На высоком уровне эта архитектура опирается на те же принципы, что и ряд известных роботизированных многоуровневых архитектур. Тем не менее, основной задачей для нас было усовершенствовать и детально изучить внутреннюю часть совещательного слоя. В нашей модели мы предполагаем, что взаимодействия между компонентами на этом совещательном уровне должны быть по существу двунаправленными. Также предлагаем не вводить какие-либо подуровни абстракции среди этих совещательных компонентов. Компонент обработки иллюстрирует эту структуру: вместо того, чтобы быть независимой модальностью ввода, выходы которой будут однонаправленно передаваться «высшим» компонентам принятия решений, он живет в совещательном пространстве на том же уровне, что и другие совещательные компоненты, и использует базу знаний в двунаправленный способ интерпретации, устранения неоднозначности естественного языка и, в конечном итоге, хранения вновь созданных интерпретаций . Другим примером является сложная связь между высокоуровневым символическим планированием и геометрическим планированием для учета материальных ценностей и человеческих предпочтений.
Архитектура относится к архитектуре убеждений, желаний, намерений (BDI). По словам Вулриджа , архитектуры BDI в первую очередь ориентированы на практическое мышление , то есть процесс, шаг за шагом решая, какое действие выполнить для достижения цели. Управление взаимодействием между знаниями (убеждениями) и представлением и исполнением задач и планов (желаниями и намерениями) является центральным и направлено на выбор на каждом этапе наилучшей подцели. Тогда становится намерением, что робот принимает на себя обязательство. Как и для любой когнитивной системы, это фундаментальное взаимодействие между знаниями и действиями является центральным для нашего подхода, и обычно включает в себя модуль диалога, чтобы приобрести желаний.от других агентов, а также от планировщика и контроллера выполнения сначала принять решение принять во внимание (или нет) входящее желание в качестве цели , а затем генерировать и управлять намерениями из этих целей с помощью символического планировщика задач.
Расширения архитектуры BDI, выполняя другие второстепенные совещательные задачи, без их явного вызова желаниями в смысле BDI. Основные из них включают оценку ситуации, мониторинг действий и обработку необязательной речи (включая перформативный диалог, который может изменить внутреннее состояние робота, но не ведет непосредственно к созданию желаний , таких как утверждение новых фактов или ответы на вопросы ).
Модель знаний
В нашей архитектуре, манипулирование знаниями опирается на центральный сервер , который хранит знание , как оно производится каждым из других совещательных компонентов (клиенты). Он предоставляет RPC API на основе json для запроса базы знаний. Мы представляем знания как тройки RDF на суб языке OWL. Каждый раз, когда тройки добавляются или удаляются из базы знаний, классифицирует всю онтологию и вставляет все возможные предполагаемые тройки. Клиенты Оро Сервер отвечает за управление знаниями (когда добавлять, когда обновлять, когда извлекать знания), поскольку метасемантика не переносится, что позволяет серверу самостоятельно управлять этой динамикой.
Этот архитектурный дизайн (центральная база знаний, которая по существу выступает в качестве пассивного компонента для остальной части системы - даже при том, что он фактически активно обрабатывает пул знаний в фоновом режиме для выполнения выводов) отличается от других подходов, таких как модель CAST где Знания представлены в виде рассеянного, распространяющегося ресурса или архитектуры CRAM / KnowRob , где база знаний является активным хабом, который активно запрашивает перцепционные компоненты для получения знаний. Дизайн обеспечивает хорошую наблюдательность (потоки знаний являются явными и легко регистрируемыми, поскольку они централизованы), а также высокую модульность(модули взаимодействуют через явный и унифицированный API).
Во время выполнения знания, доступные роботу, поступают из трех источников.
Продолжение следует...