deductive and practical reasoning agents...eine intention ist beim practical reasoning eine absicht...

1

Geistes-, Sozial-, Technik- und Naturwissenschaften – gemeinsam unter einem Dach

Deductive and Practical Reasoning Agents

Seminar: Agentensysteme SS10

Veranstalter: Alexa Breuing, Julia Tolksdorf

Datum: 05.04.2010

Vortragende: Andreas Berstermann und Sebastian Wiesendahl

2


Deductive Reasoning AgentsVon: Andreas Berstermann

3


Inhalt

• Definitionen• Deductive Reasoning Agent• Agent als Theorembeweiser

Staubsaugerroboter

• Agent-Oriented ProgrammingAgent0

• Concurrent MetateM

4


Definitionen

DeduktionSchlussfolgerung vom Allgemeinen auf das Besondere

Schlussfolgern („reasoning“):bezeichnet kognitive Prozesse, mit denen aus vorhandenem Wissen neues Wissen gewonnen wird

5


Beispiel eines Deductive Reasoning Agents

Ein Roboteragent, der durch ein Bürogebäude navigieren soll

Eine Möglichkeit dies zu Implementieren:• eine Repräsentation seiner Umgebung

6


Probleme des deduktiven Schließen

Das Transduktionsproblem: Übersetzung von der realen Welt in eine präzise,adäquate und symbolische Beschreibung

Das Repräsentations-/Begründungsproblem: Problem, die Welt so zu repräsentieren, dass er in ihr schlussfolgern und sie manipulieren kann

7


Agenten als Theorembeweiser

• Interner Zustand als Datenbank von PL1 Formeln

• die Eigenschaften der Umgebung einfach zu repräsentieren

• Datenbank ist analog zum Glauben des Menschen

• Datenbank kann fehlerhaft sein

8


Beispiel der Formeln

Open (valve221)

Temperature (reactor4726, 321)

Preasure (tank776, 28)

9


Definition der Regeln

L Menge der Formeln der Prädikatenlogik 1. Stufe

D= 2^L Menge von L Datenbanken

DB, DB1, … Elemente von D

ρ Menge von Deduktionsregeln

DB ├ρ φ: Formel wird geschrieben, wenn φ nur mit den Ableitungsregeln ρ bewiesen werden kann

10


Die bekannten Funktionen

see: S → Per

next: D x Per → D

action: D → Ac

11


Aktionsauswahl als Theorembeweis

12


Staubsaugeroboter [Russell and Norvig,1995]

13


Funktionen

Aktionen: - Vorwärts (nur einen Schritt) - Drehen (um 90 nach rechts) - Saugen

Austattung: - Sensor(dirt oder null) - Staubsauger

14


Funktionen

Hauptprädikate:In(x,y) Position des Agenten (x,y)Dirt(x,y) Position des Schmutzes (x,y)Facing(d) Der Agent schaut in Richtung d

next-Funktion:• Für wahrgenommene Informationen wird eine neue Datenbank erstellt• alte oder irrelevante Informationen werden gelöscht• die neue Position und Ausrichtung muss herausgefunden werden

15


Next Funktion

Beschreibung alter Informationen:old(DB) = {P(t1, ..., tn) | P {In, Dirt, Facing} and P (t1, …, tn) DB }∈ ∈

Hinzufügen der Menge der neuen Prädikate:new:D x Per → D

next (Db, ρ) = (DB\old (DB)) U (new (DB, ρ)

16


Deduktionsregeln

φ(...) → ψ(...):Wenn φ mit Datenbank matcht kann daraus auf ψ geschlossen werden

Reingungsfunktion höchste Priorität:In (x,y) ^ Dirt(x,y) → Do (suck)

17


Regeln zum Bewegen

In (0,0)^Facing (north) ^ ￢ Dirt(0,0) → Do(forward)

In (0,1)^Facing (north) ^ ￢Dirt(0,1) → Do(forward)

In (0,2)^Facing (north) ^ ￢Dirt(0,2) → Do(turn)

In (0,2)^Facing (east) → Do(forward)

18


Agent-Oriented Programming (AOP)

• Entwickelt von [Shoham,1993]

• Eigenschaften durch mentale Vorstellungen zu repräsentieren

• Idee dahinter: menschenähnliche Eigenschaften zu verwenden

19


Agent0

Erste Implementierung von AOP´s

Spezifikation:Menge von Fähigkeiten (capabilities)

Menge von Anfangsüberzeugungen (initial beliefs)

Menge von Anfangsverpflichtungen (Initial commitments)

Menge von Verpflichtungsregeln (commitment rules)

20


Verpflichtungsregeln

• Nachrichtenzustand

• mentaler Zustand

• Aktionen

21


Nachrichtenzustand

Drei Typen:

request oder unrequest: zum Durchführen oder Unterlassen von Aktionen

Inform: um Informationen weiterzuleiten

22


Schleife eines AGENT0

1)Lese: aktuelle Nachrichten aktualisierte Annahmen daraus folgenden Verpflichtungen

