Sistemi per il Governo dei Robot
Silvia Rossi - Lezione 21
Architectures: 3 Styles
• Managerial (division of responsibilities looks like in business)
– AuRA, SFX
• State Hierarchies (strictly by time scope or “state”)
– 3T
• Model-Oriented (models serve as virtual sensors)
– Saphira, TCA
State Hierarchy Architectures
•
How does the architecture distinguish between reaction and deliberation?
– Deliberation: requires PAST or FUTURE knowledge
– Reaction: behaviors are purely reflexive and have only local, behavior specific; require only PRESENT
•
How does it organize responsibilities in the deliberative portion?
– By internal temporal state
• PRESENT (controller)
• PAST (sequencer)
• FUTURE (planner) – By speed of execution
•
How does overall behavior emerge?
– From generation and monitoring of a sequence of behaviors – assemblages of behaviors called skills
– subsumption
3T Architecture
• Used extensively at NASA
• Merging of subsumption
variation (Gat, Bonasso), RAPs (Firby), and vision (Kortenkamp)
• Has 3 layers
– reactive
– deliberative
– in-between (reactive planning)
• Arranges by time
• Arranges by execution rate
– ex. vision in deliberation
DAVE KORTENKAMP, TRAC LABS (NASA JSC)
USED FOR PLANETARY ROVERS, ROBOT ASSISTANTS FOR ASTRONAUTS, UNDERWATER VEHICLES
REACTIVE ACTION PACKAGES
– A REACTIVE
PLANNER
USES RAPS TO SELECT BEHAVIORS (SKILLS), DEVELOP NETWORK OF
TASKS
SKILLS HAVE EVENTS THAT INDICATE THAN AN ACTION HAS HAD THE PRESENT
PAST AND PRESENT USES PAST AND
PRESENT TO PREDICT FUTURE
CARTOGRAPHER MISSION PLANNER
SEQUENCE R
BEHAVIOR MGR
PERFORMANC E
MONITOR
EMERGENT
BEHAVIOR
Architetture orientate al modello
Le architetture manageriali provengono
direttamente dal paradigma reattivo al quale i
progettisti hanno pensato di aggiungere maggiori
funzionalità cognitive.
Model-Oriented Architectures
• How does the architecture distinguish between reaction and deliberation?
– Deliberation: anything relating a behavior to a goal or objective
– Reaction: behaviors are “small control units” operating in present, but may use global knowledge as if it were a sensor (virtual sensor)
• How does it organize responsibilities in the deliberative portion?
– Behavioral component
– Model of the world and state of the robot
– throwback to Hierarchical Paradigm with global world model but virtual sensors – Deliberative functions
• How does overall behavior emerge?
– From generation and monitoring of a sequence of behaviors – voting or fuzzy logic for combination
Saphira Architecture
• Developed at SRI by
Konolige, Myers, Saffioti
• Comes with Pioneer robots
• Behaviors produce fuzzy outputs, fuzzy logic
combines them
• Has a global rep called a Local Perceptual Structure to filter noise
• Instead of RAPs, uses PRS-Lite
PROCEDURAL REASONING SYSTEM
La comunità di intelligenza artificiale, particolarmente lo STANFORD SRI, è stata, invece, favorevole ad
architetture top-down.
Un principio di queste architetture è che esse
concentrano la manipolazione simbolica intorno ad un modello globale del mondo.
Comunque, nonostante molte altre architetture ibride, che creano un modello globale del mondo in parallelo con specifici behavior sensoriali, questo modello
globale del mondo serve per fornire percezioni ai behavior (o behavior equivalenti).
In questo caso il modello globale del mondo serve
come un sensore virtuale.
L'uso di un singolo modello globale del mondo per percepire sembra essere un ritorno al paradigma
gerarchico e concettualmente lo è.
Comunque vi sono quattro differenze.
Prima il modello monolitico del mondo globale è meno ambizioso nello scopo, e più fortemente organizzato dei primi sistemi.
