Академический Документы
Профессиональный Документы
Культура Документы
1. Вступление
Создание плана планировщиком автономного робота, действующего в
человеческой среде, является сложной задачей, поскольку включает в себя
рассмотрение неопределенностей и недетерминированных ситуаций.
Действительно, в таких ситуациях переменное количество объектов может быть
важным для его задач, и эти объекты могут быть связаны различными способами.
К сожалению, эта особенность сильно влияет на роботов, действующих в реальных
средах, и может иногда приводить к сбоям в их работе. Чтобы справиться с
непредвиденными обстоятельствами, планировщик робота использует
вероятностные процедуры вывода, основанные на методах рассуждения, чтобы
гарантировать, что его планы действий не сильно отклоняются от поставленной
задачи (Bouguerra, Karlsson & Saffiotti, 2007). В большинстве подходов к
формированию плана основное внимание уделяется детерминированной
информации о среде робота, такой как точные объекты и их свойства, а также
подробностям явных действий (предварительные и последующие состояния среды).
Например, явный эффект перемещения робота на кухню заключается в том, что
новым положением робота является кухня. Напротив, неявный эффект
заключается в том, что робот должен наблюдать холодильник и печь.
В реалистичной среде это не всегда так, поскольку планирование с
неопределенностью является сложным процессом. Для получения возможной
неявной информации, относящейся к существованию объектов, прогнозирования
их типов, свойств и взаимосвязей между этими объектами должны быть
предложены более совершенные формы вероятностного рассуждения, связанные с
семантическим знанием. Например, вероятность того, что робот, переезжающий в
гостиную, увидит телевизор и диван выше того, что он увидит кровать и раковину.
Если робот заходит на кухню, вероятность того, что он увидит холодильник
и раковину выше. Эти вероятности представляют собой детали, которые могут
усложнить планирование задач, если их обработка остается на роботе. В свете этого
важно создать отдельный модуль на основе семантических знаний и описаний
действий, используемых планировщиком. Действительно, планировщик имеет
возможность учиться из базы знаний и затем выводить вероятную информацию
о среде робота в зависимости от его наблюдений.
В данной статье структура системы планировщика робота основана на
семантической базе знаний и представлена логикой описаний (DL) (Baader,
McGuinness, Nardi & Patel-Schneider, 2010). Этот тип системы имеет возможность
выводить автоматическую классификацию вещей на основе их типов и свойств, по
итогам чего может разработать общий алгоритм для системы на основе DL.
Благодаря чему робот может извлекать новую информацию из имеющихся
знаний. Логический вывод чистого описания является полностью
детерминированным, поэтому часто желательно предоставлять неопределенную
информацию способом, который может быть более полезным для планировщика
робота.
Второй процесс разработан учитывающим вероятностную неопреде-
ленность в состоянии мира, т.е. неопределенность в отношении типа объектов и
мест в среде робота и отношений между ними. Этот процесс зависит от логических
сетей Маркова, которые допускают вероятностные выводы, сочетающие
выразительность логики первого порядка с представлением неопределенности
(Richardson & Domingos, 2006). Влияние таких реляционных структур,
включающих переменные наборы фактов, имеющих отношение к задачам
робота, должно быть явно опущено из рассмотрения модели, которая включает
фиксированный набор предположений. Как таковой, этап унификации между
принципами логики первого порядка имеет решающее значение, так как это делает
объекты и отношения основными строительными блоками представления, а
вероятностные графические модели, позволяющие рассуждать перед лицом
2
неопределенности, создают его единый формализм. Этот подход позволяет, путем
объединения соответствующей семантики, получить язык, который имеет уровень
выразительности, достаточный для коммуникации с роботом. Это необходимо для
того, чтобы он был способен обрабатывать неопределенные ситуации, когда
они возникают в реальном мире.