2) Führe alle Verpflichtungen, bei dem der Fähigkeitszustand zutrifft aus

3) GOTO 1)

23


Concurrent MetateM [Fisher, 1994]

direkte Ausführung von logischen Formeln

Systembeschreibung:• enthält große Anzahl von gleichzeitig agierenden Agenten

• Kommunikation über Rundmeldungen

• Verhalten wird durch „temporal logic“ programmiert

24


Concurrente MetateM Agenten

Schnittstelle: Definiert, wie er mit seiner Umgebung interagieren kann

Computational Engine: Definiert die Berechnungsvorschrift

25


Schnittstelle

• Eindeutige Agent ID

• Menge der akzeptierten Nachrichten (envirement propositions)

• Menge der Sendemöglichkeiten (component propositions)

26


Beispiel für eine Schnittstelle

stack (pop,push) [popped, full]

stack AgentenID

{pop,push} Menge der envirement propositions

{popped,full} Menge der component propositions

27


Propositional MetateM Logic (PML)

28


Beispiel einer PML

□important (Agents)

Jetzt und in Zukunft werden Agenten wichtig sein

29


Zyklus

1) Aktualisieren der Historie durch Nachrichtenempfang

2) Vergleich mit “feuernden“ Regeln

3) Neue Konsequenzen und alte Verpflichtungen zusammenbringen Unter diesen Bedingungen den nächsten Zustand erzeugen

4) GOTO 1)

30


Beispiel eines Durchlaufes

31


Fragen und Diskussion

• Was versteht man unter Deduktion?

• (not(friends(us)) U aplogize (you) Zu was wird es nach der PML?

• Welche Bestandteile besitzt ein Agent in Concurrent MetateM?

• Welcher Idee steckt hinter AGENT0?

32


Mindmap

33


Practical Reasoning AgentsVon: Sebastian Wiesendahl

34


Inhalt

• Practical Reasoning

• Intentions - Deliberation

• Means-Ends Reasoning - Planungsstrategie

• Implementierung eines Practical Reasoning Agents

• Procedural Reasoning System

35


Practical Reasoning vs. Theoretical Reasoning

Practical Reasoning

Wirkt auf Umwelt(actions)

Theorectical Reasoning

Wirkt auf Überzeugungen(beliefs)

36


Definition:Das praktisch-logische Denken ist die Sache vom Abwägen miteinander konkurrierender Überlegungen für oder gegen im Wettbewerb stehende Möglichkeiten, wobei die relevanten Überlegungen durch Wünsche/Bewertungen/Bemühungen und dem was der Agent glaubt bzw. wahrnimmt geliefert werden.

[Bratman,1990,p.17]

Practical Reasoning

37


Practical Reasoning

Deliberation(Überlegung)

Was möchte ich erreichen?

Means-Ends-Reasoning(Mittel-Zweck-Planung)

Wie möchte ich dieses Ziel Erreichen?

Practical Reasoning besteht aus:

38


Practical Reasoning

Ablauf:

• Aktueller Zustand (state of affairs)

• Mittel-Zweck-Planung (means-ends-reasoning)

• Plan

● Ausführung (execution)

39


Practical Reasoning

Rahmenbedingung:

Deliberation & Means-Ends-Reasoning sind berechenbare Prozesse:

• Berechnungsdauer

• Terminierender Algorithmus

40


Inhalt






41


Intentions

Zusammenfassung:Eine Intention ist beim Practical Reasoning eine Absicht auf einen zu erreichenden Zustand, die solange besteht bis das Ziel erreicht ist, unmöglich oder kein Grund mehr vorliegt diese Absicht weiter zu verfolgen.

42


Intentions

Rollen der Intentions beim Practical Reasoning:

• zielen auf Means-Ends Reasoning ab (pro-attitudes, action)

• bleiben bestehen (Persistenz, try again)

• beschränken zukünftige Deliberation (Einklang mit aktuellen Zielen)

• stehen mit Beliefs der Zukunft eng in Beziehung (Glaube an die Erfüllung des Ziels)

43


Intentions

Deliberation Modellierung:

Optionen-generieren-Funktion:

Filterfunktion:

Aktualisierungfunktion(belief revision function):

Annahme:Der Agent hat eine Form der Repräsentation über beliefs, desires und intentions.z.B.:

Symbolische Repräsentation

(PL1)

= Menge aller Beliefs

= Menge aller Absichten

= Menge aller Desires

= Wahrnehmung (Percept)

options : 2Bel × 2Int 2Des

filter : 2Bel × 2Des × 2Int 2Int

brf : 2Bel × Per 2Bel

BelIntDesPer

44


Inhalt






45


Means-Ends Reasoning / Planning

Zusammenfassung:Means-Ends-Reasoning (Mittel-Zweck-Planung) ist der Prozess des bestimmen eines Ablaufs von Aktionen, wie man ein Ziel unter Berücksichtigung der zur Verfügung stehenden Mittel erreicht.

