[논문 리뷰] A Framework for Knowledge Management and Automated Reasoning Applied on Intelligent Transport Systems

Aneta Vulgarakis Feljan, Athanasios Karapantelakis외 7명|arXiv (Cornell University)|2017. 01. 11.

Semantic Web and Ontologies참고 문헌 15인용 수 7

한 줄 요약

이 논문은 지능형 교통 시스템(ITS)에서 기술적 지식과 절차적 지식을 통합하여 자동 계획 및 의사결정을 가능하게 하는 지식 관리 및 자동 추론 프레임워크인 KMARF를 제안한다. 도메인 지식을 온톨로지로 형식화하고 이를 PDDL로 변환함으로써 인간의 개입을 줄이고 재사용성을 향상시키며, 복잡한 CPS 환경에서 확장 가능하고 비용 효율적인 추론을 실현한다.

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.

연구 동기 및 목표

• 지능형 교통 시스템(ITS)에서 수동적이고 실수를 유발할 수 있는 의사결정 과정을 자동화함으로써 도전 과제를 해결한다.
• 다양한 ITS 응용 분야 간에 도메인 지식과 추론 방법을 재사용함으로써 시스템 개발 및 운영 비용을 절감한다.
• 형식화된 지식 모델을 통해 이질적인 데이터 소스 간의 상호운용성과 의미적 풍부화를 달성한다.
• 통합된 프레임워크에서 기술적 지식과 절차적 지식을 융합하여 계획, 검증, 최적화와 같은 다양한 추론 작업을 지원한다.
• 특히 교통 계획 분야에서의 사이버-물리 시스템(CPS)에 걸쳐 지식과 추론 메커니즘의 교차 도메인 재사용을 촉진한다.

제안 방법

• 기술적 지식(예: 시스템 구성 요소, 상태, 관계)과 절차적 지식(예: 행동, 동작, 전이)을 모두 표현하는 하이브리드 지식 모델을 설계한다.
• 기계 처리 가능한 표현을 가능하게 하기 위해 OWL을 사용하여 ITS 개념과 그 관계를 의미적으로 구조화한 도메인 온톨로지를 개발한다.
• 지식 모델을 PDDL와 같은 목표 형식화 체계로 변환하기 위한 모델 변환 규칙을 구현한다.
• 자동 계획기(예: PDDL 계획기)와 통합하여 목표 시스템 상태를 달성하기 위한 동작 시퀀스를 자동으로 생성한다.
• 지식 기반에 포함된 형식화된 추론 전문 지식에 기반해 문제 해결기의 동적 선택이 가능한 모듈러 아키텍처를 구현한다.
• 운영 계획 사용 사례를 활용해 프레임워크를 프로토타yped하여 계획 생성 및 장애 분석(예: 차량 수 부족 원인 분석)을 시연한다.

실험 결과

연구 질문

• RQ1 어떻게 기술적 지식과 절차적 지식을 하나의 형식 모델에 효과적으로 통합하여 ITS에서 다양한 추론 작업을 지원할 수 있는가?
• RQ2 통합된 지식 모델이 다양한 ITS 응용 분야 간에 도메인 지식과 추론 방법의 재사용을 어느 정도 가능하게 하는가?
• RQ3 자동 추론은 실제 CPS 응용 분야(예: 지능형 교통 시스템)에 어떻게 확장하고 통합될 수 있는가?
• RQ4 어떤 메커니즘이 자원 제약으로 인한 자원 부족으로 인한 비가능한 운송 계획과 같은 문제 해결 실패를 탐지하고 설명할 수 있는가?
• RQ5 문제 유형과 현재 시스템 상태에 따라 프레임워크는 어떻게 추론 방법을 동적으로 선택하고 적응시킬 수 있는가?

주요 결과

• 제안된 지식 모델은 정적 도메인 지식과 동적 행동 지식을 효과적으로 통합하여 시스템 상태에 대한 종합적인 추론을 가능하게 한다.
• KMARF는 지식 모델에서 자동으로 PDDL 파일을 생성하며, 이를 계획기에서 처리하여 교통 스케줄링을 위한 실행 가능한 계획을 도출한다.
• 작업가능성이 없는 경우(예: 차량 부족)를 감지하고, 자원 할당 증가와 같은 권장 조치를 포함한 진단 피드백을 제공할 수 있다.
• 형식화된 지식과 추론 메커니즘을 재사용함으로써 수동 개입의 필요성을 줄이고 시스템 배포 및 적응 속도를 향상시킨다.
• 프레임워크는 최적 및 부분 최적 해 생성을 지원하는 다양한 계획 시나리오에서 확장성과 재사용성을 입증한다.
• 미래의 확장으로 메타 추론을 지원하면, 새로운 또는 예상치 못한 문제 인스턴스에 직면했을 때 관련된 이전 지식과 알고리즘을 자동으로 식별할 수 있다.