Subsumtionsarkitektur

Subsumptionsarkitektur är en reaktiv robotarkitektur som starkt förknippas med beteendebaserad robotik som var mycket populär på 1980- och 90-talen. Termen introducerades av Rodney Brooks och kollegor 1986. Subsumtion har haft stor inflytande inom autonom robotik och på andra ställen inom realtids- AI .

Översikt

Subsumptionsarkitektur är en kontrollarkitektur som föreslogs i motsats till traditionell AI, eller GOFAI . Istället för att styra beteendet genom symboliska mentala representationer av världen, kopplar subsumtionsarkitektur sensorisk information till handlingsval på ett intimt och nedifrån-och-upp- sätt.

Den gör detta genom att sönderdela hela beteendet i subbeteenden. Dessa underbeteenden är organiserade i en hierarki av lager. Varje lager implementerar en viss nivå av beteendekompetens, och högre nivåer kan subsumera lägre nivåer (= integrera/kombinera lägre nivåer till en mer omfattande helhet) för att skapa livskraftigt beteende. Till exempel kan en robots lägsta lager vara "undvik ett objekt". Det andra lagret skulle vara "vandra runt", som löper under det tredje lagret "utforska världen". Eftersom en robot måste ha förmågan att "undvika objekt" för att "vandra runt" effektivt, skapar subsumtionsarkitekturen ett system där de högre skikten utnyttjar de lägre nivåernas kompetenser. Skikten, som alla tar emot sensorinformation, arbetar parallellt och genererar utdata. Dessa utgångar kan vara kommandon till ställdon, eller signaler som undertrycker eller förhindrar andra lager.

Mål

Subsumtionsarkitektur angriper problemet med intelligens från ett väsentligt annat perspektiv än traditionell AI. Rodney Brooks var besviken över prestandan av roboten Shakey och liknande projekt inspirerade av representation av medvetna sinnen, och började skapa robotar baserade på en annan uppfattning om intelligens, som liknar processer för undermedvetna sinnen. Istället för att modellera aspekter av mänsklig intelligens via symbolmanipulation, syftar detta tillvägagångssätt på i realtid och livskraftiga svar på en dynamisk labb- eller kontorsmiljö.

Målet grundades av fyra nyckelidéer:

  • Situatedness – En viktig idé med situerad AI är att en robot ska kunna reagera på sin miljö inom en mänsklig tidsram. Brooks hävdar att belägen mobil robot inte bör representera världen via en intern uppsättning symboler och sedan agera på denna modell. Istället hävdar han att "världen är sin egen bästa modell", vilket innebär att korrekta perception-to-action-inställningar kan användas för att direkt interagera med världen i motsats till att modellera den. Ändå modellerar varje modul/beteende fortfarande världen, men på en mycket låg nivå, nära de sensorimotoriska signalerna. Dessa enkla modeller använder nödvändigtvis hårdkodade antaganden om världen kodade i själva algoritmerna, men undviker användningen av minne för att förutsäga världens beteende, istället förlitar sig på direkt sensorisk feedback så mycket som möjligt.
  • Förkroppsligande – Brooks hävdar att bygga en förkroppslig agent ger två saker. Den första är att den tvingar designern att testa och skapa ett integrerat fysiskt kontrollsystem , inte teoretiska modeller eller simulerade robotar som kanske inte fungerar i den fysiska världen. Det andra är att det kan lösa med symboljordning , en filosofisk fråga som många traditionella AI:er stöter på, genom att direkt koppla sinnesdata till meningsfulla handlingar. "The world grounds regress", och den interna relationen mellan beteendelagren är direkt förankrad i den värld som roboten uppfattar.
  • Intelligens – När man tittar på evolutionära framsteg, hävdar Brooks att utveckling av perceptuella och rörliga färdigheter är en nödvändig grund för mänsklig intelligens. Genom att förkasta top-down- representationer som en gångbar utgångspunkt för AI, verkar det som att "intelligens bestäms av dynamiken i interaktion med världen."
  • Uppkomst – Konventionellt anses enskilda moduler inte vara intelligenta i sig. Det är interaktionen mellan sådana moduler, utvärderad genom att observera agenten och dess miljö, som vanligtvis anses intelligent (eller inte). "Intelligens" är därför "i betraktarens öga."

