Априорные знания хранятся в онтологии (онтология OpenRobots , обсуждаемая ниже) и загружаются при запуске. Этот статический источник реализует знания робота, основанные на здравом смысле , и может дополнительно включать в себя знания, специфичные для сценария (например, об объектах, которыми нужно манипулировать).
Вторая часть знаний приобретается во время выполнения из восприятия, взаимодействия и планирования. В следующих разделах подробно рассматриваются эти процессы.
Третий источник символических утверждений исходит из умозаключений. В противоположность подобным проектам, таким как KnowRob, который опирается на концепцию вычислимых вычислений для ленивой оценки / получения символических фактов, когда это необходимо, у нас есть явный подход, в котором мы жадно вычисляем и утверждаем символические утверждения.
Например, всякий раз, когда клиент запрашивает KnowRob, чтобы узнать, находится ли « OBJECT1 на OBJECT2» , KnowRob вызывает геометрический аргумент, чтобы оценить, выполняется ли это конкретное пространственное отношение в тот момент времени. При нашем подходе пространственные отношения вместо этого вычисляются и утверждаются априори выделенным процессом, который постоянно работает в фоновом режиме. Этот выбор проекта обменивает масштабируемость на явные рассуждения: в любое время состояние полного убеждения делается явным, и, следовательно, обеспечивается для рассудителя максимально возможную область вывода. Это имеет особое значение для архитектуры, основанной на событиях, такой как наша, где требуется четкое и всестороннее состояние убеждения, чтобы не пропустить события . RDF как формализм для семантики Сервер Oro опирается на Description Logics (OWL) для представления и управления знаниями. Опора на тройки RDF и Description Logics имеет такие преимущества, как хорошее понимание его компромиссов, благодаря широкому распространению в семантическом веб-сообществе; наличие зрелых библиотек для манипулирования онтологией; совместимость с несколькими крупными онлайновыми базами знаний (например, OpenCyc , WordNet , DBPedia или RoboEarth; рассуждения открытого мира (что позволяет нам представить, что некоторые факты могут быть неизвестны роботу); и формальная гарантия разрешимости (всегда можно классифицировать онтологию Description Logics). Он также имеет ограничения, как базовые (пригодность логики описания при рассуждении - как правило, немонотонные - общие знания были поставлены под сомнение), так и практические: RDF-тройки подразумевают двоичные предикаты, что ограничивает выразительность системы или приводит к неудобным изменениям. Были предложены альтернативы (например, KnowRob), которые чередуют RDF с более выразительными логическими языками, такими как Prolog, с другими ограничениями, такими как рассуждение о замкнутом мире.
Производительность классификации - это еще одна проблема: по нашему опыту, онтология имеет размер для типичного исследования (около 100 классов и 200 экземпляров), классификация занимает около 100 мс, что может привести к ощутимым задержкам во время взаимодействия. Кроме того, характеристики трудно предсказать: введение, казалось бы, простых утверждений может резко изменить логическую сложность модели знаний и привести к заметному снижению времени классификации. Эта модель знаний также в значительной степени исключает представление непрерывных явлений (например, времени) или неопределенных явлений. При необходимости (например, для распознавания действий) они управляются в рамках выделенных компонентов и не представлены в базе знаний. Альтернативные формализмы были успешно исследованы в робототехнике для устранения некоторых из этих ограничений. Помимо комбинации Prolog / OWL, на которую опирается KnowRob , программирование набора ответов использовалось, например, в робототехнике для лучшей поддержки немонотонных рассуждений . Также указали в, как модальные логики, такие как эпистемические, могут иметь отношение к конкретной области социального взаимодействия человека и робота, поскольку они позволяют представлять альтернативные ментальные модели. Однако логика первого порядка и онтологии OWL доказали свою простую, эффективную и достаточную символическую структуру для наших экспериментальных приложений. Кстати, и поскольку онтологии и операторы RDF остаются концептуально простыми (по сравнению с полными логическими языками, такими как пролог или модальные логики), их принятие также эффективно помогло повысить осведомленность среди коллег о значении «семантического уровня» при разработке новых компонентов для робота.
Продолжение следует...
