Informatyka Systemów Autonomicznych

Transkrypt

1 Waldemar Rokita Wrocław, dnia r. Czwartek Informatyka Systemów Autonomicznych Systemy autonomiczne wykorzystujące reprezentację BDI (Believe, Desire, Intention) prow: dr inż. Marek Piasecki I WSTĘP... 2 II MODEL SYSTEMU I OTOCZENIA... 2 III CECHY AGENTA... 3 IV MODEL DMARS... 3 V ARCHITEKTURA JAM... 4 VI MOTYWACJA... 6 VII SZTUCZNE EMOCJE... 7 IX ZASTOSOWANIE... 8 X BIBLIOGRAFIA... 8 ISA Systemy autonomiczne wykorzystujące reprezentację BDI Strona 1

2 I Wstęp Model BDI (Belief, Desire, Intention) jest oparty na teorii Bratmana (Bratman 1987). Istnieją liczne implementacje oparte na architekturze BDI takie jak PRS (Ingrand i Georgeff 1989) i JACK, które są używane do zarówno akademickich jak i przemysłowych celów. Ważnym aspektem BDI jest reagowanie na problemy zanim te problemy staną się już nieaktualne. To sprawia, że są przydatne dla wielu złożonych i dynamicznych środowisk, takich jak Bezzałogowe pojazdy Autonomiczne (UAV) oraz zarządzanie ruchem lotniczym, ze względu na ich zdolność dobrego radzenia sobie ze zmianami, dokonywania korekt. Są one również bardzo szybkie i dlatego dobrze nadają się do systemów, które muszą działać w czasie rzeczywistym, lub w czasie zbliżonym do rzeczywistego środowiska. Jednakże, nie istnieją żadne ogólne mechanizmy systemów BDI do wszelkiego rodzaju zapobiegania, czy planowanie. W niektórych sytuacjach jest to bardzo pożądane. Opisując architekturę BDI można użyć dwóch pojęć: cele i rozwiązania. Rozwiązania do osiągnięcia celów przechowywane są w bibliotece i są one przewidziane przez programistę. Gdy agent ma cel do osiągnięcia, to szuka i przegląda te rozwiązania, które mogą osiągnąć cel w obecnym stanie świata. Jeżeli znajdzie odpowiednie rozwiązanie, jest ono wykonywane. Jeśli nie, w trakcie realizacji, agent szuka innego odpowiedniego rozwiązania do osiągnięcia celu. Cel się nie powiedzie, jeśli żadna z jego receptury nie może być wykonana do zakończenia, lub jeżeli żadne z nich nie nadaje się do obecnego stanu świata. W osiągnięciu celu, agent zazwyczaj realizuje szereg kroków, lub podzadań. W niektórych sytuacjach istnieje kilka opcji (receptur) na każdym kroku, ale dla danego celu, tylko niektóre kombinacje wyborów doprowadzą do sukcesu. Jednakże nie zawsze łatwym jest wybranie odpowiedniego rozwiązania, bazując tylko na obecnym stanie wiedzy na temat otoczenia. II Model systemu i otoczenia Systemy wieloagentowe są wykorzystywane w dynamicznych środowiskach, o wielu zmiennych, gdzie niemożliwe jest przewidzenie wszystkich mozliwości i ważne jest, aby system działał w sytuacji niepewności lub braku części danych. Model takiego środowiska można przedstawić na przykładzie systemu kontroli lotów, którego charakterystykę można przedstawić następująco: 1. istnieje nieskończona ilość możliwości zmiany środowiska systemu, 2. istnieje wiele akcji, które system może zarządzić, 3. istnieje wiele celów, które system stara się osiągnąć, przy czym nie wszystkie mogą być równocześnie osiągalne, 4. akcje, które w najlepszy sposób realizują cele zależą od stanu środowiska, a nie od stanu systemu, ISA Systemy autonomiczne wykorzystujące reprezentację BDI Strona 2

