P1080332

10. Sztuczna inteligencja w robotyce

Modele świata zewnętrznego to opis formalny wiedzy o środowisk! w którym funkcjonuje robot, uformowany i przekazany robotowi przed rozpo. częciem jego pracy. W wielu przypadkach nie udaje się zbudować wcześniej modelu świata zewnętrznego o dostatecznie dużym stopniu dokładności i zj pełności informacji.

Informacja bieżąca, którą robot uzyskuje w procesie funkcjonowania, mo-że być wykorzystana do wzbogacenia jego wiedzy o świecie. Funkcję tę organizuje blok gromadzenia i korekcji wiedzy. W nim zbiera się nowe fakty o świecie zewnętrznym i prowadzi analizę niesprzeczności ze wszystkimi innymi faktami przechowywanym i w systemie reprezentacji wiedzy. Jeżeli nowy fakt nie jest sprzeczny, to może być włączony do modelu świata. W pewnych przypadkach! włączenie faktu do modelu świata jest poprzedzane kontrolą jego wiarygodności! (autentyczności), która polega albo na oczekiwaniu na nowe fakty, albo potwierdzeniu lub odrzuceniu danego faktu. Może też być realizowana za pomocą aktywnego eksperymentu w świecie zewnętrznym, który potwierdza lub odrzuca! fakt. Przykładowo, w podobny sposób jest prowadzona analiza poprzedzająca! podjęcie decyzji o włączeniu do modelu lub odrzuceniu nowego faktu, który jest I sprzeczny z faktami już znajdującymi się w systemie reprezentacji wiedzy. Jeże-1 Ii od modelu świata wymaga się, aby był on niesprzeczny, to włączenie nowego! faktu, uznanego za wiarygodny, wymaga usunięcia z modelu faktów pozostają-! cych z nim w sprzeczności. Jednakże niesprzeczność nie jest traktowana w sys-1 ternach reprezentacji wiedzy jako wymaganie obowiązkowe.

Na podstawie tej analizy można określić specyficzne wymagania, jakiej stawia się przed systemami reprezentacji wiedzy:

-    „ wyrozumiałość ” w stosunku do braku zupełności oraz do sprzeczności informacyjnej; niedoskonałość systemów percepcji, a także ograniczona doświadczenie powodują, że wiedza inteligentnego robota o świecie jest niepełna i niedokładna, system reprezentacji wiedzy powinien wiec I być tak zbudowany, ażeby robot nie przestawał funkcjonować w sytu-1 acji, kiedy będzie wykryta niezupełność lub niedokładność jego wie-1 dzy; możliwe jest tylko wtedy pewne chwilowe obniżenie wydajności! pracy,

-    krytycyzm w stosunku do nowej informacji\ krytycyzm inteligentnego robota oznacza zdolność do kontrolowania zgodności informacji z informacją już zgromadzoną oraz do podjęcia decyzji ojej wiarygodności*

-    uczenie się oraz korekcja wiedzy; uczenie się oraz zdolność do korekcji wspólnie z mechanizmem krytycyzmu umożliwia wzbogacenie wiedzy i zwiększenie jej wiarygodności.

Uczenie maszynowe i jego powodzenie zależy od wyboru odpowied*! niej metody formułującej problem, zbioru uczącego (czyli doświadczeń) oraz sposobu uczenia się nowych pojęć. Metody maszynowego uczenia się są nasię* j pujące:

• Wnioskowanie wartości funkcji logicznej z przykładów.

Uczenie drzew decyzyjnych to graficzna metoda pozyskiwania wiedzy na podstawie przykładów. Jest to schemat o strukturze drzewa decyzji i ich możliwych konsekwencji. Zadaniem drzew decyzyjnych może być zarówno stworzenie planu, jak i rozwiązanie problemu decyzyjnego. Metoda drzew decyzyjnych jest szczególnie przydatna w problemach decyzyjnych z licznymi, rozgałęziającymi się wariantami.

, Uczenie Bayesowskie — metody oparte na twierdzeniu sformułowanym przez XVHI-wiecznego matematyka Thomasa Bayesa odgrywają znaczną (ostatnio rosnącą) rolę w dziedzinie sztucznej inteligencji, zwłaszcza w uczeniu się maszyn. Można ogólnie powiedzieć, że wzór Bayesa stał się podstawą do rozwoju teorii i algorytmów różnych form wnioskowania probabilistycznego.

•    Uczenie z przykładów — w odróżnieniu od metod uczenia, które konstruują ogólny, tzw. jawny opis funkcji docelowej, kiedy są dostarczane dane uczące, uczenie tego typu po prostu zapamiętuje przykłady. Uogólnianie tych przykładów jest odwlekane do czasu, aż nowy przykład (zadanie) ma być klasyfikowany. Za każdym razem, kiedy przychodzi nowe zapytanie (przykład), są badane jego powiązania z zapamiętanymi przykładami, aby ustalić wartość docelowej funkcji nowego przykładu.

•    Uczenie się zbioru reguł.

•    Analityczne uczenie — metody uczenia indukcyjnego (wykorzystują sieci neuronowe, drzewa decyzyjne) wymagają pewnej liczby przykładów, aby osiągnąć pewien poziom uogólnienia. Analityczne uczenie stosuje wiedzę aprioryczną i wnioskowanie dedukcyjne do powiększania informacji dostarczanej przez przykłady uczące.

•    Połączenie indukcyjnego i analitycznego uczenia - czyste indukcyjne uczenie formułuje ogólne hipotezy przez znalezienie empirycznych regularności w przykładach uczących. Natomiast czyste analityczne uczenie dedukcyjnie stosuje aprioryczną wiedzę do otrzymania ogólnych hipotez. Połączenie obu podejść daje korzyści: lepszą poprawność i trafność uogólniania, gdy jest dostępna wiedza aprioryczna oraz szukanie zależności w obserwowanych danych uczących do wypracowania szybkiej wiedzy apriorycznej.

•    Wzmocnione uczenie — odnosi się ono do pytania, jak autonomiczny agent, który odbiera bodźce i działa w swoim środowisku, może się uczyć wyboru najlepszej akcji, aby osiągnąć cel działania. Ten ogólny problem obejmuje takie zadania, jak uczenie optymalizacji w fabrykach i uczenie się przez aktywny udział w grach.

Związek inteligentnego robota ze światem zewnętrznym zapewnia sys-tem percepcji. Celem tego systemu jest zbudowanie modelu aktualnego stanu wiata. Podobnie jak w robotach drugiej generacji, w inteligentnych robotach Ptfrwotnym źródłem informacji o świecie są sensory, do których zalicza się czujki dotykowe, lokacyjne, czujniki siły, odbiorniki informacji wizualnej i dżwię-Wj itp. (patrz rozdz. 9). Informacja z sensorów jest przetwarzana i przedsta-^Wlana w postaci dogodnej do dalszej obróbki.

311