Une maison connectée ne devient pas intelligente parce qu’elle accumule les applications. Elle le devient quand ses capteurs, ses équipements et ses automatismes répondent à un besoin précis, sans transformer le quotidien en support technique permanent.
Le cerveau à la maison, sans lui donner les clés
La domotique associe des capteurs, des actionneurs et une unité de commande. Les capteurs relèvent la température, la présence, l’ouverture d’une fenêtre ou l’humidité. Les actionneurs exécutent une consigne, par exemple baisser un volet, couper un radiateur ou allumer une lampe. La box fait circuler les informations et applique les scénarios.
Cette architecture distingue une automatisation simple d’un système capable de croiser plusieurs données. Un détecteur de mouvement peut allumer une lumière. Un système plus complet vérifie la présence, l’heure, la luminosité et l’état d’une porte avant de décider quoi faire. Dans les faits, cette logique limite les déclenchements absurdes, comme la lampe qui s’allume à trois heures du matin parce qu’un chat a éternué.
Le fil à la patte ou la liberté du sans-fil
Le Wi-Fi facilite l’ajout rapide d’un appareil. Zigbee, Z-Wave, Bluetooth, Thread et les liaisons filaires répondent à d’autres contraintes de portée, de consommation et de stabilité. En construction neuve, le câblage se prévoit avant les doublages et les plafonds. En rénovation, le sans-fil évite souvent d’ouvrir les murs, mais il faut vérifier la couverture et prévoir le remplacement des piles.
La première décision ne concerne donc pas la marque de la box, mais le niveau de dépendance acceptable au réseau, au cloud et aux mises à jour.
Des scénarios qui chauffent, sans faire fondre le budget
Le chauffage est l’un des usages où la domotique peut avoir une utilité directe, à condition de piloter un équipement correctement dimensionné et entretenu. Une programmation horaire, une détection d’absence ou un réglage pièce par pièce peuvent éviter de chauffer inutilement. Cela ne compense ni une isolation défaillante, ni un pont thermique, ni une ventilation mal réglée.
La différence entre une promesse commerciale et un résultat mesurable se trouve dans le réglage. Pour comparer les consommations avant et après, il faut retenir des périodes comparables et tenir compte de la météo et de l’occupation du logement. Une automatisation qui coupe le chauffage pendant une absence réelle n’a pas le même effet qu’un capteur mal placé qui interprète chaque passage comme une présence.
Le pilotage doit aussi rester compatible avec l’installation existante. Un radiateur électrique équipé d’un fil pilote, une chaudière, une pompe à chaleur et un plancher chauffant ne se commandent pas de la même manière. Le devis doit préciser les interfaces utilisées, les sondes posées et les réglages inclus. Sinon, ça sonne creux, ce devis à rallonge.
La domotique peut suivre l’électricité, l’eau ou la qualité de l’air. Ces mesures ne produisent pas automatiquement des économies : elles rendent les usages visibles et facilitent les corrections. Les équipements numériques consomment eux aussi de l’électricité et mobilisent des composants. Avant d’ajouter une passerelle, il faut donc vérifier que le service rendu justifie l’appareil.
Vieillir chez soi, sans transformer le salon en laboratoire
La maison intelligente peut aussi soutenir l’autonomie. Une alerte de chute, un rappel de prise de médicament, un éclairage automatique sur le chemin des toilettes ou une détection d’absence inhabituelle peuvent aider au maintien à domicile. Ces fonctions doivent rester compréhensibles pour la personne qui vit dans le logement et pour les proches qui reçoivent les alertes.
La revue systématique Smart Home Technologies for Ageing in Place: A Systematic Review of Health Outcomes, Independence, Healthcare Utilisation and Implementation Considerationspubliée dans Australasian Journal on Ageing en juin 2026, a retenu 30 études menées dans 10 pays auprès de personnes âgées de 65 ans et plus. Elle rapporte des bénéfices possibles sur la sécurité, l’indépendance, la qualité de vie et la gestion de certaines maladies chroniques, tout en soulignant l’hétérogénéité des technologies, des publics et des indicateurs.
La même revue recense quatre freins récurrents : la vie privée, le coût, la fiabilité technique et la maîtrise du numérique. Un système composé de plusieurs éléments semble parfois plus utile qu’un appareil isolé pour certains résultats, mais les données ne permettent pas de promettre le même effet dans chaque logement. Une alerte qui arrive sur un téléphone jamais consulté ne protège pas grand monde.