3 5.środowisko może być badane jedynie lokalnie, zbadanie stanu środowiska wymaga wielu pomiarów, 6. obliczenia oraz podejmowane akcje wykonywane są w skończonym czasie, przy czym istnieje możliwość zmiany stanu środowiska podczas wykonywania operacji przez system. III Cechy agenta Przekonania (Belief) Biorąc pod uwagę cechę (4) ważne jest, aby system miał w miarę bieżącą informację o stanie otoczenia, jednak biorąc pod uwagę cechy (1) oraz (5) niezbędnym staje się komponent odpowiedzialny za przechowywanie informacji. Może to być grupa zmiennych, baza danych lub inna struktura, a komponent ten jest nazywany Przekonaniami agenta. Należy zauważyć, iż odróżnia się Wiedzę od Przekonań. Te drugie określają jedynie prawdopodobny stan otoczenia, gdyż w trakcie, lub niedługo po przeprowadzonych pomiarach środowisko systemu mogło ulec zmianie. Cele (Desire) Są to pożądane stany, lub funkcje jakie powinien pełnić system. Biorąc pod uwagę cechę (3) oraz (4) istotne jest, aby system miał informację na temat priorytetów oraz opłacalności osiągnięcia poszczególnych celów. Przy czym cele rozumiane w ten sposób różnią się od celów w ujęciu np.: literatury dotyczącej AI tym, iż może być ich wiele i mogą się wzajemnie wykluczać. Z biegiem czasu cele mogą być porzucane, jeśli zostaną osiągnięte, lub jeśli okaże się,iż są niemożliwe do osiągnięcia. Intencje (Intentions) Reprezentują one działania agentów, czyli wybrane na podstawie przekonań akcje mające za zadanie umożliwienie osiągnięcia celów. Biorąc pod uwagę cechę (6) należy zauważyć, że raz powzięte akcje mogą okazać się błędne wskutek zmian w otoczeniu, które zaszły w trakcie lub po podjęciu decyzji. Prowadzi to do wniosku, iż system powinien mieć możliwość ponownego podjęcia decyzji na podstawie nowych przekonań. W przypadku zmiennego otoczenia mogło by to jednak powodować zawieszanie się systemu, który przeprowadzał by proces podejmowania decyzji ciągle od nowa, wraz ze zmianą przekonań. Należy więc określić istotność zmian w otoczeniu, aby zmniejszyć ilość tych, które powodują konieczność przeprowadzenia procesu decyzyjnego od nowa. IV Model DMARS Model dmars składa się z blibliotek planów (plan library), funkcji wyboru intencji, funkcji wyboru zdarzenia, funkcji wyboru planu i funkcji wyboru podstawienia. Plany specyfikują ciągi akcji, które agent może wykonać w celu osiągnięcia swoich intencji. Plany zgrupowane są w bibliotece planów, reprezentującej wiedzę proceduralną. Każdy plan składa się z warunku wywołania, kontekstu, określającego warunki, w których określony plan może być wykonany oraz treści, definującej ciagi akcji elementarnych lub złożonych. ISA Systemy autonomiczne wykorzystujące reprezentację BDI Strona 3

4 Agent Mars monitoruje zarówno stan swiata zewnętrznego iak i swój stan wewnętrzny i umieszcza wszystkie odbierane zdarzenia w kolejce zdarzeń(event queue). Składnikami stany wewnętrznego agenta są przekonania, intencje oraz zdarzenia. Interpreter zarządza wszystkimi procesami, które są wykonywane w agencie. Działa on w sposób ciągły wg następującego cyklu: - obserwuje stan świata oraz stan wewnętrzny agenta i aktualizuje kolejkę zdarzeń - generuje możliwe nowe zadania wyszukując te plany, których warunki wywołania pokrywają sięz zdarzeniami w kolejce - wybranie ze zbioru możliwych planów jeden plan do wykonania - umieszcza plan na stosie intencji -wybiera stos intencji, pobiera plan z jego wierzchołka i wykonuje następny jego krok. V Architektura JAM Hybrydowa architektura agencka JAM należy do grona najnowszych architektur opartych na paradygmacie BDI. Architektura ta łączy w sobie elementy formalnych modeli BDI i specyfikacji systemów PRS w tym głównie UMPRS. Posiada ona także rozszerzenia proceduralne zaczerpnięte z semantyki obwodów strukturalnych (ang. Structured Circuit Semantics SCS) oraz języka Act. ISA Systemy autonomiczne wykorzystujące reprezentację BDI Strona 4

