle en nous reposant surles seules données de débits d’entrée de la simulation.Pourtant ces données vont nous servirà tester la consistance de notre algorithme, surl’écoulement du trafic au carrefour, en prenantl’hypothèse suivante :Si les débits d’entrée simulés, mesurés en entréede carrefour, sont proches de ceux observésalors l’écoulement du trafic (et donc la résolutionde conflits) est cohérent avec les donnéesdisponibles.Pour mesurer cet écart, nous utilisons l’indicateurRMSE (root mean square error) :RMSE = √ 1 N∑(x simui − x obsi )N2i=1Le RMSE est la racine carré de la moyenned’erreur quadratique. Les résultats sont présentésdans la Table 1.σ RMSE Sud Nord Est3 abs. 64,1 37,03 31,02% 7,86 8,65 4,534 abs. 64,46 37,12 31,94% 7,9 8,67 4,665 abs. 65,74 38,43 32,9% 8,06 8,98 4,86 abs. 64,82 37,94 33,79% 7,94 8,86 4,937 abs. 64,7 38,68 33,77% 7,93 9,04 4,93100 abs. 66,31 37,23 34,06% 8,13 8,7 4,97TABLE 1 – Comparaison débit simulé, débit mesuré(RMSE) en fonction de σ sur les branchesSud, Nord et Est, pour 100 h simulées On note% = RMSE × 100 / Debit Moyen.FIGURE 6 – Les débits d’entrée sur les voies Estpour différentes valeurs de σ (3 à 100) en fonctiondu temps écoulé.Compte tenu du faible débit de véhicules sur labranche Ouest, les tests ne sont pas significatifssur cette branche du carrefour. Nous pouvons

# véhicules9108908708508308107907707507307106906706506306105905705505 10 15 20 25 30 35 40 45 50 55 6034567100Entree32,521,510,534567100tps en mn0FIGURE 7 – Les débits d’entrée sur la voie Nordpour différentes valeurs de σ (3 à 100) en fonctiondu temps écoulé.FIGURE 8 – Nombre d’accidents en fonction dela limite de perception σ (en nombre d’accidentspar réplication).constater que l’algorithme de perception activene dégrade pas les performances de la simulationdu point de vue de l’écoulement (Fig. 6 et7) comparées aux résultats dans [9, 19], puisquel’erreur (RMSE%) est en moyenne inférieure à10 %.On s’attendait à ce que l’écart entre le débitd’entrée réel et le débit d’entrée simulé diminueavec σ. Dans le scénario où l’agent ne perçoitrien (σ = 0), le débit de sortie (si on ne tient pascompte des accidents) est égal au débit d’entrée.On observe (Fig. 8) que cet écart mesuré par lenombre d’accident reste limité, ce qui est en faveurdu modèle proposé.Par ailleurs, l’implantation de l’algorithme deperception limitée pouvait créer un phénomèneémergent où une des branches domine la fluiditédu carrefour. Grâce aux résultats obtenuslors des expérimentations, il s’est confirmé quela performance de la simulation n’a pas été impactéenégativement par l’algorithme de perceptionlimitée.5.2 AccidentUn accident est détecté lorsque la distance entreles centres des véhicules est inférieure à leurlongueur. Comme on peut s’y attendre et commeon peut le voir sur le graphique (Fig. 8), il y aune forte corrélation entre le nombre de perceptset le nombre d’accidents. Plus l’agent perçoit,plus il a une représentation complète de l’environnement,moins il a de risque d’avoir un accident.Toutefois, l’écart reste faible entre les résultatsobtenus pour des valeurs de σ entre 5 et100, alors qu’il se creuse nettement pour les valeurs3 et 4.En cas d’accident dans notre simulation, les voiturescontinuent à rouler avec leur vitesse actuelleet la simulation ne s’arrête pas ; ceci afinde pouvoir comparer les simulations entre elles.5.3 InterblocageLes agents ne peuvent pas occuper le même espacesauf en cas d’accident comme il a été expliquéau paragraphe précédent. Donc, un agentpeut être bloqué (il n’avance plus) dans le carrefours’il perçoit un agent sur sa trajectoire. Uninterblocage est défini, dans notre contexte, parun blocage mutuel entre plusieurs véhicules. Sile véhicule fait partie d’une chaîne de blocages(e.g. A bloque B, B bloque C, C bloque D etD bloque A), l’interblocage est détecté. Dansce cas, la situation est débloquée en permettantaux voitures qui font partie de la même chaîned’interblocage de rouler les unes sur les autres.Ainsi la simulation ne s’arrête pas ; ceci afin depouvoir comparer les simulations entre elles.On voit une augmentation du nombre d’interblocagesavec le nombre de percepts (Fig. 9).Cette concordance entre le nombre de perceptset le nombre d’interblocages est probablementliée au temps passé dans le carrefour. On peutpenser que si les agents raisonnent avec plusieurspercepts ils deviennent plus prudents, etpassent plus de temps dans le carrefour. Cetteprudence limite les accidents mais multiplie lenombre d’interblocages.