Demandez quelles données sont collectées, où elles sont stockées, qui peut les consulter et combien de temps elles sont conservées. Une caméra n’est pas la seule option : des capteurs de mouvement, d’ouverture ou de consommation peuvent parfois répondre au besoin avec moins d’images personnelles.
L’intelligence artificielle apprend, mais elle n’a pas passé le permis
Les automatismes classiques reposent sur des règles : si une présence est détectée après 18 heures, alors la lumière s’allume. Les modèles d’apprentissage cherchent des habitudes plus complexes. L’article Personalized Smart Home Automation Using Machine Learning: Predicting User Activitiespublié dans Sensors en octobre 2025présente EL-HARP, un prototype capable de prédire des activités comme dormir, cuisiner, travailler sur ordinateur ou regarder la télévision.
Le prototype associe des capteurs, des interrupteurs connectés, un Raspberry Pi 5, une caméra ESP32-CAM et des modèles de type gradient boosting. Il a été conçu pour fonctionner en périphérie du réseau, avec un entraînement adapté à chaque foyer. Cette approche limite le recours permanent à un serveur distant, mais elle ne supprime ni le bruit des capteurs, ni les activités mal représentées, ni les différences de comportement entre logements.
La revue Sensor-Driven Deep Learning for Smart Home Intelligence: Signal Analysis, Multimodal Perception, and System-Level Applicationspubliée dans Sensors en mai 2026, examine la reconnaissance d’activités, le suivi de santé, la gestion de l’énergie, la sécurité et le contrôle vocal. Elle relève plusieurs obstacles au passage du prototype au logement réel : manque de données correctement annotées, généralisation limitée d’un logement à l’autre, puissance réduite des appareils locaux, confidentialité et difficulté à expliquer certaines décisions du modèle.
Une IA peut proposer une action, mais une fonction liée à la sécurité du logement doit conserver un fonctionnement compréhensible et une reprise manuelle.
Le budget, ce puits sans fond qui se rebouche avec un devis
Le prix d’une installation dépend du nombre de points commandés, du câblage, des moteurs, des capteurs, de la box, de la configuration et de la maintenance. Un tarif au mètre carré donne donc une vision trop pauvre : deux maisons de même surface peuvent avoir des installations très différentes selon le nombre de volets, de zones de chauffage et de circuits concernés.
À la rédac, on préfère un devis descriptif à un forfait mystérieux. Le document doit séparer le matériel, la pose, la programmation, les éventuels travaux électriques et le suivi. Il doit aussi indiquer les interfaces utilisées, les équipements compatibles et les conditions de maintenance. Le budget travaux aime les extensions de périmètre, surtout quand personne ne les a écrites au départ.
Le devis, pas le devin
Commencez par deux ou trois scénarios vérifiables : réduire le chauffage pendant une absence, signaler une fuite d’eau ou éclairer un escalier la nuit. Mesurez ensuite leur utilité avant d’ajouter une serrure, une caméra ou un écran mural. La domotique devient vite une sacrée galère quand chaque nouvel achat impose une nouvelle application et une nouvelle passerelle.
Le chantier connecté, mais pas en roue libre
Dans le neuf, le maître d’ouvrage doit décider avant les finitions où passer les câbles, où installer la baie ou la box, comment maintenir une commande manuelle et comment remplacer un appareil devenu obsolète. En rénovation, le repérage des réseaux existants passe avant le perçage. Les travaux sur l’installation électrique fixe, le tableau ou les circuits doivent être confiés à un électricien qualifié.
La sécurité numérique mérite le même sérieux que la sécurité électrique. Il faut remplacer les identifiants par défaut, activer les mises à jour, limiter les accès distants et, si possible, séparer les équipements connectés du réseau utilisé pour les ordinateurs personnels. L’article IoT based smart home automation using blockchain and deep learning modelspublié dans PeerJ Computer Science en 2023, décrit un système associant capteurs, Raspberry Pi, relais et mécanismes d’authentification. Son sujet rappelle une règle simple : l’identification des appareils et la protection des données se prévoient dès la conception. Une blockchain n’efface pas une erreur de configuration.
À la réception des travaux, testez chaque scénario avec une coupure internet, une panne électrique et une commande manuelle. Vérifiez aussi les notices, les mots de passe administrateur, le plan des équipements et les conditions de garantie.
- Déclenchez chaque scénario dans les conditions prévues.
- Coupez la connexion internet et vérifiez ce qui continue à fonctionner localement.
- Testez la commande manuelle de chaque équipement motorisé ou chauffant.
