Intelligente, Universelle Agenten. Michael Thielscher. Institut Künstliche Intelligenz

Transkript

1 Intelligente, Universelle Agenten Michael Thielscher Institut Künstliche Intelligenz

2 Intelligente Agenten Ein Agent nimmt seine Umgebung wahr (mittels Sensoren) agiert in seiner Umgebung (mittels Effektoren) Ein intelligenter Agent wählt stets die Aktion aus, die unter Berücksichtigung der vorangegangenen Wahrnehmungsfolge des in ihm gespeicherten Wissens die maximal zu erwartende Performanz liefert

3 Beispiele Eingebettete Agenten - Fahrerassistenzsysteme Softwareagenten - Suchagenten - persönliche Assistenzprogramme Autonome Systeme - mobile Roboter

4 Unsere Forschung Grundlagen Entwicklung und Untersuchung von Formalismen zur Wissensrepräsentation (Fluentkalkül) für intelligente Agenten selbst zur Beschreibung und Analyse (Verifikation) von Agenten (u. a. DFG-Projektverbund Logikbasierte Wissensrepräsentation ) Realisierungen Entwicklung von Programmiersprachen und Systemen (FLUX) für die Programmierung von intelligenten Agenten zur Analyse von Agenten Anwendungen Universelle Spielprogramme

5 Autonomie und universelle Agenten Ein System ist in dem Maße autonom, in dem sein Verhalten nicht fest vorprogrammiert ist. Ein universelles Spielprogramm versteht die Regeln eines beliebigen Spiels lernt völlig selbstständig, dieses Spiel gut zu spielen

6 Universelle Spielprogrammierung und Intelligente Agenten Agenten Spiele Wettbewerbssituation Zwei- und Mehrpersonenspiele offene Umgebung nichtdeterministisch, teilweise beobachtbar offenes Weltmodell Regeln teilweise unbekannt reale Welt Spielroboter

7 Einpersonenspiel, Deterministisch

8 Einpersonenspiel, Deterministisch

9 Zweipersonen-, Nullsummenspiel, Deterministisch

10 Zweipersonen-, Nullsummenspiel, Deterministisch

11 Zweipersonen-, Nullsummenspiel, Nichtdeterministisch

12 n-personenspiel, Deterministisch

13 n-personenspiel, unvollständige Informationen, Nichtdeterministisch

14 Forschungspyramide Lernen Suche und Planen Automatisiertes Schließen (Anwendungen der Regeln) Wissensrepräsentation (Formalisieren von Spielregeln)

15 Wissensrepräsentation

16 Jedes endliche Spiel kann als endlicher Automat modelliert werden Aber direkte Kodierung in der Praxis unmöglich Zustände ~ erlaubte Stellungen

17 Modulare Zustandsrepräsentation: Fluenten a b c d e f g h cell(x,y,c) X {a,...,h} Y {1,...,8} C {whiteking,...,blank} control(p) P {white,black}

18 Weitere Fluenten für Schach a b c d e f g h cancastle(p,s) P {white,black} S {kingsside,queensside} enpassant(c) C {a,...,h}

19 Aktionen a b c d e f g h move(u,v,x,y) U,X {a,...,h} V,Y {1,...,8} promote(x,y,p) X,Y {a,...,h} P {whitequeen,...}

20 Spielregeln (I) Spieler roles([white,black]) Anfangsposition init(cell(a,1,whiterook))... Gültige Züge legal(white,promote(x,y,p)) true(cell(x,7,whitepawn))...

21 Spielregeln (II) Zustandsaktualisierung next(cell(x,y,c)) <= does(p,move(u,v,x,y)) true(cell(u,v,c)) Spielende terminal <= checkmate stalemate Ergebnis goal(white,100) <= true(control(black)) checkmate goal(white, 50) <= stalemate

22 Spielmodell Ein n-personenspiel besteht aus folgenden Komponenten: S Zustände A 1,..., A n Zugmengen für jeden Spieler l 1,..., l n wobei l i A i S, gültige Züge u: S A 1... A n S Zustandsübergangsfunktion s 1 S Anfangszustand t S Endzustände g 1,... g n wobei g i S N, Zielrelation

23 Automatisiertes Schließen Spielbeschreibungen sind ein gutes Beispiel für Wissensrepräsentation mit formaler Logik. Automatisiertes Schließen über Aktionen ist notwendig um Erlaubte Züge zu bestimmen Nachfolgezustände auszurechnen Spielende festzustellen

24 Suche Einpersonenspiele = klassisches KI-Planen Minimax - Suchverfahren Methoden aus der Spieltheorie allgemeine Heuristiken zur Suchbaumbeschneidung

25 Lernen Erkennen von Strukturen Ordnungsrelationen, Spielfelder, Steine und Figuren,... Heuristiken Bewegungsfreiheit, Novität,... Erzeugung von Bewertungsfunktionen Teilziele erkennen (Figurengewinn), Abstandsmaß zum Ziel,... Spielkunst Anpassen der Bewertungsfunktion, Fallenstellen,...

26 Allgemeine Architektur Game Description Compiled Theory FLUXPLAYER Move List State Update Termination & Goal Evaluation Function Search

27 1. Weltmeisterschaft 2005 in Pittsburgh 1. UCLA 2. Florida 3. Fluxplayer UT Austin

28 2. Weltmeisterschaft 2006 in Boston: Endstand Spieler 1. Fluxplayer Punkte UCLA UT Austin Florida TU Dresden II

29 3. Weltmeisterschaft 2007 in Vancouver: Endstand Spieler 1. Reykjavik Punkte Fluxplayer Paris UCLA UT Austin 1798

30 Anwendung (1) Kommerziell verfügbare Schachcomputer können nicht für Varianten wie Tandemschach verwendet werden. Ein anpassungsfähiger Spielcomputer würde es dem Benutzer erlauben, die Regeln für beliebige Varianten des Spiels zu verändern.

31 Anwendung (2) Softwareagenten jeder Art in kompetitiven Umgebungen können als (universelle) Spieler betrachtet werden. Ein universelles Spielprogramm kann für Verhandlungen, Marketingstrategien, Preisfindung usw. genutzt werden, das leicht auf Änderungen im Geschäftsablauf, Spielregeln, Marktteilnehmer usw. angepasst werden kann. Die Regeln eines E-Marktplatzes können als Spiel formuliert werden, so dass Agenten automatisch lernen, wie man teilnimmt.

32 E-Marktplatz: Beispiel (Englische Auktion) role(bidder_1)... init(highestbid(0)) init(round(0)) legal(p,bid(x)) <= true(highestbid(y)) legal(p,noop) terminal <= true(round(10)) role(bidder_n) greaterthan(x,y) next(winner(p)) <= does(p,bid(x)) bestbid(x) next(highestbid(x)) <= does(p,bid(x)) bestbid(x) next(winner(p)) <= true(winner(p)) not bid next(highestbid(x)) <= true(highestbid(x) not bid next(round(n)) <= true(round(m)), successor(m,n) bid <= does(p,bid(x)) bestbid(x) <= does(p,bid(x)) not overbid(x) overbid(x) <= does(p,bid(y)) greaterthan(y,x)

33 4. Weltmeisterschaft 2008 in Chicago: aktueller Zwischenstand Tag 1 Tag 2 Tag 3 Tag 4 Tag 5 Tag 6 Ary CADIAPlayer Centurio Cluneplayer Fluxplayer LARGplayer Maligne monomaniac TestPlayer