SELDON–Modèle pour la scénarisation d’environnements virtuels

SELDON–Modèle pour la scénarisation d’environnements virtuels

Vers quoi scénariser–le moteur TAILOR

Le modèle SELDO distingue sila génération des objectifs scénaristiqueiques dynamiques leur réalisation, la génération étant l’objet du moteur TAILOR. Cette distinction permet d’avoir un système de scénarisation qui soit modulaire, offrant la possibilité d’utiliser le module TAILOR pour calculer automatiquement des objectifs scénaristiques, ou bien de remplacer ce module par un ensemble d’objectifs scénaristiques prédéfinis ou par une interface permettant à un formateur d’entrer directement des objectifs dans le système durant une session de formation, en fonction de son appréciation des performances de l’apprenant.

Cette modularité concourt, ici encore, à notre objectif d’adaptabilité. Lemoteur TAILOR génèreen sortieunensembled’objectif scénaristiquesdynamiques,sous laforme de situations prescrites, de situations proscrites, et de contraintes sur les propriétés globales du scé nario. Ces objectifs sont décrits dans le chapitre 7. TAILOR fait l’objet de la thèse de doctorat de Kevin Carpentier; davantage de détails peuvent être trouvés dans [Carpentier et al., 2013].

Comment Scénariser–le moteur DIRECTOR Le moteur DIRECTOR vise à réaliser dans l’environnement virtuel ces objectifs scénaristiques définis dynamiquement. Afin de pouvoir prendre en compte des propriétés globales du scénario, il convient de considérer celui-ci dans son ensemble. DIRECTOR utilise donc une approche basée sur la planification de scénario,plutôt que sur la sélection dynamique des événements, car celle-ci ne permet d’opérer qu’un contrôle local.

La réalisation d’un scénario ainsi généré au travers du contrôle direct, comportemental ou motivationnel, de personnages virtuels semi-autonomes ou de changements instantanés des états des systèmes simulés nuirait à la cohérence des comportements. Plutôt que de considérer le scénario généré comme prescriptif, DIRECTOR adopte une approche prédictive,

en utilisant les modèles de connaissances pour prédire l’évolution de la simulation — celle des systèmes techniques comme les comportements des personnages virtuels autonomes. Ces comportements peuvent alors être orientés par le biais d’ajustements qui en respectent la cohérence. Ces ajustements, et la façon dont les scénarios sont générés et réalisés, sont décrits en détail dans le chapitre 6 portant sur DIRECTOR. 4.4

À Partir De Quoi Scénariser–les langages HUMANS-DL Afin de calculer les prochaines étapes de la simulation, de générer les objectifs scénaristiques et de prédire les scénarios,les différents moteurs du modèle SELDON doivent faire appel à un ensemble de connaissances dépendantes du domaine considéré. Après Avoir Étudié, dans chapitre3,le langage utilisés pour représentation du contenu scénarisé tique, des objectifs scénaristiques et des scénarios, nous avons constaté que les langages existants ne répondaient pas à nos besoins en termes d’expressivité, d’interprétabilité, d’intelligibilité et de modularité.

La proposition du modèle SELDON est donc associée à celle de la suite de langages HUMANS-DL, qui contient trois formalismes : DOMAIN-DL, ACTIVITY-DL et CAUSALITY-DL. DOMAIN-DL et ACTIVITY-DL sont des langages de représentation du contenu scénaristique, utilisés pour écrire respectivement des modèles de domaine et des modèles d’activité. es modèles qu’ils permettent de représenter sont utilisés notamment pour le calcul des états de la simulation, et pour la génération des scénarios prédictifs.

CAUSALITY-DL est un langage de représentation d’espaces de scénarios d’intérêt sous forme de graphe de causalité, utilisé pour exprimer des objectifs scénaristiques statiques. Les modèles qu’il permet d’écrire servent notamment à la génération de certains objectifs scénaristiques dynamiques (