0,140,120,10,080,060,040,02034567100FIGURE 9 – Nombre d’interblocages en fonctionde la limite de perception σ (en nombred’interblocages par réplication).5.4 Temps d’exécutionLe temps d’exécution augmente avec le nombrede percepts à considérer par l’agent : s’il y amoins de percepts, le raisonnement traite moinsde données et prend moins de temps. Ceci estparticulièrement visible dans la différence, quiintervient dans le temps de raisonnement, entreles valeurs 3 et 4 du nombre de percepts retenuspour la prise de décision (Fig. 10).50049048047046045044043042041034567100FIGURE 10 – Temps d’exécution (en sec.) enfonction de la limite de perception σ.6 Conclusion et PerspectivesAfin de créer un comportement simulé plus réaliste,nous avons implanté la partie top-down dela perception, ce qui nous a permis d’étudier uneperception limitée. En changeant le seuil σ despercepts, on a examiné l’effet de ce changementsur les indicateurs (débits, nombre d’accidents,nombre d’interblocages, temps d’exécution).Nous constatons qu’il n’y a pas de différencecomportementale notable concernant le nombred’accidents jusqu’à un certain seuil de capacitéperceptive (autour de 5 dans notre contexte). Parcontre, les agents font moins de calcul s’ils perçoiventmoins, ce que l’on peut aussi interpréter,psychologiquement, en terme de charge mentale.Ces résultats nous confortent dans l’idéequ’il est inutile de simuler la perception de tousles éléments et l’intérêt de choisir les perceptspertinents par la perception active, cette sélectionpermettant de réalisant un gain en tempsd’exécution.Nous avons testé l’impact d’un seuil constant.Cependant, afin d’avoir un modèle plus completet d’augmenter le réalisme du comportement simulé,il faudrait implémenter un seuil qui variepar rapport à la complexité de décision et d’actiondu but courant. Par exemple, dans le carrefour,la décision et l’action de tourner à droitenécessitent moins de ressources cognitives quecelles de tourner à gauche. Donc tourner à droiteutilise moins de charge cognitive et il reste plusde ressource disponible pour traiter plus de percepts.Cette notion reste à étudier dans de futurstravaux.Les percepts plus saillants attirent l’attentiondes conducteurs bien qu’ils ne soient pas pertinentsselon le but actuel. Dans ce contexte, lasaillance dépend des caractéristiques visuellesde l’objet. Donc la saillance est perçue d’unefaçon ascendante et elle est la notion essentiellede la perception bottom-up. Dans nos futurstravaux, nous souhaitons intégrer ce processusbottom-up de perception dans notre modèle.Le processus bottom-up sera modélisé commeun distracteur sur le processus top-down, utile àla simulation de la non-détection des piétons etde situations accidentogènes qui consistent ennos objectifs à long terme.Pour valider notre modèle, il serait utile de leconfronter à des ensembles de données traficplus riches en information, prenant en comptenotamment les débits de sortie et les temps d’attenteaux carrefours.Références[1] Repast "http ://repast.sourceforge.net/",2010.[2] R. Atkinson and R. Shiffrin. Human memory: a proposed system and its control