- Remettez les accès, plans et notices au maître d’ouvrage.
Une maison connectée bien pensée continue à fonctionner quand le Wi-Fi décide de prendre sa journée.
Sources et références scientifiques
- Smart Home Technologies for Ageing in Place: A Systematic Review of Health Outcomes, Independence, Healthcare Utilisation and Implementation Considerations – PMC. Australasian journal on ageing. DOI: 10.1111/ajag.70200 · PMID: 42340095.
- 1. Aggar C., Sorwar G., Seton C., Penman O., and Ward A., “Smart Home Technology to Support Older People’s Quality of Life: A Longitudinal Pilot Study,” International Journal of Older People Nursing 18, no. 1 (2023): 1-8, 10.1111/opn.12489. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1111/opn.12489.
- 2. Lu W., Silvera‐Tawil D., Yoon H.‐J., et al., “Impact of the Smarter Safer Homes Solution on Quality of Life and Health Outcomes in Older People Living in Their Own Homes: Randomized Controlled Trial,” Journal of Medical Internet Research 27 (2025): e59921. [DOI] [PMC free article] [PubMed] [Google Scholar].
- 3. Dermody G., Fritz R., Glass C., Dunham M., and Whitehead L., “Factors Influencing Community‐Dwelling Older Adults’ Readiness to Adopt Smart Home Technology: A Qualitative Exploratory Study,” Journal of Advanced Nursing 77, no. 12 (2021): 4847-4861, 10.1111/jan.14996. [DOI] [PubMed] [Google Scholar]. doi:10.1111/jan.14996.
- 4. Mitchell E. and Walker R., “Global Ageing: Successes, Challenges and Opportunities,” British Journal of Hospital Medicine 81, no. 2 (2020): 1-9. [DOI] [PubMed] [Google Scholar].
- 5. Mative G., Management of Multimorbidity in Geriatric Care: Challenges and Mitigations (Lithuanian University of Health Sciences, 2025). [Google Scholar].
- 6. Facchinetti G., Petrucci G., Albanesi B., De Marinis M. G., and Piredda M., “Can Smart Home Technologies Help Older Adults Manage Their Chronic Condition? A Systematic Literature Review,” International Journal of Environmental Research and Public Health 20, no. 2 (2023): 1205. [DOI] [PMC free article] [PubMed] [Google Scholar].
- 7. Taramasco C., Rimassa C., and Martinez F., “Improvement in Quality of Life With Use of Ambient‐Assisted Living: Clinical Trial With Older Persons in the Chilean Population,” Sensors 23, no. 1 (2023): 268, 10.3390/s23010268. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/s23010268.
- 8. Salahub C., Austin P. C., Bai L., et al., “Days at Home for Older Adults Receiving a Remote Monitoring Intervention Compared With Usual Home Care Recipients,” Journal of the American Medical Directors Association 26, no. 7 (2025): 105611, 10.1016/j.jamda.2025.105611. [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.jamda.2025.105611.
- 9. Yao S., Yang Y., and Cheng P., “The Investigation of Adoption of Voice‐User Interface (VUI) in Smart Home Systems Among Chinese Older Adults,” Sensors 22, no. 4 (2022): 1614, 10.3390/s22041614. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/s22041614.
- 10. Zhou C., Qian Y., and Kaner J., “A Study on Smart Home Use Intention of Elderly Consumers Based on Technology Acceptance Models,” PLoS One 19, no. 3 (2024): e0300574, 10.1371/journal.pone.0300574. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1371/journal.pone.0300574.
- 11. Jachan D. E., Müller‐Werdan U., Lahmann N. A., and Strube‐Lahmann S., “Smart@Home, Supporting Safety and Mobility of Elderly and Care Dependent People in Their Own Homes Through the Use of Technical Assistance Systems and Conventional Mobility Supporting Tools: A Cross‐Sectional Survey,” BMC Geriatrics 21, no. 1 (2021): 1-10, 10.1186/s12877-021-02118-9. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1186/s12877-021-02118-9.
- 12. Donelle L., Hiebert B., Warner G., et al., “Passive Remote Monitoring Technologies’ Influence on Home Care Clients’ Ability to Stay Home: Multiprovincial Randomized Controlled Trial,” JMIR Aging 8 (2025): e69107, 10.2196/69107. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.2196/69107.
- Sensor-Driven Deep Learning for Smart Home Intelligence: Signal Analysis, Multimodal Perception, and System-Level Applications – PMC. Sensors (Basel, Switzerland). DOI: 10.3390/s26102993 · PMID: 42197801.
