[論文レビュー] A Framework for Knowledge Management and Automated Reasoning Applied on Intelligent Transport Systems

Aneta Vulgarakis Feljan, Athanasios Karapantelakis+7 more|arXiv (Cornell University)|Jan 11, 2017

Semantic Web and Ontologies参考文献 15被引用数 7

ひとこと要約

本論文は、知的輸送システム（ITS）における自動計画および意思決定を可能にする、記述的知識と手続き的知識を統合する知識管理および自動推論フレームワーク「KMARF」を提案する。ドメイン知識をオントロジーによって形式化し、PDDLに変換することで、人的介入を低減し、再利用性を向上させ、複雑なCPS環境におけるスケーラブルでコスト効率の良い推論を実現する。

ABSTRACT

Cyber-Physical Systems in general, and Intelligent Transport Systems (ITS) in particular use heterogeneous data sources combined with problem solving expertise in order to make critical decisions that may lead to some form of actions e.g., driver notifications, change of traffic light signals and braking to prevent an accident. Currently, a major part of the decision process is done by human domain experts, which is time-consuming, tedious and error-prone. Additionally, due to the intrinsic nature of knowledge possession this decision process cannot be easily replicated or reused. Therefore, there is a need for automating the reasoning processes by providing computational systems a formal representation of the domain knowledge and a set of methods to process that knowledge. In this paper, we propose a knowledge model that can be used to express both declarative knowledge about the systems' components, their relations and their current state, as well as procedural knowledge representing possible system behavior. In addition, we introduce a framework for knowledge management and automated reasoning (KMARF). The idea behind KMARF is to automatically select an appropriate problem solver based on formalized reasoning expertise in the knowledge base, and convert a problem definition to the corresponding format. This approach automates reasoning, thus reducing operational costs, and enables reusability of knowledge and methods across different domains. We illustrate the approach on a transportation planning use case.

研究の動機と目的

• 知的輸送システム（ITS）における人的要因による誤りを伴う意思決定プロセスの課題を解決するため、推論プロセスの自動化を図る。
• ドメイン知識と推論手法の再利用を通じて、ITSアプリケーション間でシステム開発および運用コストを低減する。
• 形式的知識モデルを通じて、異種のデータソースの相互運用性と意味的拡張を実現する。
• 計画、検証、最適化といった多様な推論タスクを、統合されたフレームワーク内で記述的知識と手続き的知識を組み合わせることで支援する。
• 特に輸送計画分野を対象として、サイバーフィジカルシステム（CPS）における知識および推論メカニズムのクロスドメイン再利用を促進する。

提案手法

• 記述的知識（例：システムコンポONENT、状態、関係）と手続き的知識（例：行動、アクション、遷移）の両方を表現するハイブリッド知識モデルを設計する。
• OWLを用いてドメインオントロジーを構築し、ITSの概念とその関係性を意味的に構造化することで、機械処理可能な表現を可能にする。
• 知識モデルをPDDLなどの目的形式に変換するためのモデル変換ルールを実装し、自動計画エンジンとの統合を可能にする。
• 推論エンジン（例：PDDL計画エンジン）と統合し、望ましいシステム状態を達成するためのアクションシーケンスを自動生成する。
• 知識ベースに形式化された推論専門知識に基づき、動的に適切な問題ソルバを選択可能なモジュラーアーキテクチャを採用する。
• 輸送計画のユースケースを用いてフレームワークのプロトタイプを実装し、計画生成および障害分析（例：車両不足による計画不能）を実証する。

実験結果

リサーチクエスチョン

• RQ1 どのようにして記述的知識と手続き的知識を、ITSにおける多様な推論タスクを支援する単一の形式的モデルに統合できるか？
• RQ2 統一された知識モデルは、異なるITSアプリケーション間でドメイン知識と推論手法の再利用をどの程度可能にするか？
• RQ3 自動推論は、知的輸送システムのような実世界のCPSアプリケーションに、どのようにスケーラブルかつ統合的に導入できるか？
• RQ4 資源制約に起因する計画不能（例：車両不足）といった問題解決の障害を検出・説明するメカニズムは何か？
• RQ5 問題の種別と現在のシステム状態に応じて、フレームワークはどのようにして推論手法を動的に選択・適応させるか？

主な発見

• 提示された知識モデルは、静的ドメイン知識と動的行動知識を効果的に統合し、システム状態全体にわたる包括的な推論を可能にした。
• KMARFは、知識モデルからPDDLファイルを自動生成でき、それが計画エンジンによって処理され、輸送スケジューリングのための実行可能な計画が生成された。
• タスクが実行不能（例：車両不足）である場合に検出でき、リソース割り当ての増加を提案するなどの診断フィードバックを提供できる。
• 形式化された知識と推論メカニズムの再利用により、人的介入の必要性が低減し、システムの導入および適応が迅速化された。
• フレームワークは、最適および準最適な解決策の生成をサポートするさまざまな計画シナリオにおいて、スケーラビリティと再利用性を示した。
• 将来の拡張としてメタ推論をサポートすることで、未知または予期しない問題例に直面した際に関連する過去の知識やアルゴリズムを同定できるようになる。