46



Planungsproblem

•

•

•

Aktion :⟨P , D , A⟩

Planungsproblem : ⟨ ,O ,⟩

Plan :=1, ... ,n , i∈Ac

Annotationen:

Aktion

= Menge der Vorbedingungen

= Menge der Neg. Nachbed.

= Menge der Pos. Nachbed.

= Menge mögl. Aktionen

Planungsproblem

= Startzustand

= Zielzustand

= Indizierte Menge von Aktionen

P

D

A

O

Ac

O = { ⟨P , D , A⟩ ∣ ∈Ac}

47



und→ Abfolge von Zuständen:

Plan• Akzeptabel:

• Korrekt:

Planungsproblem : ⟨ ,O ,⟩ Plan :=1, ... ,n , i∈Ac

0 ,1 , ... ,n wobei0 = und

i = i−1∖Di∪Ai

für 1≤i≤n

i−1 |= Pifür alle 1≤i≤n

n |= a |= bb erfüllt a

48



Planner Algorithmus:

1. goal/intention/task

2. enviroment state/beliefs

3. possible actions

planner Plan / Rezept

Input Output

plan : 2Bel × 2Int × 2Ac Plan= Menge alle Zustände= Menge aller Ziele= Menge mögl. Aktionen

BelIntAc

49



STRIPS (Ende 1960)Erste echte Implementation eines Planning-Algorithmus.

•Beliefs in PL1:{Clear(A), On(A,B), OnTable(B) , OnTable(C), Clear(C)}

•Goals in PL1:{OnTable(A), OnTable(B), OnTable(C)}

Current state

Goal state

50



Actions in STRIPS:

• Name• und evtl Argumente.

• Precondition list• Fakten, die wahr sein müssen.

• Delete list• Fakten, die nach der Aktion ungültig werden.

• Add list• Fakten, die nach der Aktion nun wahr sind.

Beispiele:

Stack(A,B)pre {Clear(B), Holding(A)}del {Clear(B), Holding(A)}add {ArmEmpty, On(A,B)}

Unstack(x,y)pre {On(x,y), Clear(x), ArmEmpty}del {On(x,y), ArmEmpty}add {Holding(x), Clear(y)}

51


Inhalt



• Means-Ends Reasoning / Planungsstrategie



52


Practical Reasoning Agent - Implementierung

Control Structure:• Practical Reasoning (5-8):

•Input (→ aktueller Zustand)

•Deliberation

•Means-Ends-Reasoning

•Commitment strategies - Ziele (9-22):•Blind commitment (fanatical)

•Single-minded-commitment

•Open-minded-commitment

53


Practical Reasoning Agent - Implementierung

•Meta-Level-Control (16-19):commitment vs. reconsideration

54


Inhalt



• Means-Ends Reasoning / Planungsstrategie



55


Procedural Reasoning System

beliefs

interpreter

plan library

intentionsdesires

data input from sensors

action output

enthält auch das BDI-

Paradigma (beliefs-desire-

intention)

[Kinny and Georgeff, 1991]

Agent

56


Procedural Reasoning System

Jam (Blocks World):• Zwischenziele moglich

• Intention Stack

PRS-Komponenten

• Goal (postcondition)

• Context (precondition)

• Body (plan)Plan: {NAME: “Stack blocks that are already clear”GOAL: ACHIEVE ON $OBJ1 $OBJ2;CONTEXT:BODY: ACHIEVE CLEAR $OBJ1;

ACHIEVE CLEAR $OBJ2;ACHIEVE move $OBJ1 $OBJ2;

UTILITY: 10;FAILURE:EXECUTE print “\n\nStack blocks failed!\n\n”;

}

57


Mögliche Klausurfragen

• Aus welchen Elementen setzt sich Practical-Reasoning zusammen?

• Durch welche Funktionen kann man einen Deliberations-Prozess erzielen? Wie findet man Intentions?

• Welche Commitment-Strategien gibt es?

• Welche Eigenschaften haben Pläne aus dem Jam „Blocks World“ Beispiel? Wozu dienen diese Eigenschaften?

58


Diskussion - Fragestellungen

• In welchen Fällen findet Practical Reasoning Anwendung?

• Wann werden ergriffene Intentions irrelevant und wie bekommt der Agent dies mit?

• In welcher Situation wird ein Agent seiner Aufgabe nicht mehr gerecht? Wobei kann er scheitern?

59


Mindmap

deductive and practical reasoning agents...eine intention ist beim practical reasoning eine absicht...

Documents