- 1.Cook D.J., Crandall A.S., Thomas B.L., Krishnan N.C. CASAS: A smart home in a box. Computer. 2012;46:62-69. doi: 10.1109/MC.2012.328. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1109/MC.2012.328.
- an M., Estève D., Escriba C., Campo E. A review of smart homes, Present state and future challenges. Comput. Methods Programs Biomed. 2008;91:55-81. doi: 10.1016/j.cmpb.2008.02.001. [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.cmpb.2008.02.001.
- 3.LeCun Y., Bengio Y., Hinton G. Deep learning. Nature. 2015;521:436-444. doi: 10.1038/nature14539. [DOI] [PubMed] [Google Scholar]. doi:10.1038/nature14539.
- 4.Anguita D., Ghio A., Oneto L., Parra X., Reyes-Ortiz J.L. A public domain dataset for human activity recognition using smartphones; Proceedings of the ESANN; Bruges, Belgium. 24-26 April 2013; pp. 437-442. [Google Scholar].
- 5.Bouchabou D., Nguyen S.M., Lohr C., LeDuc B., Kanellos I. A survey of human activity recognition in smart homes based on IoT sensors algorithms: Taxonomies, challenges, and opportunities with deep learning. Sensors. 2021;21:6037. doi: 10.3390/s21186037. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/s21186037.
- 6.Morita P.P., Sahu K.S., Oetomo A. Health monitoring using smart home technologies: Scoping review. JMIR mHealth uHealth. 2023;11:e37347. doi: 10.2196/37347. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.2196/37347.
- 7.Hammi B., Zeadally S., Khatoun R., Nebhen J. Survey on smart homes: Vulnerabilities, risks, and countermeasures. Comput. Secur. 2022;117:102677. doi: 10.1016/j.cose.2022.102677. [DOI] [Google Scholar]. doi:10.1016/j.cose.2022.102677.
- n Slama S., Mahmoud M. A deep learning model for intelligent home energy management system using renewable energy. Eng. Appl. Artif. Intell. 2023;123:106388. doi: 10.1016/j.engappai.2023.106388. [DOI] [Google Scholar]. doi:10.1016/j.engappai.2023.106388.
- 9.Aversano L., Bernardi M.L., Cimitile M., Pecori R. A systematic review on deep learning approaches for IoT security. Comput. Sci. Rev. 2021;40:100389. doi: 10.1016/j.cosrev.2021.100389. [DOI] [Google Scholar]. doi:10.1016/j.cosrev.2021.100389.
- en H., Gouin-Vallerand C., Bouchard K., Gaboury S., Couture M., Bier N., Giroux S. Enhancing human activity recognition in smart homes with self-supervised learning and self-attention. Sensors. 2024;24:884. doi: 10.3390/s24030884. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/s24030884.
- 11.Srivatsa P., Plötz T. Using graphs to perform effective sensor-based human activity recognition in smart homes. Sensors. 2024;24:3944. doi: 10.3390/s24123944. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/s24123944.
- 12.Dahal A., Moulik S., Mukherjee R. FeL-MAR: Federated learning based multi resident activity recognition in IoT enabled smart homes. Future Gener. Comput. Syst. 2025;163:107552. doi: 10.1016/j.future.2024.107552. [DOI] [Google Scholar]. doi:10.1016/j.future.2024.107552.
- IoT based smart home automation using blockchain and deep learning models – PMC. PeerJ. Computer science. DOI: 10.7717/peerj-cs.1332 · PMID: 37346725.
- Abdulraheem et al. (2020).Abdulraheem AS, Salih AA, Abdulla AI, Sadeeq M, Salim N, Abdullah H, Khalifa FM, Saeed RA. Home automation system based on IoT. Technology Reports of Kansai University. 2020;62(5):2453. [Google Scholar].
- Abdulrahman et al. (2016).Abdulrahman T, Isiwekpeni O, Surajudeen-Bakinde N, Otuoze AO. Design, specification and implementation of a distributed home automation system. Procedia Computer Science. 2016;94(9):473-478. doi: 10.1016/j.procs.2016.08.073. [DOI] [Google Scholar]. doi:10.1016/j.procs.2016.08.073.
- Akleylek & Soysaldı (2022).Akleylek S, Soysaldı M. A new lattice-based authentication scheme for IoT. Journal of Information Security and Applications. 2022;64(3):103053. doi: 10.1016/j.jisa.2021.103053. [DOI] [Google Scholar]. doi:10.1016/j.jisa.2021.103053.
