[论文解读] Narrative based Postdictive Reasoning for Cognitive Robotics

Manfred Eppe, Mehul Bhatt|arXiv (Cornell University)|Jun 4, 2013

Logic, Reasoning, and Knowledge参考文献 28被引用 14

一句话总结

本文提出了一种面向认知机器人的在线、基于叙事的后向推理框架，可在自主轮椅系统中实现实时异常检测与计划修复。通过采用基于答案集编程（ASP）的近似认识论规划，该系统利用感知叙事的增量推理，后向推断意外世界状态变化的原因，从而在感知知识不完整且存在冲突的情况下，实现稳健、响应式的控制。

ABSTRACT

Making sense of incomplete and conflicting narrative knowledge in the presence of abnormalities, unobservable processes, and other real world considerations is a challenge and crucial requirement for cognitive robotics systems. An added challenge, even when suitably specialised action languages and reasoning systems exist, is practical integration and application within large-scale robot control frameworks. In the backdrop of an autonomous wheelchair robot control task, we report on application-driven work to realise postdiction triggered abnormality detection and re-planning for real-time robot control: (a) Narrative-based knowledge about the environment is obtained via a larger smart environment framework; and (b) abnormalities are postdicted from stable-models of an answer-set program corresponding to the robot's epistemic model. The overall reasoning is performed in the context of an approximate epistemic action theory based planner implemented via a translation to answer-set programming.

研究动机与目标

• 解决在真实世界机器人控制中，对不完整、冲突或异常的感知叙事进行推理的挑战。
• 在不确定性条件下，实现实时、增量式的计划监控与修复。
• 将后向推理——对观察到的变化的过去原因进行溯因推理——整合进可扩展的在线规划框架中。
• 通过与ExpCog框架及ROS的集成，支持在大规模认知机器人系统中的实际部署。
• 开发一种计算高效、对复杂性变化具有容忍性的规划形式化方法，支持感知与后向推理。

提出的方法

• 使用从传感器数据和人工输入中提取的基于叙事的感知模型，表示智能体的认识状态。
• 应用h-近似（HPX）形式化方法，作为认识论动作理论的可靠、不完备但高效的近似，用于规划。
• 将HPX形式化方法转化为答案集编程（ASP），以使用oclingo在线ASP推理器进行可执行推理。
• 通过在执行过程中动态更新知识库以纳入新的感官观测，实现增量式、在线规划。
• 通过ASP的稳定模型语义实现后向推理，以推断意外世界状态变化的解释。
• 将系统集成至ExpCog认知机器人框架中，实现在ROS和iCub等机器人平台上的无缝部署。

实验结果

研究问题

• RQ1 如何有效将后向推理整合到实时机器人控制中，以检测并解释感知叙事中的异常？
• RQ2 何种形式化方法能够支持在认知机器人中实现高效、增量式且对复杂性变化具有容忍性的推理？
• RQ3 如何利用基于叙事的推理，实现在意外世界状态变化下的动态计划修复？
• RQ4 在大规模机器人控制框架中部署基于后向推理的系统面临哪些实际挑战？
• RQ5 如何使基于在线ASP的规划在实时机器人应用中实现可扩展性与高效性？

主要发现

• 该系统通过在叙事知识上进行溯因推理，成功实现实时检测并解释意外世界状态变化，实现后向推断。
• h-近似（HPX）的使用实现了高效的NP完全性计划存在性检查，使其适用于实时应用。
• 与oclingo在线ASP推理器的集成，使得在计划执行过程中可动态更新知识库，支持增量推理。
• 该框架通过识别并推理计划失败的原因（如门被意外关闭），实现了在线计划修复。
• 该方法已在真实智能家居场景中的自主轮椅系统中得到验证，展示了在感官不确定性下的鲁棒性。
• 该系统正被集成至ExpCog框架中，以实现在ROS和Gazebo等机器人平台上的广泛部署。