多智能体第5章PPT格式课件下载.pptx

多智能体第5章PPT格式课件下载.pptx

《多智能体第5章PPT格式课件下载.pptx》由会员分享，可在线阅读，更多相关《多智能体第5章PPT格式课件下载.pptx（33页珍藏版）》请在冰豆网上搜索。

,Brooks行为语言,5-4,Brooks辨别了两种指导他研究的关键思想：

情景和实际：

“真正”的智能存在于现实世界中，而不是在诸如定理证明器和专家系统这样的无形系统中。

智能和出现：

“智能的”行为是Agent和它所处的环境交互作用的结果。

而且，智能是在“旁观者的眼睛里”，不是先天的、孤立的属性。

Brooks行为语言,5-5,为了说明他的观点，Brooks提出了归类式结构。

归类式结构是任务执行行为的层次结构。

每个行为是相当简单像规则一样的结构。

每个行为与其它的行为“竞争”而实现Agent的控制功能。

较低层次代表更基本的行为（如避障），并且比较高层次具有更高的优先权。

从计算量的角度来看，这样的系统非常简单。

如果由符号AI系统完成任务，有些机器人所做的工作不很显著。

传统的移动机器人控制系统包含下列功能模块,FromBrooks,“ARobustLayeredControlSystemforaMobileRobot”,1985,5-6,基于任务实现行为的移动机器人控制系统的组成,FromBrooks,“ARobustLayeredControlSystemforaMobileRobot”,1985,5-7,归类式结构的层次控制,FromBrooks,“ARobustLayeredControlSystemforaMobileRobot”,1985,5-8,避障模块实例,FromBrooks,“ARobustLayeredControlSystemforaMobileRobot”,1985,5-9,模块的原理,干扰抑制器,抑制器,FromBrooks,“ARobustLayeredControlSystemforaMobileRobot”,1985,5-10,0、1和2级控制系统,FromBrooks,“ARobustLayeredControlSystemforaMobileRobot”,1985,5-11,Steels的火星探索实验,5-12,Steels的火星探索系统，使用了归类式结构，在完成火星上岩石采集标本时发挥了几乎最佳的性能。

目标是探索一个遥远的星球，更具体地说，要采集珍贵的岩石标本。

事先并不知道岩石标本的位置，但它们一般聚集分布在某些确定的地方。

Steels的火星探索实验,5-13,对于个体（非合作的）Agent，最低层的行为（也就是“优先权”最高的行为）是躲避障碍物，用规则表示如下：

（1）,

（2）,若检测到障碍物，则改变方向Agent携带的任何标本都会被送到母舰中去：

若携带标本并且在基地，则放下标本Agents携带标本将返回母舰：

若携带标本并且不在基地，则沿着梯度向上行驶（3）,Steels的火星探索实验,5-14,（4）,Agent将收集它们找到的标本：

若检测到了标本，则拾起标本某个Agent“无事可做”就随机地探索：

若为真，则随机移动,（5）,情景自动机,5-15,另一个复杂的方法是由Rosenschein和Kaelbling提出的。

在他们的情景自动机模式中，Agent由像规则一样的陈述性术语来约定，然后将这种约定由数字机器编译，以满足这个陈述性的约定。

这台数字机器以一种在有限时间内可证明的方式运行，它不做任何符号操作。

推理是在编译过程中离线实现的，而不是运行时在线实现的。

情景自动机,5-16,用来定义Agent的逻辑主要是知识逻辑。

“Agentx携带世界状态s中的信息P，写作sK（x,P），如果在所有的世界状态下x与在s中具有相同的值，那么命题P为真。

”KaelblingandRosenschein,1990,情景自动机,5-17,Agent由两部分描述：

感知和动作。

然后用两个程序把Agent综合起来。

RULER用来说明Agent的感知部分。

GAPPS用来说明动作部分。

有限状态机电路模型,FromRosenscheinandKaelbling,“ASituatedViewofRepresentationandControl”,1994,f=stateupdatefunctions=internalstateg=outputfunction,5-18,RULER情景自动机,5-19,RULER把下面三个成分作为输入：

