Autonomy is a key factor in the quality of life of a person. With the aging of the population, an increasing number of people suffers from a reduced level of autonomy. That compromises their capacity of performing their daily activities and causes safety issues. The new concept of ambient assisted living (AAL), and more specifically its application in smart homes for supporting elderly people, constitutes a great avenue of the solution. However, to be able to automatically assist a user carrying out is activities, researchers and engineers face three main challenges in the development of smart homes: (i) how to represent the activity models, (ii) how to automatically construct theses models based on historical data and (iii) how to be able to simulate the user behavior for tests and calibration purpose. Most of recent works addressing these challenges exploit simple models of activity with no semantic, or use logically complex ones or else use probabilistically rigid representations. In this paper, we propose a global approach to address the three challenges. We introduce a new way of modeling human activities in smart homes based on behavior trees which are used in the video game industry. We then present an algorithmic way to automatically learn these models with sensors logs. We use a simulator that we have developed to validate our approach.

自治是一个人的生活质量的关键因素。随着人口老龄化，越来越多的人受到自治程度下降的困扰。这损害了他们执行日常活动的能力，并导致安全问题。环境辅助生活（AAL）的新概念，尤其是在支持老年人的智能家居中的应用，构成了解决方案的重要途径。然而，为了能够自动协助用户进行活动，研究人员和工程师在智能家居的开发中面临三个主要挑战：（i）如何表示活动模型，（ii）如何基于以下内容自动构建这些模型：历史数据，以及（iii）如何能够为了测试和校准目的模拟用户行为。应对这些挑战的大多数最新著作都采用了没有语义的简单活动模型，或者使用了逻辑上复杂的模型，或者使用了概率刚性的表示形式。在本文中，我们提出了应对这三个挑战的全球方法。我们引入了一种新的方式，该方式基于视频游戏行业中使用的行为树在智能家居中模拟人类活动。然后，我们提出了一种通过传感器日志自动学习这些模型的算法。我们使用我们开发的模拟器来验证我们的方法。我们引入了一种新的方式，该方式基于视频游戏行业中使用的行为树在智能家居中模拟人类活动。然后，我们提出了一种通过传感器日志自动学习这些模型的算法。我们使用我们开发的模拟器来验证我们的方法。我们引入了一种新的方式，该方式基于视频游戏行业中使用的行为树在智能家居中模拟人类活动。然后，我们提出了一种通过传感器日志自动学习这些模型的算法。我们使用我们开发的模拟器来验证我们的方法。