Aktive Wissensadaption für intelligente autonome Roboter

Wenn ein autonomer Roboter robust in einer dynamischen Real-World Umgebung agieren soll, so muss er in der Lage sein mit unerwarteten, unvorhergesehenen und mehrdeutigen Situationen umgehen können. Eine häufige Ursache für solche Situationen ist, dass der aktuelle Zustand der Welt inkonsistent mit der interne Abbildung oder der Wissensbasis des Roboters ist. Zum Beispiel glaubt der Roboter, er ist in einem anderen Büro, als in dem er sich tatsächlich befindet. Üblicherweise wird dies durch Unsicherheiten in der Wahrnehmung und im Handeln des Roboters oder durch externe Ereignisse, die der Roboter nicht kontrollieren oder wahrnehmen kann, verursacht. Wenn ein Roboter nicht in der Lage ist solche Situationen zu erkennen, so wird er in der Ausführung seiner Aufgabe scheitern, da die Entscheidungsfindung des Roboters sich auf eine konsistente Wissensbasis verlässt. Menschen sind auf Grund ihrer Schlussfolgerungsfähigkeiten sehr gut darin mit solchen Phänomenen umzugehen. Sie benutzen allgemein gültige Schlussfolgerungen um solche Inkonsistenzen zu detektieren. Zusätzlich sind sie in der Lage Aktionen zu setzen, um diese Inkonsistenzen zu reduzieren. Wenn zum Beispiel eine Person sich nicht sicher ist, in welchem Stockwerk sie sich befindet, geht sie zurück zum Lift oder Treppenhaus und sieht nach in welchen Stockwerk sie gerade ist. In dem Projekt schlagen wir einen Schlussfolgerungsmechanismus vor, der es einem Roboter erlaubt Inkonsistenzen in seiner Wissensbasis zu erkennen und Reparaturaktionen ab zu leiten, die die Inkonsistenzen eliminieren oder zumindest reduzieren. Der Ansatz nutzt ein Hintergrundmodel (Hausverstand), wie der Roboter und die Welt funktionieren sollten, und Methoden der Model-Basierten Diagnose um Inkonsistenzen zu detektieren und deren Ursache zu lokalisieren, zum Beispiel falsche oder unsichere Fakten. Weiters erstellt der Ansatz automatisch Reparaturpläne, die der Roboter ausführen kann, um die Inkonsistenzen zu reduzieren. Diese Reduktion erfolgt durch die Bestätigung oder Entfernung von Fakten aus der Wissensbasis.

Wenn ein autonomer Roboter robust in einer dynamischen Real-World Umgebung agieren soll, so muss er in der Lage sein mit unerwarteten, unvorhergesehenen und mehrdeutigen Situationen umgehen können. Eine häufige Ursache für solche Situationen ist, dass der aktuelle Zustand der Welt inkonsistent mit der internen Abbildung oder der Wissensbasis des Roboters ist. Zum Beispiel glaubt der Roboter, er ist in einem anderen Büro, als in dem er sich tatsächlich befindet. Üblicherweise wird dies durch Unsicherheiten in der Wahrnehmung und im Handeln des Roboters oder durch externe Ereignisse, die der Roboter nicht kontrollieren oder wahrnehmen kann, verursacht. Wenn ein Roboter nicht in der Lage ist solche Situationen zu erkennen, so wird er in der Ausführung seiner Aufgabe scheitern, da die Entscheidungsfindung des Roboters sich auf eine konsistente Wissensbasis verlässt. Menschen sind auf Grund ihrer Schlussfolgerungsfähigkeiten sehr gut darin mit solchen Phänomenen umzugehen. Sie benutzen allgemein gültige Schlussfolgerungen um solche Inkonsistenzen zu detektieren. Zusätzlich sind sie in der Lage Aktionen zu setzen, um diese Inkonsistenzen zu reduzieren. Wenn zum Beispiel eine Person sich nicht sicher ist, in welchem Stockwerk sie sich befindet, geht sie zurück zum Lift oder Treppenhaus und sieht nach in welchem Stockwerk sie gerade ist. In dem Projekt entwickelten wir einen Schlussfolgerungsmechanismus, der es einem Roboter erlaubt Inkonsistenzen in seiner Wissensbasis zu erkennen und Reparaturaktionen abzuleiten, die die Inkonsistenzen eliminieren oder zumindest reduzieren. Der Ansatz nutzt ein Hintergrundmodell (Hausverstand), wie der Roboter und die Welt funktionieren sollten, und Methoden der Model-Basierten Diagnose um Inkonsistenzen zu detektieren und deren Ursache zu lokalisieren, zum Beispiel falsche oder unsichere Fakten. Weiters erstellt der Ansatz automatisch Reparaturpläne, die der Roboter ausführen kann, um die Inkonsistenzen zu reduzieren. Diese Reduktion erfolgt durch die Bestätigung oder Entfernung von Fakten aus der Wissensbasis. Am Ende des Projektes wurde die Methode in einen realen Serviceroboter integriert und erhöhte die Robustheit des Roboters gegenüber unerwarteten Ereignissen in der Umgebung wie verlegte Objekte oder ungenaue Navigationsbefehle.