processes. In K. Spence and J. Spence, editors,the psychology of learning and motivation: advances in research and theory,volume 2. New York : Academic Press,1968.[3] E. Awh, K. M. Armstrong, and T. Moore.Visual and oculomotor selection : links,causes and implications for spatial attention.Trends in Cognitive Sciences,10(3) :124 – 130, 2006.[4] D.H. Ballard. Animate vision. ArtificialIntelligence, 48 :57–86, 1991.[5] Ana L. Bazzan. A distributed approach forcoordination of traffic signal agents. AutonomousAgents and Multi-Agent Systems,10 :131–164, January 2005.[6] A. Berthoz, editor. La décision. Odile JacobSciences, 2003.[7] A. Champion, M.Y. Zhang, J.M. Auberlet,and S. Espié. Behavioural simulation towardshighdensity network traffic studies.Traffic and Transportation Studies (Proceedingsof ICTTS), pages 988–995, January2002.[8] Igor A. Chimir, Waheeb A. Abu-Dawwas,and Mark A. Horney. Neisser’s cycleof perception : Formal representation andpractical implementation. Journal of ComputerScience (Special Issue), pages 106–111, 2005.[9] A. Doniec, R. Mandiau, S. Espié, andS. Piechowiak. Comportements anticipatifsdans les systèmes multiagents. applicationà la simulation de trafic routier. Revued‘Intelligence Artificielle, 21-2 :185–223,2007.[10] Jeanne Farrington. From the research :Myths worth dispelling - seven plus or minustwo. Performance Improvement Quarterly,23(4) :113–116, 2011.[11] Jacques Ferber. Les systèmes Multi-Agents : Vers une intelligence collective.InterEditions, 1995.[12] J. J. Gibson, editor. The Ecological Approachto Visual Perception. Boston :Houghton Mifflin, 1979.[13] B.L. Hills. Vision, visibility and perceptionin driving. Perception, 9 :183–216,1980.[14] L. Itti and C. Koch. Computational modellingof visual attention. Nature ReviewsNeuroscience, 2(3) :194–203, 2001.[15] L. Itti, G. Rees, and J. Tsotsos, editors.Neurobiology of attention. New York :Academic Press, 2005.[16] A. Kesting, M. Treiber, and D. Helbing.Agents for traffic simulation. In Multi-Agents systems : Simulations and Applications,pages 325–356. Taylor and Francis,2009.[17] U-G. Ketenci, R. Brémond, J-M. Auberlet,and E. Grislin-Le Strugeon. Boundedactive perception. In Pre-proceedingsof the 8th European Workshop on Multi-Agent Systems (EUMAS 2010), Paris, dec.2010.[18] E. I. Knudsen. Fundamental componentsof attention. Annual Review Neuroscience,30 :57–78, 2007.[19] R. Mandiau, A. Champion, J.-M. Auberlet,S. Espié, and C. Kolski. Behaviour basedon decision matrices for a coordinationbetween agents in a urban traffic simulation.Applied Intelligence, 28(2) :121–138,2008.[20] V. Manikonda, R. Levy, G. Satapathy, D.J.Lovell, Chang P.C., and A. Teittinen. Autonomousagents for traffic simulation andcontrol. Transportation Research Record :Journal of the Transportation ResearchBoard, 1774, 2001.[21] R. Marois and J. Ivanoff. Capacity limitsof information processing in the brain.Trends in Cognitive Sciences, 9(6) :296 –305, 2005.[22] G.A. Miller. The magical number seven,plus or minus two : Some limits on our capacityfor processing information. PsychologicalReview, 63 :81–97, 1956.[23] U. Neisser. Cognition and Reality. W.H.Freeman and Company, 1976.[24] J. Rasmussen. Skills, rules, and knowledge; signals, signs, and symbols, andother distinctions in human performancemodels. IEEE Press, Piscataway, NJ, USA,1987.[25] L. So, R.and Sonenberg. Situation awarenessas a form of meta-level control. InProc. of the First International Workshopon Metareasoning in Agent-Based Systemsat the Sixth International Joint Conferenceon Autonomous Agents and MultiagentSystems, Honolulu, Hawaii, 2007.[26] D. Weyns, E. Steegmans, and T. Holvoet.Towards active perception in situatedmulti-agent systems. Applied ArtificialIntelligence, 18(9-10) :867–883, 2004.