Softwarearchitektur für kognitive Systeme zur wissensbasierten Flugführung

Größe: px

Ab Seite anzeigen:

Download "Softwarearchitektur für kognitive Systeme zur wissensbasierten Flugführung"

Teresa Bieber
vor 8 Jahren
Abrufe

1 Softwarearchitektur für kognitive Systeme zur wissensbasierten Flugführung Dipl.-Ing. Alexander Matzner Prof. Dr.-Ing. Axel Schulte Professur für Flugmechanik & Flugführung Fakultät für Luft- & Raumfahrttechnik UniBwM / LRT Oktober

2 Agenda Motivation Der Kognitive Prozess Architektur für wissensbasierte Systeme Verbesserungen im Hinblick auf Einsatz in embedded Systemen Ausblick 2

3 Stabile und flexible Automation zur Missionsführung In Situationen ohne klare Handlungsvorgaben verläßt sich konventionelle Automation auf Entscheidung des Operateurs In UAVs ist dieser Operateur nicht immer dazu in der Lage Ziel: Erweitern (nicht Ersetzen!) der konventionellen Automation durch kognitive Fähigkeiten 3

Operateurs In UAVs ist dieser Operateur nicht immer dazu in der Lage Ziel:

4 Arten von Automation im Arbeitssystem Entwicklung in den Methoden der Umsetzung conventional Automation cognitive Automation supervisory Control supporting Automation supporting ACU co-operative Control human Team operating ACU Paradigmenwechsel in den funktionalen Anforderungen 4

Control supporting Automation supporting ACU co-operative Control

5 Ansatz: Wissensbasiertes Verhalten Ziele (Rasmussen, 1983) Wissensbasiertes Verhalten Identifikation Symbole Entscheidung, Aufgabenwahl Planung Regelbasiertes Verhalten Zeichen Erkennung Assoziation Zustand / Aufgabe gespeicherte Regeln für Aufgaben Fertigkeitsbasiertes Verhalten Merkmalsbildung (Zeichen) Automatisierte sensomotorische Muster Sensorische Eingaben Signale Handlungen 5

Erkennung Assoziation Zustand / Aufgabe gespeicherte Regeln für Aufgaben Fertigkeitsbasiertes

6 Vorgaben für eine ACU (Artificial Cognitive Unit) Die ACUsollinteraktiv sein Die ACU soll in der Lage sein, Verhalten auf allen nötigen Verhaltensebenen zu zeigen Die ACUsollrationelles und deterministisches Verhalten zeigen Die ACU soll über eine zentrale Wissensrepräsentation und ungehinderten Zugang zu allem relevanten Wissen verfügen Die Architektur der ACU soll keine Vorgaben für eine Implementierung beinhalten 6

Verhalten zeigen Die ACU soll über eine zentrale Wissensrepräsentation und ungehinderten Zugang zu allem

7 Psychologisches Modell des Kognitiven Prozesses Interpretation Input Interface CP behaviour = ACU behaviour situational knowledge Environment Input Data Belief Environment Models Desires a-prioriknowledge Models of Action Alternatives Instruction Models Goals Goal Determi - nation Output Interface Instructions Plan Planning Plan Execution ACU: Artificial Cognitive Unit 7

a-prioriknowledge Models of Action Alternatives Instruction Models Goals Goal Determi -

8 Evolution der Softwaremethoden Mentale Begriffe: Überzeugung, Wunsch, Ziel, Plan,... Intuitives, vereinfachtes Programmiermodell Programmiermodell entsteht aus dem Denkmodell (KP) Höhere Abstraktion Mittel zur Abstraktion für komplexe (interne) Vorgänge Nutzung zur Programmierung von komplexem Verhalten Mentale Begriffe Höhere Abstraktion Prozeduren Datenobjekte Abstr. Datentypen Objekte mögliche, nächste n Abstraktionsstufe Assembler Fortran Modula-2 Ada C++ z.b. CPL Generation 0 Generation 1 Generation 2 Generation 3 Generation 4 Generation 5 Anlehnung an Agent Oriented Software Engineering 8

komplexe (interne) Vorgänge Nutzung zur Programmierung von komplexem Verhalten Mentale Begriffe Höhere Abstraktion Prozeduren Datenobjekte Abstr.