5 Agent JAM składa się z (patrz rys.2): modelu świata (ang. world model), biblioteki planów, interpretera, struktury intencji (ang. intention structure) oraz obserwatora (ang. observer). Model świata zawiera fakty w postaci relacja-argument (np. zmienne stanu, wyniki wnioskowania, dane sensoryczne, komunikaty), reprezentujące bieżący stan świata, znany przez agenta. Plany agenta zawierają proceduralną specyfikację sposobu osiągnięcia określonych celów, reagowania na określone zdarzenia lub wykazywania przez agenta pewnego zachowania. Pojedynczy plan definiowany jest m.in. przez cel, warunki początkowe, kontekst, ciało i użyteczność. Interpreter główny mechanizm wnioskujący jest odpowiedzialny za wybór i wykonywanie planów w oparciu o intencje, plany, cele i przekonania dotyczące bieżącego stanu świata. Sprzężona z interpreterem struktura intencji jest stosem gromadzącym cele (z przypisanymi planami i bez). Wszystkie plany, które pasują do danego celu i aktualnego stanu świata umieszczane są na liście stosowalnych planów (ang. Applicable Plan List APL) i mają nadawane wartości użyteczności (ang. utility). Plan o największej użyteczności wybierany jest przez interpreter jako intencja na rzecz danego celu, i wykonywany. Zauważmy, że taka maksymalizacja użyteczności jest zgodna z założeniami racjonalnego działania. Cele agenta JAM mogą być trojakiego rodzaju: cel do osiągnięcia (ang. ACHIEVE goal), wykonywanie (ang. PERFORM goal), cel do utrzymania (ang. MAINTAIN goal). Obserwator jest składnikiem odpowiedzialnym za śledzenie i odbieranie asynchronicznych zdarzeń w otoczeniu (np. przesłanych komunikatów). Architektura JAM umożliwia zapis stanu agenta i jego odtworzenie (ang. checkpointing), np. w przypadku awarii. Dodatkowo, w skład architektury wchodzi funkcja agentgo (język Java) umożliwiająca konstruowanie agentów mobilnych. Obecnie firma Orincon Co. pracuje nad środowiskiem Agent Workbench do budowy agentów JAM. Można stwierdzić, że architektura JAM jest w dużej mierze zgodna z założeniami teorii Cohena i Levesque, dobrze odzwierciedlając pojęcia celu do osiągnięcia oraz celu trwałego i umożliwiając implementację celu oraz intencji warunkowej. Godny uwagi jest, zgodny z propozycją Singha, mechanizm wyboru planów w oparciu o funkcję użyteczności. Brakuje natomiast algorytmów dynamicznego tworzenia planów, mechanizmów uczenia się i formalnej ISA Systemy autonomiczne wykorzystujące reprezentację BDI Strona 5