De idéer som beskrivs ovan är fortfarande en del av en pågående debatt om intelligensens natur och hur utvecklingen av robotik och AI bör främjas.

Lager och utökade finite-state-maskiner

Varje lager består av en uppsättning processorer som är augmented finite-state machines (AFSM), varvid förstärkningen läggs till instansvariabler för att hålla programmerbara datastrukturer. Ett lager är en modul och ansvarar för ett enda beteendemål, som att "vandra runt". Det finns ingen central kontroll inom eller mellan dessa beteendemoduler. Alla AFSM:er tar kontinuerligt och asynkront emot input från relevanta sensorer och skickar utsignal till ställdon (eller andra AFSM). Ingångssignaler som inte läses när en ny levereras slutar med att kasseras. Dessa kasserade signaler är vanliga och är användbara för prestanda eftersom de låter systemet arbeta i realtid genom att hantera den mest omedelbara informationen.

Eftersom det inte finns någon central kontroll kommunicerar AFSM med varandra via hämnings- och undertryckningssignaler. Inhiberingssignaler blockerar signaler från att nå ställdon eller AFSM, och undertryckningssignaler blockerar eller ersätter ingångarna till lager eller deras AFSM. Detta system för AFSM-kommunikation är hur högre lager subsumerar lägre (se figur 1), samt hur arkitekturen hanterar prioritets- och handlingsurval i allmänhet.

Figur 1: Abstrakt representation av subsumtionsarkitektur, med de högre nivåerna som subsumerar rollerna för lägre nivåer när den sensoriska informationen avgör det.

Utvecklingen av lager följer en intuitiv progression. Först skapas, testas och felsöks det lägsta lagret. När den lägsta nivån är igång, skapar och fäster man det andra lagret med de rätta undertrycknings- och hämningsanslutningarna till det första lagret. Efter att ha testat och felsökt det kombinerade beteendet kan denna process upprepas för (teoretiskt) valfritt antal beteendemoduler.

Robotar

Följande är en liten lista över robotar som använder subsumtionsarkitekturen.

  • Allen (robot)
  • Herbert, en läskburksamlarrobot (se externa länkar för en video)
  • Genghis, en robust hexapodal rollator (se externa länkar för en video)

Ovanstående beskrivs i detalj tillsammans med andra robotar i Elephants Don't Play Chess .

Styrkor och svagheter

De främsta fördelarna med arkitekturen är:

  • betoningen på iterativ utveckling och testning av realtidssystem i deras måldomän;
  • betoningen på att koppla begränsad, uppgiftsspecifik uppfattning direkt till de uttryckta handlingar som kräver det; och
  • betoningen på distributiv och parallell kontroll, och därigenom integrera perception, kontroll och handlingssystem på ett sätt som liknar djur.

De största nackdelarna med arkitekturen är:

  • svårigheten att utforma anpassningsbart handlingsval genom ett högt distribuerat system av hämning och undertryckning; och
  • bristen på stort minne och symbolisk representation, vilket verkar begränsa arkitekturen från att förstå språk;

När subsumptionsarkitektur utvecklades gjorde subsumtionsarkitekturens nya upplägg och tillvägagångssätt det att bli framgångsrikt inom många viktiga domäner där traditionell AI hade misslyckats, nämligen interaktion i realtid med en dynamisk miljö. Bristen på stor minneslagring, symboliska representationer och central kontroll gör det emellertid till en nackdel när det gäller att lära sig komplexa handlingar, djupgående kartläggning och förstå språk .

Se även

Anteckningar

Nyckeldokument inkluderar:

externa länkar

Hämtad från " https://en.wikipedia.org/w/index.php?title=Subsumption_architecture&oldid=1091165038 "