- Al-Ali & Al-Rousan (2004).Al-Ali A-R, Al-Rousan M. Java-based home automation system. IEEE Transactions on Consumer Electronics. 2004;50(2):498-504. doi: 10.1109/TCE.2004.1309414. [DOI] [Google Scholar]. doi:10.1109/TCE.2004.1309414.
- Baudel & Beaudouin-Lafon (1993).Baudel T, Beaudouin-Lafon M. Charade: remote control of objects using free-hand gestures. Communications of the ACM. 1993;36(7):28-35. doi: 10.1145/159544.159562. [DOI] [Google Scholar]. doi:10.1145/159544.159562.
- Breiman (1996).Breiman L. Bagging predictors. Machine Learning. 1996;24(2):123-140. doi: 10.1007/BF00058655. [DOI] [Google Scholar]. doi:10.1007/BF00058655.
- Breiman et al. (1984).Breiman L, Friedman J, Olshen R, Stone C. Milton Park: Taylor & Francis; 1984. Classification and regression trees. Statistics/probability series. [Google Scholar].
- Brock, Bruce & Cameron (2013).Brock JD, Bruce RF, Cameron ME. Changing the world with a Raspberry Pi. Journal of Computing Sciences in Colleges. 2013;29(2):151-153. [Google Scholar].
- Chong, Zhihao & Yifeng (2011).Chong G, Zhihao L, Yifeng Y. The research and implement of smart home system based on internet of things. 2011 International Conference on Electronics, Communications and Control (ICECC); Piscataway: IEEE; 2011. pp. 2944-2947. [Google Scholar].
- Christidis & Devetsikiotis (2016).Christidis K, Devetsikiotis M. Blockchains and smart contracts for the internet of things. IEEE Access. 2016;4:2292-2303. doi: 10.1109/ACCESS.2016.2566339. [DOI] [Google Scholar]. doi:10.1109/ACCESS.2016.2566339.
- Coskun & Ardam (1998).Coskun I, Ardam H. A remote controller for home and office appliances by telephone. IEEE Transactions on Consumer Electronics. 1998;44(4):1291-1297. doi: 10.1109/30.735829. [DOI] [Google Scholar]. doi:10.1109/30.735829.
- Darianian & Michael (2008).Darianian M, Michael MP. Smart home mobile rfid-based internet-of-things systems and services. 2008 International Conference on Advanced Computer Theory and Engineering; Piscataway: IEEE; 2008. pp. 116-120. [Google Scholar].
- Personalized Smart Home Automation Using Machine Learning: Predicting User Activities – PMC. Sensors (Basel, Switzerland). DOI: 10.3390/s25196082 · PMID: 41094904.
- 1.Zhao G., Wang Y., Wang J. Intrusion Detection Model of Internet of Things Based on LightGBM. IEICE Trans. Commun. 2023;E106.B:622-634. doi: 10.1587/transcom.2022EBP3169. [DOI] [Google Scholar]. doi:10.1587/transcom.2022EBP3169.
- 2.Wazwaz A., Amin K., Semary N., Ghanem T. Dynamic and Distributed Intelligence over Smart Devices, Internet of Things Edges, and Cloud Computing for Human Activity Recognition Using Wearable Sensors. J. Sens. Actuator Netw. 2024;13:5. doi: 10.3390/jsan13010005. [DOI] [Google Scholar]. doi:10.3390/jsan13010005.
- 3.Crandall A., Thomas B., Schmitter-Edgecombe M. CASAS Smart Home Dataset-Free Living, Motion, Door, Activity Labels. 2025. [(accessed on 15 May 2025)]. Available online:.
- 4.Singh D., Merdivan E., Kropf J., Holzinger A. Class imbalance in multi-resident activity recognition: An evaluative study on explainability of deep learning approaches. Univers. Access Inf. Soc. 2024;24:1173-1191. doi: 10.1007/s10209-024-01123-0. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1007/s10209-024-01123-0.
- en X., Cumin J., Ramparany F., Vaufreydaz D. MuRAL: A Multi-Resident Ambient Sensor Dataset Annotated with Natural Language for Activities of Daily Living. arXiv. 20252504.20505 [Google Scholar].
- 6.Liang X., Wang H. Hybrid Transformer-RNN Architecture for Household Occupancy Detection Using Low-Resolution Smart Meter Data; Proceedings of the 49th Annual IEEE Industrial Electronics Society Conference (IECON); Singapore. 16-19 October 2023; pp. 1-6. [DOI] [Google Scholar].