6 specyfikacji architektury. Jednak dzięki dużej zgodności z teoriami formalnymi, silnej semantyce celów, bogatej reprezentacji proceduralnej, możliwościom meta-wnioskowania i mobilności agentów, JAM stanowi udaną realizację paradygmatu BDI. VI MOTYWACJA Architektura BDI okazała się bardzo udana, jak można zauważyć od liczby firm, które go wprowadziły 1. Jednak są podstawy do tego, że architekturę tą można jeszcze bardziej ulepszyć, tak aby sprostała ona nowej generacji problemów charakteryzujących się wysokim poziomem nieprzewidywalności, złożoności i dynamiki. Na początku prześledźmy główne zalety architektury BDI: Silne korzenie filozoficzne: BDI Architektura powstała przez Bratmana by ustanowić właściwą równowagę pomiędzy reakcją i procesem podejmowania decyzji. Obydwie koncepcje filozoficzne są powszechnie akceptowane i również naturalny sposób opisu zachowania czynników, które należy wykazywać wyłącznie poprzez korzystanie z następujących stanów: (Beliefs)przekonań, (Desires)pragnień i (Intentions)intencji. Dlatego rozwój agentów BDI jest możliwe albo przez zaprogramowania przez ekspertów informatycznych lub ekspertów domeny, w której BDI agenci będą działać. Elegancki logiczny formalizm: Innym atrakcyjnym aspektem związanym z architekturą BDI to zestaw logicznych frameworków wyłącznie opracowanych dla agentów BDI i które również stanowią ważne wskazówki w kierunku prawidłowego rozwoju oprogramowania. Najbardziej znane frameworki Rao i Georgeff's BDICTL? i ramy KARO Woek 2. Implementacja: architektura BDI została wykorzystana do oprogramowania systemów w sferze akademickiej i w rzeczywistym świecie oprogramowania. W sferze akademickich badań, zostały opracowane języki programowania które ucieleśniają model BDI, a tym samym zmniejszają kwota doraźnych kodowań, takich jak PRS, dmars, AgentSpeak i 3APL. Również w sferze akademickich badań istnieje znaczny zbiór agenckich frameworków, które stanowią zestaw narzędzi do łatwiejszego i spójnego rozwoju agentów BDI. Dobrze znane i stosowane są frameworki Jack, Jadex BDI Agent System i Jason. W świecie rzeczywistym architektura BDI została wykorzystana z wilekim sukcesem. Najważniejszym zastosowaniem tej architektury jest Georgeff dla projektu diagnozowania usterek w systemie kontroli w Shuttle Discovery, chociaż istnieją inne przyukłady działania 3. Zajmijmy się teraz analizą głównych problemów związanych z korzystaniem z architektury BDI dla rozwoju systemów zorientowanych agentowo. Brak informacji na temat granic zasobów: architektura BDI wykorzystuje tylko konkretne role Intentions do kontroli problemu działając na podstawie ograniczonych zasobów. W naszego punktu widzenia nie wydaje się to wystarczające. Dzisiejsze problemy charakteryzują stale rosnąca złożoność i nieprzewidywalność. Modelowi BDI brakuje wyraźnej wewnętrznej reprezentacji środków które agent może wykorzystać na w celu podjęcia decyzji, która jest 1 NASA, Linie lotnicze w Australii. 2 W. van der Hoek and M. Wooldridge, Towards a logic of rational agency. Logic Journal of the IGPL, vol. 11, no. 2, pp , Sterowanie ruchem powietrznym w Australii ISA Systemy autonomiczne wykorzystujące reprezentację BDI Strona 6