Эта статья опирается и расширяет предыдущую работу по обработке
неопределенности с использованием семантической базы знаний (Al-Moadhen,
Packianather, Setchi & Qiu, 2014). Кроме того, в этой статье сообщается о новой
обширной экспериментальной оценке двух подходов к формированию плана:
детерминированного процесса и вероятностного процесса. Эти эксперименты
показывают, что использование семантических знаний способствует более умному
формированию плана, поскольку планировщик задач может решать
детерминированные и вероятностные ситуации, с которыми возможно столкнется
робот. Они показывают, что детерминированная версия в основном оперирует
поиском противоположных доказательств, в то время как вероятностная версия лучше
способна учитывать истинные доказательства.
Основной вклад этого документа заключается в следующем: 1) его
семантическая база знаний используется в качестве основного источника для
построения шаблона MLN; (2) использует MLN в случаях, когда существует
неопределенность относительно состояния мира (о существовании объектов, их
типах и отношениях); (3) он представляет алгоритм, роль которого заключается в
создании MLN из семантической базы знаний; (4) алгоритм, учитывающий
семантику параметров действия, используется для проверки вставки действия в
план (в случае формирования детерминированного плана); (5) в случае
вероятностной версии процесс формирования плана использует ответы MLN для
формирования плана. Шаблон MLN будет изучаться с использованием учебных
данных SKB и соответствующих методов обучения. Эта изученная модель MLN
затем используется для ответа на запросы, сгенерированные из базы знаний, и
прогнозирования существования и типов объектов или мест, а также их
взаимосвязей.
Остальная часть настоящего документа организована следующим образом.
В разделе 2 описываются соответствующие работы в области планирования с
уделением особого внимания детерминированным и вероятностным подходам. В
разделе 3 описывается планирование в детерминированных условиях. В разделе 4
рассматривается процесс планирования в условиях неопределенности и излагается
предлагаемый подход к решению этой проблемы. В разделе 5 представлена
экспериментальная проверка. Наконец, в разделе 6 содержатся выводы и
предложения относительно будущей работы.
2. Связанные работы
В этом разделе рассматриваются исследования, касающиеся формирования
планов для задач мобильных роботов для перемещения из одной точки в другую.
Предыдущие подходы были сосредоточены на планировании при
детерминированным состоянием мира. Как правило, предварительно определенные
мировые модели используются для описания состояний среды после правильного
выполнения действий. Планирование в детерминированных условиях страдает от
меньшего числа проблем по сравнению с планированием в вероятностных
условиях. Области планирования могут быть созданы путем интеграции
семантических моделей действий с общей базой знаний (Al-Moadhen, Qiu,
Packianather, Ji & Setchi, 2013). Эти области зависят от фиксированной информации
из базы знаний и входящих напрямую в планировщик робота для создания
подходящего плана для заданных задач.
Семантические знания могут быть успешно использованы для
поддержки планирования задач робота. Исследования (Галиндо, Фернандес-
Мадригал, Гонсалес и Саффиотти 2008) определили конкретный тип
семантической карты, которая интегрирует иерархическую пространственную
информацию и семантические знания. Этот подход зависит от заявленной
информации и не учитывает неопределенность работы робота.
Дальнейшая работа (Eich, Dabrowska & Kirchner 2010) позволила преодолеть
разрыв между семантическим и пространственным представлением окружающей
среды. Фокусируясь на семантической стороне (Cipriano Galindo et al. 2008) и
(Galindo et al. 2005) описывают, как семантические карты используются для
планирования высокого уровня и пространственных рассуждений. В своей работе
мост между пространственной областью и семантической областью называется S-
Box (пространственный ящик) и T-Box (ящик таксономии). Семантическая
интерпретация физических объектов достигается посредством оптической
идентификации маркеров, хотя и не основана непосредственно на
пространственной интерпретации данных облака точек.
Другой подход (Bouguerra & Karlsson, 2004) предложил иерархическое
планирование задач, которое обрабатывает неопределенность как в состоянии мира, так
и в воздействии действий. Он ввел механизмы для урегулирования ситуаций, когда
имеется неполная и неопределенная информация о состоянии окружающей среды.