- 7.Home Assistant Home Assistant Hardware Compatibility List: Yellow & Green Appliances. 2025. [(accessed on 15 June 2025)]. Available online:.
- 8.Swaminathan T.P., Silver C., Akilan T. Benchmarking Deep Learning Models on NVIDIA Jetson Nano for Real-Time Systems: An Empirical Investigation. arXiv. 2024 doi: 10.1016/j.procs.2025.03.273.2406.17749 [DOI] [Google Scholar]. doi:10.1016/j.procs.2025.03.273.2406.17749.
- 9.Parra D., Møgelmose A., Rasmussen C.H. A reinforcement learning approach to home energy management for modulating heat pumps and photovoltaic systems. Appl. Energy. 2017;203:243-257. [Google Scholar].
- 10.Madsen H., Kjærgaard M.B., Jantzen C.K., Petersen B. Batch Reinforcement Learning for Smart Home Energy Management; Proceedings of the Twenty-Ninth AAAI Conference on Artificial Intelligence (IJCAI 2015); Austin, TX, USA. 25-30 January 2015; pp. 2572-2578. [Google Scholar].
- 11.Rathore G.S., Sharma A., Chauhan S., Kumar P. Home Energy Management Using Multi-Agent Reinforcement Learning. Energy. 2022;12:64-75. [Google Scholar].
- en J., Tang S., Liu Y., Zhang J. An optimal power scheduling method for demand response in home energy management system. IEEE Trans. Smart Grid. 2013;3:1391-1400. doi: 10.1109/tsg.2013.2251018. [DOI] [Google Scholar]. doi:10.1109/tsg.2013.2251018.
- Adoptez la domotique pour faire des économies d’énergie | Quelle Énergie.
- Contributeurs aux projets Wikimedia. ensemble des techniques propre au contrôle d’un système intégré à un bâtiment. 2004.
- « l’amélioration de l’état de santé de la population et de la qualité de vie des personnes malades, handicapées et des personnes dépendantes ».
- « La santé est un état de complet de bien-être physique, mental et social, et ne consiste pas seulement en une absence de maladie ou d’infirmité ».
- « l’action sociale et médico-sociale tend à promouvoir, dans un cadre interministériel, l’autonomie et la protection des personnes, la cohésion sociale, l’exercice de la citoyenneté, à prévenir les exclusions et à en corriger les effets. Elle repose sur une évaluation continue des besoins et des attentes des membres de tous groupes sociaux, en particulier les personnes handicapées et des personnes âgées, des personnes et des familles vulnérables, en situation de précarité ou de pauvreté, et sur.
- « La politique de compensation des handicaps comporte notamment la mise en œuvre d’actions d’amélioration du cadre de vie prenant en compte tous les environnements, produits et services destinés aux personnes handicapées et mettant en œuvre des règles de conception conçues pour s’appliquer universellement ».
- Notes et références.
- ↑ Présentation du Groupe de travail présidé par Inès Reinmann (Acxior Corporate Finance) et Yves Farges (Pdt Comité des travaux de l’Académie des technologies)..
- ↑ Inès Reinmann et Yves Farge (dir.), Leviers à l’innovation dans le secteur du Bâtiment: Rapport intermédiaire – janvier 2011, Plan bâtiment Grenelle, [lire en ligne] [PDF]..
- ↑ A. Filloux et Jean-Luc Salagnac, « Étude sur les conditions d’interopérabilité des systèmes IDC: rapport intermédiaire / Study of interoperability conditions for building interface systems: intermediate report », CSTB, Valbonne, France, 1993..
- ↑ Les trois supports de transmission de l’information en domotique..
- ↑ François-Xavier Jeuland, La maison communicante: Réussir son installation domotique et multimédia, 2012..
- ↑ (en) Patricia Dockhorn Costa, Luis Ferreira Pires et Marten van Sinderen, « Architectural Patterns for Context-Aware Services Platforms », Proceedings of the 2nd International Workshop on Ubiquitous Computing, Miami, 2005, p. 3-18..
- ↑ (en) A. L. Ananda, B. H. Tay, et E. K. Koh, « A Survey of Asynchronous Remote Procedure Calls », in ACM SIGOPS Operating Systems Review, vol. 26, no 2, 1992 p. 92-109, [lire en ligne] [PDF]..
- Domadoo : Votre boutique de Domotique au meilleur prix.
- Louisa. Domotique : comment ça fonctionne et pourquoi l’adopter? – Maison et Domotique. 2025.
Related Posts
Post a Comment