7 najlepszym działającym(dostępnym) sposobem w jego środowisku bez niepotrzebnego narażania przyszłych działań, a także jej ogólnej wydajności. Ponowne podjęcie decyzji przez agentów: Ten problem jest konsekwencją tego, że istnieje związek między zmianami środowiska oraz częstotliwością ponownego podjęcia decyzji przez agentów BDI. Ponieważ częstotliwość zmian środowiska może być duża, agenci BDI muszą mieć określone z góry te parametry, które można pominąć.. Dlatego też przyjmuje się, że zarówno podejmowanie decyzji i narzędzi używanych w nich powinny być dynamiczne i na tyle adaptacyjne do zmian w środowisku, jak to tylko możliwe. Brak stanowiska innych ludzi: Opis podmiotów i przewidywanie ich zachowania wg zasady Dennet's International Stance nie ogranicza się do korzystania z przekonań, pragnień i intencji. Pomimo faktu, że te psychiczne stany są wystarczająco elastyczne dla agentów modelu BDI do działania w szerokim zakresie scenariuszy, istnieją przypadki, w których korzystanie z innych stanów psychicznych byłoby właściwe. Wykorzystanie innych psychicznych stanów zapewniłoby naukowcom i ekspertom w stworzeniu nowej struktury do implementacji systemów agendowych i nowych pomysłów do wdrożenia bardziej wyrafinowanych modelów agentów BDI. Porównując Plusy i minusy z powyższych akapitów stwierdzić można, że architektura BDI jest nadal cenną koncepcją do rozwoju oprogramowania. Jednak architektura ta cierpi z powodu problemów, które są ignorowane. Najwłaściwszym była by próba korzystania przez agentów z dokładnych i specjalistycznych komponentów, zarówno dla ich ponownego wykorzystania w procesach, jak i we wszystkich funkcjach, które są częścią architektury do przetwarzania cyklu. Wooldridge również osiągnął podobne wnioski kilka lat temu [3], kiedy zaproponował rozwój wyspecjalizowanych heurystyk do radzenia sobie z problemami napotkanymi w architekturze BDI. VII Sztuczne emocje Wykorzystanie sztucznych emocje w architekturze BDI nie jest nowa 4. Jednak pomysł ich wykorzystania jako mechanizmów kontroli środków dla agentów działających na ich środowisko jest nowy. Z zestawu trzech słabości w architektura BDI tylko jedna nie jest w pełni zależna od dodatkowej nowej koncepcji w zakresie architektury: brak innych stanów psychicznych i można to rozwiązać przy użyciu tego samego podejścia co stosowane przy podejmowaniu decyzji wg przekonań, pragnień i planów (BDI), które stanowią podstawy architektury BDI. Innymi słowy, możemy korzystać z Intentional Stance 5 i dodać zdroworozsądkowe definicje nowych psychicznych stanów, takich jak emocje, i ich wpływ na architekturę BDI poprzez zdroworozsądkowe zrozumienia sposobu, w jaki wpływa pozytywne rozumowanie wykonywane przez ludzi. Na przykład, możemy zdefiniować nowe pojęcia takie jak strach który jest jak informacyjna struktura danych, która raportuje sytuacje, które agent powinien unikać. Problemy związane z brakiem informacji na temat granic zasobów i problem z ponownym podjęciem decyzji przez agentów wymaga ponownego bardziej wyrafinowane 4 [14] L. Padgham and G. Taylor, A system for modelling agents having emotion and personality. in PRICAI Workshop on Intelligent Agent Systems, ser. Lecture Notes in Computer Science, L. Cavedon, A. S. Rao, and W. Wobcke, Eds., vol Springer, 1996, pp D. C. Dennett, The Intentional Stance. MITP, ISA Systemy autonomiczne wykorzystujące reprezentację BDI Strona 7

8 podejście w zakresie wykorzystania Artificial Emotions, mapując sposób w jaki są aktywowane i jakiego rodzaju plany działania uruchamiają. Rozważmy na przykład problem ilości i częstotliwości ponownego podejmowania decyzji przez agenta, gdy stoi w obliczu zagrożenia. Wydaje się możliwe do przyjęcia, zamiast uciekania, powinno się stosować maksymalne zasoby i przydzielić je do najlepszych algorytmów jakie są dostępne, a więc znalezienie najlepszego rozwiązania pozwalającego na uniknięcie zagrożenia. W rzeczywistości jest to rola przykuwająca uwagę na znaczny wpływ emocji w działaniu ludzi. Jeśli agent działa na zasadach podobnych do poprzedniego, powtórny dynamiczny proces może stać się dynamiczny i adaptacyjny, zatem agent będzie lepiej odpowiadać na zmiany zachodzące w środowisku. IX Zastosowanie OASIS - jest to wieloagentowy system kontroli lotów lotniska w Sydney, gdize każdemu samolotowi przyporządkowany jest jeden agent. Podejmuje on decyzję w zależności od od takich parametrów jak prędkość samolotu, ilość paliwa, oraz danych otoczenia jak pogoda, prędkość wiatru, etc. System posiada dodatkowo kilka agentów globalnych odpowiadających za całościową obsługę lotniska. RCS system wykorzystany w agencji NASA w wahadłowcach. System ten odpowiada za poprawne położenie wahadłowca. X Bibliografia ISA Systemy autonomiczne wykorzystujące reprezentację BDI Strona 8