Deductive and Practical Reasoning Agents

Transkript

1 Deductive and Practical Reasoning Agents Seminar: Agentensysteme SS10 Veranstalter: Alexa Breuing, Julia Tolksdorf Datum: Vortragende: Andreas Berstermann und Sebastian Wiesendahl 1

2 Deductive Reasoning Agents Von: Andreas Berstermann 2

3 Inhalt Definitionen Deductive Reasoning Agent Agent als Theorembeweiser Staubsaugerroboter Agent-Oriented Programming Agent0 Concurrent MetateM 3

4 Definitionen Deduktion Schlussfolgerung vom Allgemeinen auf das Besondere Schlussfolgern ( reasoning ): bezeichnet kognitive Prozesse, mit denen aus vorhandenem Wissen neues Wissen gewonnen wird 4

5 Beispiel eines Deductive Reasoning Agents Ein Roboteragent, der durch ein Bürogebäude navigieren soll Eine Möglichkeit dies zu Implementieren: eine Repräsentation seiner Umgebung 5

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 6

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 7

8 Beispiel der Formeln Open (valve221) Temperature (reactor4726, 321) Preasure (tank776, 28) 8

9 Definition der Regeln L Menge der Formeln der Prädikatenlogik 1. Stufe D= 2^L Menge von L Datenbanken DB, DB1, Elemente von D 9 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 10

11 Aktionsauswahl als Theorembeweis 11

12 Staubsaugeroboter [Russell and Norvig,1995] 12

13 Funktionen Aktionen: - Vorwärts (nur einen Schritt) - Drehen (um 90 nach rechts) - Saugen Austattung: - Sensor(dirt oder null) - Staubsauger 13

14 Funktionen Hauptprädikate: In(x,y) Dirt(x,y) Facing(d) Position des Agenten (x,y) Position des Schmutzes (x,y) 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 14

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) 15

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) 16

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) 17 Do(forward)

18 Agent-Oriented Programming (AOP) Entwickelt von [Shoham,1993] Eigenschaften durch mentale Vorstellungen zu repräsentieren Idee dahinter: menschenähnliche Eigenschaften zu verwenden 18

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) 19

20 Verpflichtungsregeln Nachrichtenzustand mentaler Zustand Aktionen 20

21 Nachrichtenzustand Drei Typen: request oder unrequest: zum Durchführen oder Unterlassen von Aktionen Inform: um Informationen weiterzuleiten 21

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) 22

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 23

24 Concurrente MetateM Agenten Schnittstelle: Definiert, wie er mit seiner Umgebung interagieren kann Computational Engine: Definiert die Berechnungsvorschrift 24

25 Schnittstelle Eindeutige Agent ID Menge der akzeptierten Nachrichten (envirement propositions) Menge der Sendemöglichkeiten (component propositions) 25

26 Beispiel für eine Schnittstelle stack (pop,push) [popped, full] stack AgentenID {pop,push} Menge der envirement propositions {popped,full} Menge der component propositions 26

27 Propositional MetateM Logic (PML) 27

28 Beispiel einer PML important (Agents) Jetzt und in Zukunft werden Agenten wichtig sein 28

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) 29

30 Beispiel eines Durchlaufes 30

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? 31

32 Mindmap 32

33 Practical Reasoning Agents Von: Sebastian Wiesendahl 33

34 Inhalt Practical Reasoning Intentions - Deliberation Means-Ends Reasoning - Planungsstrategie Implementierung eines Practical Reasoning Agents Procedural Reasoning System 34

35 Practical Reasoning vs. Theoretical Reasoning 35 Practical Reasoning Theorectical Reasoning Wirkt auf Umwelt (actions) Wirkt auf Überzeugungen (beliefs)

36 Practical Reasoning 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] 36

37 Practical Reasoning Practical Reasoning besteht aus: 37 Deliberation Means-Ends-Reasoning (Überlegung) (Mittel-Zweck-Planung) Was möchte ich erreichen? Wie möchte ich dieses Ziel Erreichen?

