[论文解读] A Research Agenda for AI Planning in the Field of Flexible Production Systems

Aljosha Köcher, René Heesch+5 more|arXiv (Cornell University)|Dec 31, 2021

Flexible and Reconfigurable Manufacturing Systems参考文献 48被引用 13

一句话总结

本文提出了一个研究议程，旨在将符号化人工智能规划与机器学习集成到网络物理生产系统（CPPS）中，以实现自动化、可解释且灵活的生产规划。文章识别了在建模、规划与调度方面面临的关键挑战，并呼吁加强语义模型与规划算法之间的紧密集成，以支持优化、功能依赖建模、循环检测以及真实世界基准测试。

ABSTRACT

Manufacturing companies face challenges when it comes to quickly adapting their production control to fluctuating demands or changing requirements. Control approaches that encapsulate production functions as services have shown to be promising in order to increase the flexibility of Cyber-Physical Production Systems. But an existing challenge of such approaches is finding a production plan based on provided functionalities for a demanded product, especially when there is no direct (i.e., syntactic) match between demanded and provided functions. While there is a variety of approaches to production planning, flexible production poses specific requirements that are not covered by existing research. In this contribution, we first capture these requirements for flexible production environments. Afterwards, an overview of current Artificial Intelligence approaches that can be utilized in order to overcome the aforementioned challenges is given. For this purpose, we focus on planning algorithms, but also consider models of production systems that can act as inputs to these algorithms. Approaches from both symbolic AI planning as well as approaches based on Machine Learning are discussed and eventually compared against the requirements. Based on this comparison, a research agenda is derived.

研究动机与目标

• 弥合当前网络物理生产系统（CPPS）语义建模与AI规划算法之间的鸿沟，二者目前处于孤立运行状态。
• 识别柔性生产中AI规划的核心需求，包括优化、依赖关系建模、循环处理、可解释性以及实现工作量。
• 评估符号化AI（如PDDL、SMT、本体）与机器学习方法在满足这些需求方面的适用性，以揭示研究空白。
• 提出一个统一框架，使语义模型能够指导并增强CPPS中的规划与调度过程。
• 建立一个研究议程，以指导未来工作，实现真实工业环境中生产规划的端到端自动化。

提出的方法

• 将现有的AI规划方法划分为符号化（如PDDL、SMT、本体）与非符号化（如机器学习）两类方法。
• 将每种方法映射到六个关键需求上：优化、依赖关系建模、循环处理、可解释性、实现工作量与数据利用。
• 分析现有方法在处理连续功能依赖、可解释性决策以及真实世界数据集成方面的局限性。
• 提出一个三步生产规划流程：(1) 对产品、工艺与资源进行语义建模；(2) 利用AI规划生成动作序列；(3) 进行调度以实现资源分配与时间安排。
• 将语义模型（如本体）与规划算法集成，以提升透明度并减少信息损失。
• 倡导开发真实工业基准，以标准化地评估和比较建模、规划与调度各阶段的规划系统。

实验结果

研究问题

• RQ1 如何扩展符号化AI规划方法（如PDDL与SMT）以处理CPPS中复杂的连续功能依赖？
• RQ2 机器学习模型在多大程度上能够提升柔性生产系统中的规划能力，特别是在建模非线性工艺行为方面？
• RQ3 如何系统性地将可解释性集成到AI规划解决方案中，以确保在工业环境中建立信任与正确性？
• RQ4 哪些机制能够实现对生产过程中循环的显式检测，从而显著降低重复规划的开销？
• RQ5 如何利用真实工业数据与基准，以标准化方式评估和比较AI规划系统？

主要发现

• 当前的AI规划系统无法有效利用CPPS的语义模型，导致建模与规划阶段之间脱节。
• 符号化AI方法（如PDDL与SMT）虽已成熟，但在复杂系统中缺乏对连续功能依赖与可解释推理的支持。
• 机器学习方法能够建模复杂且连续的依赖关系，但存在可解释性差与实现工作量高的问题。
• 尽管语义模型（如本体）与机器学习模型具有互补优势，但目前二者之间尚无有效集成。
• 当前规划算法对循环检测的支持尚不充分，而显式循环建模可显著降低重复规划的开销。
• 缺乏真实工业基准限制了AI规划方法的评估与比较，阻碍了其向工业部署的推进。