Действительно, это было сделано путем использования вероятностных состояний для
представления неполной информации о состоянии мира, в то время как действия могут
иметь более одного результата. Проблемой такого подхода (с использованием условного
планировщика) является его связь с условным ветвлением, которое зависит от
экзогенных событий, а именно взаимодействия агента.
Частично наблюдаемые марковские процессы принятия решений (POMDP)
(Papadimitriou & Citsiklis, 1987) обеспечили принципиально общую основу для
планирования движения роботов в неопределенных и динамических условиях.
Кроме того, POMDP использовались в исследовании (Ong & Hsu, 2010) для
планирования движения в условиях неопределенности. Семантическая информация
может использоваться в качестве инструмента для улучшения планирования задач
в сложных сценариях, когда другие планировщики могут легко оказаться в
трудноразрешимых ситуациях (Galindo, Fernández-madrigal & Saffiotti, 2007).
Подход предусматривал построение "семантического" плана, состоящего из
категорий объектов, мест и т.д., которые решали "обобщенную" версию
запрашиваемой задачи. Этот план был затем использован для того, чтобы отбросить
неактуальную информацию относительно окончательного планирования,
осуществляемого на символических экземплярах этих элементов (которые
соответствуют физическим элементам мира, в котором робот может работать).
Дальнейшая работа в этой области (Galindo, Fernández-Madrigal & Gonsález,
2004) включала в себя разработку формализма символьной модели окружающей
среды для решения вопросов обработки больших объемов информации при
4
планировании и эффективной коммуникации между человеком и машиной в
естественной форме с помощью человеческого механизма, который структурирует
знания в нескольких иерархиях. Планирование с использованием иерархической
модели может быть эффективным даже в тех случаях, когда отсутствие
иерархической информации делает ее трудноразрешимой. Однако, этот метод
зависит от детерминированной информации.
Для устранения неопределенностей можно использовать вероятностные
методы для связывания системных переменных друг с другом и построения сети
между этими переменными. Markov Logic Networks (Richardson & Domingos, 2006)
и Bayesian Logic Networks (Jain, Waldherr & Beetz, 2009) могут использоваться для
обработки вероятностной информации для поддержки многих приложений, таких
как планирование задач.
6
Рисунок 1. Онтология мира для робота
Рисунок 2. Различные модули, участвующие в генерации плана
3.1. Онтология среды робота
Большой объем знаний об объектах и их свойствах в среде робота может
помочь роботу узнать о структуре своей среды. Эти знания можно представить как
онтологию, которая содержит классы всех соответствующих типов объектов и их
свойств и отношений. Логика описаний (DL) используется как формализм для
представления знаний робота о его мире.
Язык веб-онтологии (OWL) ("OWL Web Ontology Language Reference",
2004) имеет формат представления знаний, подходящий для описания знаний
робота о своей среде. Он используется для хранения формул логики описания
в формате файла на основе XML. Существует два типа знаний в логике
описания. Первое называется терминологическим знанием, так называемым
TBOX, в то время как второе известно, как знание утверждения, ABOX. TBOX
содержит определения понятий, например "Комната", "Действие" или
"Объект". Эти концепции расположены иерархически, что классифицируется с
использованием определений подкласса, которые описывают, например,
подкласс мебели как таблицу. ABOX содержит отдельные объекты, которые
созданы на основе концепций TBOX, например, Таблица 1 является
экземпляром такой таблицы. Свойства отдельных структур в базе знаний
можно описать ролями, которые отражают отношения между двумя
структурами, и может также использоваться в определениях класса, чтобы
ограничить им степень класса, имеющим определенные свойства, например,
8
понятие, GrasspingABottle может быть описан как подкласс GraspSomething с
ограничением, что objectActedOn должен быть некоторой разновидностью
класса Bottle.
Следующие примеры (которые основаны на фиг.1) описывают определение
атомарных классов и определенных классов. Роли используются для ограничения
расширения определенных классов.
