[论文解读] 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 7

一句话总结

本文提出KMARF，一种知识管理与自动化推理框架，通过整合陈述性知识与程序性知识，实现智能交通系统（ITS）中的自动化规划与决策。通过本体形式化领域知识并将其转换为PDDL以供规划引擎使用，KMARF减少了人工参与，提升了可重用性，并在复杂的CPS环境中实现可扩展、低成本的推理。

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.

研究动机与目标

• 通过自动化推理过程，解决智能交通系统（ITS）中手动且易出错的决策问题。
• 通过在不同ITS应用中重用领域知识与推理方法，降低系统开发与运营成本。
• 通过形式化知识模型，实现异构数据源在ITS中的互操作性与语义增强。
• 通过在统一框架中结合陈述性与程序性知识，支持多种推理任务（如规划、验证与优化）。
• 在信息物理系统（CPS）中，特别是交通规划领域，促进知识与推理机制的跨领域重用。

提出的方法

• 设计一种混合知识模型，用于表示陈述性知识（如系统组件、状态、关系）与程序性知识（如行为、动作、状态转换）。
• 使用OWL开发领域本体，以语义方式组织ITS概念及其关系，实现机器可处理的表示。
• 实现模型转换规则，将知识模型转换为目标形式化语言（如PDDL），以实现与自动化规划器的集成。
• 将框架与推理引擎（如PDDL规划器）集成，自动生成实现期望系统状态的动作序列。
• 采用模块化架构，根据知识库中形式化的推理专长，动态选择合适的求解器。
• 通过交通规划用例原型化框架，演示计划生成与故障分析（如识别车辆数量不足的问题）能力。

实验结果

研究问题

• RQ1 如何在单一形式化模型中有效结合陈述性与程序性知识，以支持ITS中的多样化推理任务？
• RQ2 统一的知识模型在多类ITS应用中实现领域知识与推理方法重用的程度如何？
• RQ3 自动化推理在多大程度上可实现规模化并集成到现实世界的信息物理系统（CPS）应用（如智能交通系统）中？
• RQ4 框架通过何种机制可检测并解释问题求解中的失败，如因资源约束导致的不可行运输计划？
• RQ5 框架如何根据问题类型与当前系统状态，动态选择并适应不同的推理方法？

主要发现

• 所提出的知识模型成功整合了静态领域知识与动态行为知识，实现了对系统状态的全面推理。
• KMARF能够从知识模型自动生成功能PDDL文件，再由规划器处理生成可用于交通调度的可执行计划。
• 当任务不可行时（如因车辆数量不足），框架可检测并提供诊断反馈，例如建议增加资源分配。
• 通过重用形式化知识与推理机制，KMARF减少了人工干预，加速了系统部署与适应过程。
• 该框架在不同规划场景中展现出可扩展性与可重用性，支持最优与次优解的生成。
• 未来扩展支持元推理功能后，系统可在遇到新型或意外问题实例时，自动识别相关先前知识与算法。