Innes A. Ferguson Toward an Architecture for Adaptive, Rational, Mobile Agents.

Presentación del tema: "Innes A. Ferguson Toward an Architecture for Adaptive, Rational, Mobile Agents."— Transcripción de la presentación:

1 Innes A. Ferguson Toward an Architecture for Adaptive, Rational, Mobile Agents

2 Touring Machines Agentes roboticos autonomos deben ser adaptables “adaptive” –Diferentes comportamientos: Reactivos Racionales, ligado a recursos (resourse-bounds) y dirigido a objetivos (goal-directed) Razonar acerca de eventos, y predecir (cuando sea posible) el futuro

3 Touring Machines (cont) R Reactive Layer (R) P) Planning Layer (P) M) Modelling Layer (M) Sensors Action Effectors Control Policy Diferentes niveles de abstracción del modelo del agente Cada subsistema: –Conección directa con percepción y acción –Actuan independientemente Conflictos entre niveles –Política de Control implementada como combinación: pasaje de mensajes inter-nivel reglas de control activadas por el contexto

4 R (reactive) Layer R (reactive) Provee capacidades reactivas Reglas estimuladas solo y directamente por censores No garantiza ser racional Regla reactiva disparada – aviso al nivel M(modelling)

5 R (cont) Layer R (cont) rule-4: if is-in-front(Other, Observer) and speed(Other)<speed(Observer) separarion(Other,Observer)<Front.Threshold then reduce-speed-by(Observer, speed(Observer) – speed(Other)) rule-5: if is-behind(Other, Observer) and speed(Other) > speed(Observer) separarion(Other,Observer)<Rear.Threshold then increase-speed-by(Observer,speed(Other)-speed(Observer))

6 P (planning) Layer P (planning) Sensors, Resource Monitor Other Layers Action Effectors Schema Library Partial Planner Goal Stack Topological World Map Generación y ejecución de planes Esquemas –Primitivos –Compuestos No considera otros agentes – nivel M toma nuevos objetivos y deja anteriores cuando el nivel M lo dispone

7 M (modelling) Layer M (modelling) Provee capacidades reflexivas y predictivas –Contrucción de modelos de entidades del mundo –Explicar observaciones y realizar predicciones –Detección de posibles conflictos Módulo de Heuristicas de Foco de Atención –Realizar inferencias –Facilita detección/resolución de conflictos intra- y inter agentes Este nivel es resource-bounded – asegura grado de reactividad

8 M (modelling) Layer M (modelling) Conflict Resolution Strategies Model Formation & Projection Focus of Attention Conflict Detection Model Library Sensors, Resource Monitor Other Layers Action Effector s Estructura formada por: C configuración – nombre, ubicación, velocidad aceleración, comunicaciones B conjunto de creencias D lista de objetivos priorizados o deseos I planes asignados o intensiones C,B,D,I Razonamiento: involucra búsqueda de discrepancias Predicciones: Proyección de parámetros vector C Notar diferencias entre comportamiento actual y predecido(o deseado) no siempre dispara computación

9 TouringWorld Testbed Implementación de la arquitectura de control sobre 2-dim –TouringMachines, obstáculos, paredes, caminos –Dinámica de ambiente realizada por simulador de eventos discretos Otros procesos manejados –Seguimientos de param. de los escenarios –Realizar estadísticas de performance del agente –Varias herramientas textuales y gráficas Definición de escenarios

10 TouringWorld Testbed Basado en experimentos –Comportamiento robusto ante eventos inesperados –Cumpliendo las restricciones de tiempo sobre objetivos de reubicación Por medio de diseño y análisis de escenarios complejos –Descubrimiento de reglas generales que describan relaciones y Trade-off –diseño del agente –el ambiente –y el repertorio de comportamientos Criterios de Medición de Performance –consumo y utilización de recursos –esfuerzo de planning –acciones efectuadas y predicciones exitosas/no exitosas –tiempo de retardo en arribar al objetivo

11 Conclusión Arquitectura de control robusta para agentes móviles, goal- directed y resource-bounded operando en ambientes dinámicos Integración entre características de control deliberativo y no deliberativo Permite diferentes niveles de Granularidad –Evitar obstáculos –Alcanzar objetivos complejos –Predecir el comportamiento del mundo Arquitectura de Niveles altamente parametrizable: –Beneficios en el esfuerzo de diseño, implementación y testéo –Cumpliendo las restricciones de tiempo sobre objetivos de reubicación