Таблица 1. Результаты детерминированной генерации плана для
действий захвата и перемещения.
5. Тестовый сценарий
В этом разделе будут представлены эксперименты по моделированию для
сбора больших объемов данных с целью статистической оценки эффективности
предлагаемой структуры. Из-за отсутствия эталонных систем при составлении
символьных планов оценка основывается на показателях ложноположительной
ставки (FPR, отношение между количеством ложных срабатываний и общим
18
количеством фактических отрицательных случаев) и истинный положительный
показатель (TPR, отношение между количеством истинных положительных и
общим количеством фактических положительных случаев).
Сценарий тестирования включает выполнение задач навигации и
манипуляции в домашней среде. Этот дом состоит из девяти комнат, а именно:
кухня, офис, спальня, ванная комната, библиотека, служебная комната,
гостиная, зал и столовая, как показано на рисунке 7. Эти помещения еще не
идентифицированы и робот зависит от модуля MLN для их идентификации.
СПИСОК ИСТОЧНИКОВ
Al-Moadhen, A., Packianather, M., Setchi, R., & Qiu, R. (2014). Automation
in Handling Uncertainty in Semantic-knowledge based Robotic Task-planning by
Using Markov Logic Networks (Vol. 35, pp. 1023–1032). Procedia Computer Science.
Al-Moadhen, A., Qiu, R., Packianather, M., Ji, Z., & Setchi, R. (2013).
Integrating Robot Task Planner with Common-sense Knowledge Base to Improve the
Efficiency of Planning (Vol. 22, pp. 211–220). Procedia Computer Science.
Baader, D. C., McGuinness, D. L., Nardi, D., & Patel-Schneider, P. F. (2010).
The Description Logic Handbook: Theory, Implementation and Applications.
Second Edi.
Bechhofer, S., van Harmelen, F., Hendler, J., Horrocks, I., McGuinness,
D. L., Patel-Schneider, P. F., & Stein,
L. A. (2004). OWL Web Ontology Language Reference. W3C. Retrieved
December 15, 2013, from http://www. w3.org/TR/owl-ref/
Bouguerra, A., & Karlsson, L. (2004). Hierarchical task planning under uncertainty.
Proceedings of the 3rd Italian Workshop on Planning and Scheduling, 9th National
Symposium of Associazione Italiana per l’Intelligenza Artificiale, Perugia, Italy.
Bouguerra, A., Karlsson, L., & Saffiotti, A. (2007). Handling uncertainty in
semantic-knowledge based execution monitoring. Proc. of the International Conference
on Intelligent Robots and Systems (IROS), (pp. 437-443).
doi:10.1109/IROS.2007.4399317
Eich, M., Dabrowska, M., & Kirchner, F. (2010). Semantic labeling: Classification
of 3d entities based on spatial feature descriptors. IEEE International Conference on
Robotics and Automation (ICRA 2010).
Galindo, C., Fernández-Madrigal, J. A., González-Jimenez, J., & Saffiotti, A.
(2007). Using semantic information for improving efficiency of robot task planning.
in: ICRA Workshop on Semantic Information in Robotics, in IEEE ICRA 2007, Rome,
Italy.
Galindo, C., Fernández-Madrigal, J. A., González-Jimenez, J., & Saffiotti, A.
(2008). Robot task planning using semantic maps. Robotics and Autonomous Systems,
56(11), 955–966. doi:10.1016/j.robot.2008.08.007
Galindo, C., González-Jimenez, J., & Fernández-Madrigal, J. A. (2004).
Interactive Task Planning through Multiple Abstraction: Application to Assistant
Robotics. 16th European Conference on Artifical Intelligence. (pp. 1015-1016).
Galindo, C., Saffiotti, A., Coradeschi, S., Buschka, P., Fernandez-Madrigal, J.
