[论文解读] cc-Golog: Towards More Realistic Logic-Based Robot Controllers

Henrik Großkreutz, Gerhard Lakemeyer|ArXiv.org|Mar 8, 2000

Logic, Reasoning, and Knowledge参考文献 23被引用 30

一句话总结

本文提出 cc-Golog，一种基于逻辑的机器人控制语言，通过引入一种新颖的 'waitFor' 原语，将情境演算扩展以支持连续变化和事件驱动动作。通过将此机制整合到 ConGolog 的确定性变体中，cc-Golog 实现了自然且语义清晰的机器人行为规划与预测——在速度上相比 rpl 的 xfrm 预测系统提升 10 倍，同时通过避免冗余条件检查显著减少了预测事件数量。

ABSTRACT

High-level robot controllers in realistic domains typically deal with processes which operate concurrently, change the world continuously, and where the execution of actions is event-driven as in ``charge the batteries as soon as the voltage level is low''. While non-logic-based robot control languages are well suited to express such scenarios, they fare poorly when it comes to projecting, in a conspicuous way, how the world evolves when actions are executed. On the other hand, a logic-based control language like \congolog, based on the situation calculus, is well-suited for the latter. However, it has problems expressing event-driven behavior. In this paper, we show how these problems can be overcome by first extending the situation calculus to support continuous change and event-driven behavior and then presenting \ccgolog, a variant of \congolog which is based on the extended situation calculus. One benefit of \ccgolog is that it narrows the gap in expressiveness compared to non-logic-based control languages while preserving a semantically well-founded projection mechanism.

研究动机与目标

• 为解决 rpl 等非逻辑机器人控制语言中缺乏形式化语义与预测支持的问题，这些语言依赖于过程式执行机制。
• 克服 ConGolog 在表达事件驱动行为方面的局限性，其中动作时机未显式指定，而是依赖于世界状态条件。
• 将连续变化与事件驱动执行整合进基于逻辑的框架中，实现稳健且声明式的语义。
• 实现对机器人计划的准确、逻辑上可信的预测，以反映实时、并发且可中断的行为。
• 开发一种系统，既能支持表达性强的机器人控制器规格，又能实现高效可靠的计划分析。

提出的方法

• 扩展情境演算以基于 Pinto 的框架建模连续变化，允许 fluents 随时间变化。
• 引入一种特殊的 'waitFor' 动作，用于表示事件驱动行为，其执行在条件变为真之前被挂起。
• 设计 cc-Golog 作为基于扩展情境演算的 ConGolog 确定性变体，支持并发与基于优先级的执行。
• 在并发程序背景下形式化 'waitFor' 动作的语义，确保高优先级中断不会阻塞。
• 实现一种基于逻辑的预测机制，避免依赖过程式解释器或运行时启发式方法。
• 使用增量解释技术，将逻辑预测与未来执行中的实时传感器反馈相连接。

实验结果

研究问题

• RQ1 能否在基于逻辑的规划框架中正式表达事件驱动的机器人行为（例如，当电压下降时为电池充电）？
• RQ2 如何在不损失逻辑可处理性的前提下，将世界 fluents 的连续变化（如电池电量）整合进情境演算？
• RQ3 基于逻辑的控制器能否在保持 rpl 等非逻辑语言表达力的同时，实现稳健且声明式的计划预测？
• RQ4 与 rpl 的 xfrm 等过程式解释器相比，使用逻辑上可信的预测机制会对性能产生何种影响？
• RQ5 如何形式化 'waitFor' 动作与并发高优先级进程之间的交互，以确保行为正确？

主要发现

• cc-Golog 在计划预测上的速度相比 rpl 的 xfrm 提升了 10 倍，入门示例的预测时间从 3.6 秒降至 0.4 秒。
• cc-Golog 预测的事件数量显著低于 xfrm，因为它避免了对非动作事件（如 'reschedule' 检查）的投影。
• cc-Golog 的预测机制基于正式且声明式的逻辑，而 xfrm 依赖于 rpl 解释器的过程式语义。
• 该语言自然地表达了并发且可中断的行为，例如在邮件投递期间为电池充电，无需预先指定动作时机。
• 实验结果表明，cc-Golog 的实现更具效率与精确性，长轨迹的预测时间从 22.7 秒降至 3 秒。
• 该方法在语义坚实的基础上正确处理了事件驱动动作与连续 fluents，缩小了与非逻辑控制语言之间的差距。