Обработка знаний для роботов

Обработка знаний для роботов может выступать в роли платформы для интеграции знаний, в том числе энциклопедических, обыденных, описаний задач, моделей окружающей среды, информации об объектах, наблюдаемых действиях и других сведений, поступающих из различных источников: вручную аксиоматизированных, полученных из наблюдений или импортированных из Интернета^[1].

Система Обработка знаний для роботов использовалась различными исследовательскими группами, такими как Университет Райса, применявшими онтологическую базу знаний в робототехнической платформе^[2], а также исследовательской группой Университета технологии Эйндховена, выступавшей в лиге RoboCup, категория «at Home», в рамках проекта RoboEarth.

Система также упоминается в работах исследовательских коллективов из Университета Лучиана Блага в Сибиу^[3], Ближневосточный технический университет в рамках комбинирования различных баз знаний^[4], Университет Кэйо, где система рассматривается в связи с сервисом онтологий^[5], Техасский университет в Остине как часть родственных исследований^[6], а также Университет Ханъян в связи с фреймворком обработки знаний на основе OWL^[7].

Для представления знаний система Обработка знаний для роботов использует язык онтологий OWL и расширенное представление знаний на базе логики первого порядка с вычислимыми предикатами. Для задания порядка действий система предусматривает ограничение на попарный частичный порядок.

Система использует принцип замкнутого мира в языке Пролог, а также принцип открытого мира при помощи вычислимых предикатов^[8]. Для включения правил вывода в Пролог применяется процедура инференции, выходящая за пределы возможностей OWL, чтобы извлекать сведения об исполнении задач.

Во второй версии система предоставляет логический интерфейс к гибридному модулю рассуждений, реализованному как логико-ориентированный язык. В этом языке гибридное ядро рассуждений представляется как совокупность сущностей, доступных посредством частичных описаний. К числу таких описаний относятся объекты, их части и модели сочленений, окружения, состоящие из объектов, программные компоненты, действия и события.

Эпизодическая память связана с информацией об опыте, организованной во времени и пространстве, в сочетании с контекстными сведениями. В системе Обработка знаний для роботов эпизодическая память понимается как запись, которую агент ведёт о текущей деятельности, включая подробную информацию о действиях, движениях, их назначении, эффектах и поведении, а также изображения, полученные в ходе выполнения^[9].

Знания вычисляются внешними методами с использованием запросов на Прологе. Во второй версии системы предусмотрена улучшенная структура пакетов и документации, включающая расширения предыдущей версии, а также логически-ориентированный язык. К примеру, описание чашки, полученное из восприятия, может быть выражено в этом языке так:

 entity(Cup,[an, object, [type, cup],
 [shape, cylinder], [color, orange]])

Контроллер может описывать тот же объект как:

 entity(Cup, [an, object, [type, cup],
 [proper_physical_parts, [an, object,
 [type, handle], [grasp−pose, G−pose]]]])

Язык интерфейса сравним с другими языками запросов к символическим базам знаний. Запросный язык KnowRob интегрирует методы рассуждения, включая моделирование на основе симуляции.

Главная цель фреймворка Обработка знаний для роботов — обеспечение сервисных роботов семантическими знаниями. Система способна отвечать на вопросы о недостающей информации в нечётко сформулированных инструкциях заданий, используя иерархическое представление действий и информацию об объектах, которые могут входить в определённые действия.