9 CPL Cognitive Programming Language Programmierung einer Verhaltensbeschreibung in textbasiertem Repräsentationsformat Syntax: basierend auf Soar (regelbasiert) erweitert um objektorientierte Konzepte Klassen (Modelle) Pakete (Komponenten) Namensräume (Transformatoren) 9

Syntax: basierend auf Soar (regelbasiert) erweitert um

10 Implementierung Architektur Arbeitsspeicher Interpretation Wahrnehmungen Input Interface Schlussfolgerungen Entscheidungen Langzeitspeicher Inferenzregeln CP behaviour = ACU behaviour situational knowledge Schnittstelle: Umwelt Environment Input Data Belief Environment Models Desires a-prioriknowledge Models of Action Alternatives Instruction Models Goal Determination Ablaufsteuerung (Controller) Regel-Interpreter Goals (Prozessor) Entscheidungsregeln Output Fakten Interface Instructions Plan Planning Plan Execution 10

Belief Environment Models Desires a-prioriknowledge Models of Action Alternatives Instruction Models Goal Determination

11 COSA COgnitive System Architecture Arbeitsspeicher Wahrnehmungen Schlussfolgerungen Entscheidungen Soar Langzeitspeicher Inferenzregeln Entscheidungsregeln Fakten Soar Erweiterungen (CPlib) CORBA Schnittstelle: Umwelt Ablaufsteuerung (Controller) Regel-Interpreter (Prozessor) Funktionale Erweiterungen 11

Entscheidungsregeln Fakten Soar Erweiterungen (CPlib) CORBA Schnittstelle:

12 Anpassung der Architektur zur Leistungssteigerung Arbeitsspeicher Wahrnehmungen Schlussfolgerungen Soar Erweiterungen (CPlib) CORBA Schnittstelle: Umwelt Entscheidungen Soar Langzeitspeicher Ablaufsteuerung (Controller) Regel-Interpreter (Prozessor)! Inferenzregeln Entscheidungsregeln Funktionale Erweiterungen Fakten 12

Entscheidungen Soar Langzeitspeicher Ablaufsteuerung (Controller)

13 Neuentwicklung des Prozessors als Graphtransformator Arbeitsspeicher Wahrnehmungen Schlussfolgerungen neu CORBA Schnittstelle: Umwelt Entscheidungen Ablaufsteuerung (Controller) neu Langzeitspeicher Inferenzregeln Entscheidungsregeln angepasst Regel-Interpreter (Prozessor) Funktionale Erweiterungen neu angepasst Fakten 13

Ablaufsteuerung (Controller) neu Langzeitspeicher Inferenzregeln

14 Situationswissen: Darstellung als gerichteter Graph Accomplish mission Avoid threat precond effects Return to base Fly around precond Deliver supplies precond Reach target to effects target Target.position Course to target threat threat threatens distance Vehicles.position.speed Obstacle Myself.position.threatring.position.speed distance distance Home Base.position distance distance Obstacles.position.threatring Instances representing physical objects (Beliefs) Instances of goals Instances of plans.xx Edges Attribute 14

position Course to target threat threat threatens distance Vehicles.position.speed Obstacle Myself.position.threatring.position.speed distance distance Home Base.

15 A-priori Wissen: Anwendung von Graphtransformationsregeln `2 `4 `2 2 4 `1 1 `3 `5 `5 3 5 if `4.amount > 5 Pattern-matching verbraucht die meisten Resourcen 15

16 Vier Verbesserungen zum Pattern matching Aufteilung der Pattern in zusammenhängende Sub-patterns Caching der möglichen Kandidaten pro Pattern-Knoten ( Filtered Type caches ) Caching der Zwischenergebnisse des Subpattern-matchings und inkrementelle Aktualisierung der Caches ( Match caches ) Parallele Regelverarbeitung (Multithreading) 16

caches ) Caching der Zwischenergebnisse des Subpattern-matchings und inkrementelle

17 Erste Ergebnisse zeigen gesteigerte Systemleistung COSA Cycle time [ms] Decision Cycle 17

18 Erste Ergebnisse zeigen gesteigerte Systemleistung COSA Cycle time [ms] Non-incremental Decision Cycle 18

000 100 COSA Cycle time [ms] Non-incremental

19 Erste Ergebnisse zeigen gesteigerte Systemleistung Cycle time [ms] 100 COSA Non-incremental Incremental Decision Cycle 19

000 Cycle time [ms] 100 COSA Non-incremental

20 Zusammenfassung Kognitive Automation soll konventionelle Automation erweitern, nicht ersetzen COSA ist erprobt aber im Hinblick auf near-realtime applications auf embedded platforms nicht schnell genug Fokus auf Pattern matching in Graph Transformationen da dort größter Resourcenverbrauch Unser Ansatz reduziert die Zeit pro pattern matching durch inkrementelles updating der match-caches für jedes Sub-pattern und eine schlanke, integrierte Architektur Anwendung: Unbemannte Helicopter Plattform Manned-Unmanned-Teaming (MUM-T) 20

größter Resourcenverbrauch Unser Ansatz reduziert die Zeit pro pattern matching durch inkrementelles updating der match-caches für

21 Fragen? 21

Ähnliche Dokumente

Ein Blick voraus. des Autors von C++: Bjarne Stroustrup. 04.06.2005 Conrad Kobsch

Ein Blick voraus. des Autors von C++: Bjarne Stroustrup. 04.06.2005 Conrad Kobsch Ein Blick voraus des Autors von C++: Bjarne Stroustrup 04.06.2005 Conrad Kobsch Inhalt Einleitung Rückblick Nur eine Übergangslösung? Was würde C++ effektiver machen? Quelle 2 Einleitung Wo steht C++,