情景演算中的关键推理技术及其应用研究

认知机器人学研究在动态改变着和信息不完备的环境中的机器人或智能体所面临的知识表示及推理问题。 其长远目标是为知识、感知和动作的集成提供一个统一的理论与实现框架。认知机器人学的研究已被应用于许多领域，如机器人学、计算机游戏和动画，以及语义网服务组合。在认知机器人学研究中，其知识表示语言已发展得相当完善，如最常用的语言是情景演算，并在此基础上设计了高级机器人程序设计语言Golog。但是，目前认知机器人学研究也面临着两个极其关键的问题：一是关于动态系统的有效推理问题，二是不完备知识和感知下的高级控制问题。本项目旨在探讨情景演算中的有效推理技术，如如何有效地解决预测问题、检查状态约束和目标可达性，如何有效地更新知识库以反映动作执行对世界状态以及智能体知识状态的改变等。同时，把这些推理技术应用于不完备知识和感知下的高级控制问题。

关于动作和变化推理的最常用形式化语言是情景演算。本项目研究情景演算中的关键推理技术及其在不完备知识和感知下的高级智能体控制中的应用。演进是在执行一个动作后更新智能体对世界状态的表示。我们通过应用模态逻辑中的互模拟概念把演进的定义扩展到能够反映动作对智能体知识状态的改变。通过遗忘技术，我们证明了对于只产生局部效果的动作来说，当初始知识库为我们所识别的某种范式形式时，知识的演进总是在一阶模态逻辑中可定义的和可计算的。在动态系统中，状态约束是在任何可达状态下都成立的逻辑公式。因而关于状态约束的推理是一个二阶逻辑的推理问题。我们针对一类包括许多标准规划问题的动作理论，提出了一个自动验证并发现量词前缀为若干个全称量词后跟若干个存在量词的状态约束的合理但不完备的方法，并用SAT求解器进行实现。实验表明，我们的方法是高效的，并能比已有的工作发现更多的状态约束。Golog是一个基于情景演算的用于高级智能体控制的逻辑程序设计语言。然而，Golog的现有实现主要是基于封闭世界假设或其变种；并且几乎都是基于回归的。基于精确演进和受限推理，我们提出并实现了带感知的基于知识的Golog的一阶解释器。情景演算主要关注的是单智能体情形下物理动作的推理；而动态认知逻辑主要关注的是多智能体情形下认知动作的推理，其中的一个重要概念是动作模型，用以表示不同智能体对同一动作的不同视角。借鉴动作模型的概念，我们给出了情景演算的一个多智能体扩展，并证明了动作模型逻辑可以被嵌入到扩展后的情景演算中。智能体的一项基本能力是解释诊断的能力，即猜测已发生的动作以解释所得到的观察。我们在动态认知逻辑的框架下对多智能体解释诊断任务进行了形式化。由于这个任务一般来说是不可判定的，我们识别了其重要可判定片断。本项目组已在国际人工智能顶级会议IJCAI和AAAI上发表论文5篇。

内容获取失败，请点击重试