Résumé Dans ce mémoire, nous développons une méthodologie afin d’estimer la position d’un agent mobile dans un environnement borné. Nous utilisons un modèle de semi-Markov caché pour modéliser notre problématique. Dans ce contexte, l’état caché est la position de l’agent. Nous développons les algorithmes et programmons une intelligence artificielle capable de faire le travail de façon autonome. De plus, nous utilisons l’algorithme de Baum-Welch pour permettre à cette intelligence d’apprendre de ses expériences et de fournir des estimations plus précises au fil du temps. Finalement, nous mettons sur pied un jeu vidéo pour mettre à l’épreuve cette intelligence artificielle. Le fonctionnement de la méthode est illustré avec plusieurs scénarios, et nous montrons que la méthode que nous proposons est meilleure que d’autres.
Mots-clés : modèles de Markov cachés, modèles de semi-Markov cachés, intelligence artificielle, apprentissage automatique, jeu vidéo.

Introduction

Depuis quelques années, grâce à une technologie en constante évolution, la puissance des ordinateurs a connu une importante progression. Cette nouvelle puissance ouvre la porte à l’implémentation d’algorithmes mathématiques bien plus complexes. La programmation et l’intelligence artificielle sont des domaines qui vont de pair avec les mathématiques et la statistique. Bien que de nombreux chercheurs en science informatique travaillent au développement de nouvelles intelligences artificielles performantes, le besoin de puissants outils statistiques est présent. Dans ce mémoire, nous allons proposer une solution à la problématique de l’estimation de la position d’un agent mobile. Bien qu’il s’agit d’une problématique que l’on retrouve dans de nombreuses situations, nous allons l’approcher avec l’intention de mettre au point une intelligence artificielle. Nous allons modéliser cette problématique, puis la résoudre à l’aide des modèles de semi-Markov cachés, notre méthodologie d’intérêt. Nous allons ensuite mettre au point une intelligence artificielle capable d’effectuer ce travail de façon autonome et programmer les algorithmes nécessaires. Cette intelligence sera dotée de la capacité d’apprendre de ses diverses expériences et d’améliorer la qualité de ses estimations. Bien que cette méthodologie pourrait servir dans de multiples situations, nous nous concentrerons sur son efficacité dans l’environnement des jeux vidéo. Il s’agit d’un environnement où cette problématique est très présente. C’est pourquoi le premier chapitre va introduire quelques concepts entourant les jeux vidéo ainsi que l’intelligence artificielle. Les deux chapitres suivants décriront comment utiliser nos principaux outils de travail, les modèles de Markov cachés et les modèles de semi-Markov cachés. Par la suite, nous verrons comment modéliser notre problématique et comment utiliser notre méthodologie mathématique pour analyser et résoudre efficacement ce problème. Le chapitre cinq décrira comment la programmation de l’intelligence artificielle et de l’environnement de tests furent élaborés. Ensuite, le chapitre six démontrera nos résultats. Pour terminer, la dernière section présentera une courte liste de quelques améliorations potentielles du modèle.

Conclusion

L’objectif de ce mémoire était de mettre au point une intelligence artificielle capable d’estimer la position d’un agent mobile dans un environnement borné. Après avoir introduit quelques concepts en lien aux jeux vidéo et à l’intelligence artificielle, nous nous sommes concentrés sur l’explication des outils mathématiques que nous désirions utiliser. Notre technique consistait à utiliser les chaînes de semiMarkov cachées, en considérant l’état de la chaîne comme la position de l’agent, pour effectuer cette tâche. Ensuite, nous avons analysé et travaillé les algorithmes nécessaires pour s’assurer qu’ils puissent effectuer le travail nécessaire puis nous les avons programmés effi=cacement. Cela nous a permis de mettre au point une intelligence artificielle qui pourrait utiliser ces algorithmes dans le contexte d’un jeu vidéo. Afin de vérifier l’efficacité de notre travail, nous avons mis au point notre propre jeu vidéo. Nous avons testé notre intelligence artificielle en la confrontant à de vrais joueurs. De la sorte, nous avons obtenu une grande quantité de données. Nous avons finalement mis au point une statistique de tests et de nombreux graphiques afin de visualiser nos résultats. Nous avons constaté une efficacité de l’intelligence artificielle bien au-delà de nos attentes. Non seulement les calculs s’exécutent assez rapidement pour pouvoir utiliser cette IA dans de multiples environnements, mais la précision des estimations est plus que satisfaisante. De plus, malgré la nécessité de l’ajustement de divers paramètres, l’apprentissage dont a été doté l’intelligence est un puissant outil. Nous avons été surpris par la force de cette capacité d’adaptation qui a rendu cette intelligence une adversaire de taille à tout joueurs dans le contexte du jeu vidéo. Finalement, ce travail de recherche a permis de démontrer la puissance de divers modèles de Markov dans la programmation d’intelligence artificielle. Nous espérons que ce mémoire ouvrira la voie à une implication plus grande des chercheurs en statistique dans le domaine de l’intelligence artificielle.