38 Practical Reasoning Ablauf: Aktueller Zustand (state of affairs) Mittel-Zweck-Planung (means-ends-reasoning) Plan 38 Ausführung (execution)

39 Practical Reasoning Rahmenbedingung: Deliberation & Means-Ends-Reasoning sind berechenbare Prozesse: Berechnungsdauer Terminierender Algorithmus 39

40 Inhalt Practical Reasoning Intentions - Deliberation Means-Ends Reasoning - Planungsstrategie Implementierung eines Practical Reasoning Agents Procedural Reasoning System 40

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. 41

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) 42

43 Intentions Deliberation Modellierung: Optionen-generieren-Funktion: options: 2 Bel 2Int 2 Des Bel (PL1) 2 Des 2 Int Aktualisierungfunktion (belief revision function): brf : 2 43 Bel Der Agent hat eine Form der Repräsentation über beliefs, desires und intentions. z.b.: Symbolische Repräsentation Filterfunktion: filter : 2 Annahme: Per 2 Bel 2 Int Bel = Menge aller Beliefs Int = Menge aller Absichten Des = Menge aller Desires Per = Wahrnehmung (Percept)

44 Inhalt Practical Reasoning Intentions - Deliberation Means-Ends Reasoning - Planungsstrategie Implementierung eines Practical Reasoning Agents Procedural Reasoning System 44

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. 45

46 Means-Ends Reasoning / Planning Planungsproblem Annotationen: Aktion Aktion : P, D, A P = Menge der Vorbedingungen Planungsproblem:, O, A = Menge der Pos. Nachbed. Ac = Menge mögl. Aktionen O = { P, D, A Ac } D = Menge der Neg. Nachbed. Planungsproblem Plan: = 1,..., n, i Ac = Startzustand = Zielzustand O = Indizierte Menge von Aktionen 46

47 Means-Ends Reasoning / Planning Planungsproblem:, O, und Plan: = 1,..., n, i Ac Abfolge von Zuständen: 0, 1,..., n wobei 0 = und i = i 1 D A i für 1 i n i Plan Akzeptabel: i 1 = P i für alle 1 i n b erfüllt a a = b Korrekt: 47 n =

48 Means-Ends Reasoning / Planning Planner Algorithmus: Output Input 1. goal/intention/task planner 2. enviroment state/beliefs Plan / Rezept 3. possible actions plan : 2 48 Bel 2 Int 2 Ac Plan Bel = Menge alle Zustände Int = Menge aller Ziele Ac = Menge mögl. Aktionen

49 Means-Ends Reasoning / Planning STRIPS (Ende 1960) Erste echte Implementation eines Planning-Algorithmus. Beliefs in PL1: {Clear(A), On(A,B), OnTable(B), OnTable(C), Clear(C)} Current state Goals in PL1: {OnTable(A), OnTable(B), OnTable(C)} Goal state 49

50 Means-Ends Reasoning / Planning Actions in STRIPS: Beispiele: Stack(A,B) Name pre {Clear(B), Holding(A)} und evtl Argumente. Precondition list del {Clear(B), Holding(A)} add {ArmEmpty, On(A,B)} Fakten, die wahr sein müssen. Delete list Fakten, die nach der Aktion ungültig werden. Add list Fakten, die nach der Aktion nun wahr sind. 50 Unstack(x,y) pre {On(x,y), Clear(x), ArmEmpty} del {On(x,y), ArmEmpty} add {Holding(x), Clear(y)}

51 Inhalt Practical Reasoning Intentions - Deliberation Means-Ends Reasoning / Planungsstrategie Implementierung eines Practical Reasoning Agents Procedural Reasoning System 51

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 52

53 Practical Reasoning Agent - Implementierung Meta-Level-Control (16-19): commitment vs. reconsideration 53

54 Inhalt Practical Reasoning Intentions - Deliberation Means-Ends Reasoning / Planungsstrategie Implementierung eines Practical Reasoning Agents Procedural Reasoning System 54

55 Procedural Reasoning System data input from sensors enthält auch das BDIParadigma (beliefs-desire- Agent intention) beliefs plan library interpreter desires intentions action output 55 [Kinny and Georgeff, 1991]

56 Procedural Reasoning System Jam (Blocks World): PRS-Komponenten Zwischenziele moglich Goal (postcondition) Intention Stack Context (precondition) Plan: { } 56 Body (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 DeliberationsProzess erzielen? Wie findet man Intentions? Welche Commitment-Strategien gibt es? Welche Eigenschaften haben Pläne aus dem Jam Blocks World Beispiel? Wozu dienen diese Eigenschaften? 57

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? 58

59 Mindmap 59