Il modello del mondo è spesso solo interessato a etichettare regioni del mondo percepito con
simboli del tipo: ingresso, porta, ufficio, etc.
Secondo: il processo percettivo è spesso fatto con processi distribuiti così che routine percettive
lente possono girare asincronamente rispetto a
routine più veloci e i behavior hanno accesso alle informazioni più recenti.
Terzo: gli errori nei sensori e le incertezze possono essere filtrate usando nel tempo la fusione
sensoriale. Questo può migliorare fortemente la performance del robot.
Quarto: l'aumento della velocità di elaborazione e
l'ottimizzazione dei compilatori hanno mitigato il
collo di bottiglia del calcolo.
Saphira and LPS
LOCAL PERCEPTUAL SPACE (THE WORLD MODEL)
SEQUENCER AGENT,
MISSION PLANNING,
PERFORMANCE MON.
CARTOGRAPHER
BEHAVIOR MGR
EMERGENT BEHAVIOR
FUSES BEHAVIORS WITH FUZZY LOGIC
La motivazione per l'architettura scaturisce dal fatto basilare che vi sono tre piani per un robot mobile di operare con successo in un mondo aperto: coordinazione, coerenza e
comunicazione.
Un robot deve coordinare i suoi attuatori e
sensori (come si è visto nel paradigma reattivo) ma esso deve anche coordinare i suoi obiettivi in un
certo periodo di tempo (questo non è tenuto in
conto dal paradigma reattivo).
Mentre la motivazione per la coordinazione è compatibile con la reattività, la coerenza è
un'esplicita rottura con il paradigma reattivo. La coerenza è essenzialmente l'abilità del robot di mantenere un modello del mondo globale,
essenziale per una buona performance
comportamentale e per l’interazione con l'uomo.
Infine la comunicazione è importante perché i
robot devono comunicare con l'uomo e con gli
altri robot. Questo introduce il problema di avere
quadri di riferimento comuni per la comunicazione.
Il cuore dell'architettura è la pianificazione, e
SAFIRA usa un tipo di pianificatore reattivo, detto PRS-LITE, per un sistema di ragionamento
procedurale.
PRS-LITE è capace di ricevere comandi vocali in linguaggio naturale dall'uomo e quindi renderli
operativi per compiti di navigazione e per le routine di riconoscimento percettivo.
La pianificazione e l'esecuzione si trovano nello
Spazio Percettivo Locale cioè il modello centrale
del mondo.
MOLTO
CHIARO CHIARO SCURO MOLTO
SCURO NANOMETRI
Λ
VICINO ABBASTANZA
VICINO LONTANO MOLTO
LONTANO CM
DISTANZE 10 20 30 40 50 60 70 80 90 100 110 120 130 140
MOLTO
CHIARO CHIARO SCURO MOLTO
SCURO
NANOMETRI
WEB CAM
700 600 500 400 300
SONAR
Symbol-Grounding Problem
• Computers (and AI) reasons using symbols
– Ex. “room”, “box,” “corner,” “door”
• Robots perceive raw data
• How to convert sensor readings to these
labels?
Spatial World Knowledge
• What do you see?
• How could a robot
reliably extract the
same labels?
Types of Knowledge (Arkin)
• Spatial World knowledge
• Object knowledge
• Perceptual knowledge
• Behavioral knowledge
• Ego knowledge
• Intentional knowledge
Task Control Architecture
• Developed by Reid Simmons
• Used extensively by CMU Field Robotics Projects
– NASA’s Nomad, Ambler, Dante
• Closest to Hierarchical in philosophy, but strong
reactive theme showing up in
implementation
TASK CONTROL ARCHITECTURE –
TCA
OPERATING SYSTEM FLAVOR
LOW-LEVEL TASKS ARE LIKE BEHAVIORS
EVIDENCE GRIDS (CH 11) – SENSOR INFO
PERCOLATES UP THROUGH THE GLOBAL MODEL