“一个Agent的输入的语义（“只要bit为1，表示天在下雨”）；

一个静态因素的集合（“只要天在下雨，地上就是湿的”）；

以及一个对世界状态转换的描述（“如果地上是湿的，那么直到太阳出来后才会变干”）。

然后程序员详细说明希望得到的输出语义（“如果这个bit位为真，地就是湿的”），然后编译器.综合一个能够输出正确语义的电路。

.所有陈述性“知识”都被约简到一个简单的电路中。

”Kaelbling,1991,GAPPS情景自动机,5-20,GAPPS程序的输入如下：

目标约简成规则的集合（主要是关于怎样才能达到目标的信息编码成规则）顶层目标然后产生一个能够转换成数字电路的程序以实现目标。

生成的数字电路仍然不表示或不操作符号表达式，所有符号操作都在编译时完成。

有限状态机电路模型,“Thekeyliesinunderstandinghowaprocesscannaturallymirrorinitsstatessubtleconditionsinitsenvironmentandhowthesemirroringstatesrippleouttoovertactionsthateventuallyachievegoals.”FromRosenscheinandKaelbling,“ASituatedViewofRepresentationandControl”,1994,RULER,GAPPS,5-21,情景自动机,5-22,这种方法理论上的局限性至今没有被很好理解。

这与来自时序逻辑规约程序的自动综合存在着相似性。

Agent说明语言表达效果越好，程序编译就越困难。

反应式Agent的优点：

5-23,简单经济容易计算预防失败的鲁棒性高精巧,反应式Agent的局限性,5-24,没有环境模型的Agent必须有充分可用的信息决定一个可以接受的动作。

决策是基于局部环境作出的，如何处理非局部信息，因而是天生的“短视”。

很难使反应式Agent进行学习。

由于没有严格的方法学，要构造这样的Agent必须经过费力的实验、尝试和修正过程来构造一个工程Agent。

要构造一个包含很多层的Agent十分困难。

混合的体系结构,5-25,很多研究者争论：

既没有完全慎思又没有完全反应的方法是不是适合构造Agent。

因而提出了混合式系统。

明显的方法就是使用两种（或多种）子系统来构造Agent：

慎思系统包含符号化的环境模型，以符号AI的方式产生规划和做出决策。

反应系统不需要复杂的推理就能够对事件做出反应。

混合的体系结构,5-26,通常反应成分比慎思提供某种优先性。

这种结构自然导致了层次结构的思想，TOURINGMACHINES和INTERRAP就是两个例子。

在这种结构中，Agent控制的子系统都安排了不同的层次，高层处理的信息更加抽象。

混合的体系结构,5-27,在这种结构中一个关键的问题是采用什么样的控制框架嵌入到Agent的子系统中，以处理不同层次间的交互问题。

水平层每一个软件层都与传感器输入和动作输出直接相连。

从效果上讲，每一层都扮演一个Agent的角色，产生关于执行什么动作的建议。

垂直层每个传感器输入和动作输出最多与一层有关。

混合的体系结构,如果结构中有n层，每一层都能够建议m种可能的动作。

5-28,mn种交互，在中心控制系统中产生了瓶颈问题。

m2（n-1）种交互，这种结构不能容错。

FergusonTOURING机,5-29,TOURING机结构包括感知和动作两个子系统，直接与Agent的环境进行交互，具有三个控制层，一个嵌入控制子系统负责各层间的仲裁。

FergusonTOURING机,5-30,FergusonTOURING机,5-31,反应层用情景-动作规则集来实现，就像Brooks的归类式结构中的行为一样。

Example:

rule-1:

kerb-avoidanceifis-in-front（Kerb,Observer）andspeed（Observer）0andseparation（Kerb,Observer）KerbThreshHoldthenchange-orientation（KerbAvoidanceAngle）规划层为实现Agent的目标建立规划，并选择要执行的动作。

FergusonTOURING机,5-32,模型层包含环境中各种各样实体（包括Agent本身以及其它Agent）感知状态的符号表示。

三个层之间互相通信，是通过嵌入的控制子系统运用控制规则实现的。

censor-rule-1:

ifentity（obstacle-6）inperception-bufferthenremove-sensory-record（layer-R,entity（obstacle-6）,MllerInteRRaP,垂直层次结构，两路控制,cooperationlayer,planlayer,behaviorlayer,socialknowledge,planningknowledge,worldmodel,worldinterface,perceptualinput,actionoutput,5-33,