A., & Gonzalez, J. (2005). Multi- hierarchical semantic maps for mobile robotics. In
IEEE/RSJ International Conference on Intelligent Robots and Systems (pp. 2278–
2283).
Hoffmann, J., & Nebel, B. (2001). The FF Planning System: Fast Plan
Generation Through Heuristic Search.
Journal of Artificial Intelligence Research, 14(1), 253–302.
Hois, J., Wünstel, M., Bateman, J. A., & Röfer, T. (2007). Dialog-Based 3D-
Image Recognition Using a Domain Ontology. Lecture Notes in Computer Science,
4387, 107–126. doi:10.1007/978-3-540-75666-8_7
26
Intelligent Autonomous Systems - ProbCog Toolbox. (2013). Retrieved March 21,
2014, from http://ias.in.tum. de/software/probcog
Jain, D. (2011). Knowledge engineering with markov logic networks: A review.
DKB 2011: Proceedings of the Third Workshop on Dynamics of Knowledge and
Belief.
Jain, D., Waldherr, S., & Beetz, M. (2009). Bayesian logic networks.
Technical report, IAS Group, Fakultät für Informatik. Technische Universität
München.
Kok, S., & Domingos, P. (2005). Learning the structure of Markov logic
networks. Proceedings of the 22Nd International Conference on Machine Learning.
(p. 441-448). doi:10.1145/1102351.1102407
Koller, D., & Friedman, N. (2009). Probabilistic Graphical Models:
Principles and Tecniques. MIT Press.
Laskey, K. B. (2008). MEBN: A language for first-order Bayesian knowledge
bases. Artificial Intelligence, 172(2-3), 140–178. doi:10.1016/j.artint.2007.09.006
Lenat, D. B. (1995). CYC: A large-scale investment in knowledge
infrastructure. Communications of the ACM, 38(11), 33–38.
doi:10.1145/219717.219745
Lukasiewicz, T. (2008). Expressive probabilistic description logics. Artificial
Intelligence, 172(6-7), 852–883. doi:10.1016/j.artint.2007.10.017
Ong, S. C. W., & Hsu, D.Shao Wei Png; Wee Sun Lee. (2010). Planning under
Uncertainty for Robotic Tasks with Mixed Observability. The International Journal
of Robotics Research, 29(8), 1053–1068. doi:10.1177/0278364910369861
Papadimitriou, C. H., & Tsitsiklis, J. N. (1987). The Complexity of Markov
Decision Processes. Mathematics of Operations Research, 12(3), 441–450.
doi:10.1287/moor.12.3.441
Poon, H., & Domingos, P. (2006). Sound and efficient inference with probabilistic
and deterministic dependencies, In: Proceedings of the Twenty-First National
Conference on Artificial Intelligence. (pp.458–463).
Richardson, M., & Domingos, P. (2006). Markov logic networks. Machine
Learning, 62(1-2), 107–136. doi:10.1007/s10994-006-5833-1
Singla, P., & Domingos, P. (2005). Discriminative training of Markov logic
networks, Proceedings of the 20th National Conference on Artificial Intelligence, Vol.
2, (pp.868–873).
Tenorth, M., & Beetz, M. (2009). KNOWROB — knowledge processing for
autonomous personal robots. In 2009 IEEE/RSJ International Conference on
Intelligent Robots and Systems (pp. 4261–4266). doi:10.1109/ IROS.2009.5354602
Tenorth, M. Kunze, L., Jain, D., & Beetz, M. (2010). KNOWROB-MAP -
knowledge-linked semantic object maps. In 2010 10th IEEE-RAS International
Conference on Humanoid Robots (pp. 430–435). IEEE.
Theobalt, C., Bos, J., Chapman, T., Espinosa-Romero, A., Fraser, M., Hayes,
G., & Reeve, R. et al. (2002). Talking to Godot: dialogue with a mobile robot. In
IEEE/RSJ International Conference on Intelligent Robots and System: Vol. 2, (pp.
1338–1343). doi:10.1109/IRDS.2002.1043940