Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Agente Inteligente
Agente Inteligente
Agentes Inteligentes
Modelos y Arquitecturas de Agentes
Juan Pavn Mestras Dep. de Ingeniera del Software e Inteligencia Artificial
Considerando el agente como entidad que interacta con su entorno el diseo de un agente requiere estudiar:
Cmo percibir el entorno Cmo representar el entorno Cmo definir los actuadores
http://grasia.fdi.ucm.es
UCM 2006-07
La tecnologa se asienta
El estudio de estos elementos ha derivado en
Arquitecturas
Desde la experimentacin en la construccin de sistemas
Agentes reactivos
Modelo de agentes puramente reactivos
El proceso del agente es un ciclo percepcin-accin (estmulo/respuesta)
Reacciona a la evolucin del entorno
Lenguajes
Desde el estudio terico de los agentes, principalmente con lgicas modales
No hay una representacin explcita del entorno, de los otros agentes, sus capacidades, etc. Las decisiones no tienen en cuenta ni el pasado (no hay historia) ni el futuro (no hay planificacin)
percepcin
Agente
accin
Entorno
UCM 2006-07 Modelos y arquitecturas de agentes 3 UCM 2006-07 Modelos y arquitecturas de agentes 4
Agentes reactivos
Agentes reactivos que mantienen su estado interno
Deciden la accin a realizar teniendo en cuenta su historia de interacciones con el entorno
Secuencia de estados del entorno o secuencia de percepciones Se guarda como estado interno del agente
Agentes reactivos
Ejemplo de ciclo de ejecucin de un agente reactivo
Reglas: situacin-accin Conjunto de percepciones
while (true) { estado = interpretar_entrada (percepcion); regla = correspondencia (estado, Reglas); ejecutar (regla, accion); }
percepcin siguiente
accin
estado
Agente
Entorno
UCM 2006-07 Modelos y arquitecturas de agentes 5 UCM 2006-07 Modelos y arquitecturas de agentes 6
Jerarqua de subsuncin
Se pueden ejecutar varios comportamientos simultneamente Para elegir entre ellos se usa la jerarqua de subsuncin Los comportamientos estn ordenados por capas Los comportamientos de las capas ms bajas (mayor prioridad) inhiben a los de las capas superiores
UCM 2006-07 Modelos y arquitecturas de agentes 7
Se pueden aadir y quitar comportamientos sin tener que modificar el cdigo de los otros
Nodo inhibidor
UCM 2006-07
UCM 2006-07
10
Comportamientos de movimiento
organizados de acuerdo a una jerarqua de subsuncin
UCM 2006-07
11
UCM 2006-07
12
Movimiento de exploracin
Movimiento de regreso
A nivel de sistema esta regulacin permite la emergencia de especializaciones y de reparticin de tareas entre agentes
Modelos y arquitecturas de agentes 14
[Demazeau 96]
UCM 2006-07
15
UCM 2006-07
16
Agentes deliberativos
Extienden arquitecturas cognitivas de la IA El proceso del agente introduce una funcin deliberativa entre la percepcin y la ejecucin para elegir la accin correcta
percepcin delibera accin
Estado mental
Agente Entorno
17 UCM 2006-07 Modelos y arquitecturas de agentes 18
Agentes deliberativos
Ejemplo de ciclo de ejecucin de un agente deliberativo
EstadoMental s; ColaEventos eq; ... s.inicializa(); while (true) { opciones = generar_opciones (eq, s); seleccionado = delibera (opciones, s); s.actualiza_estado(seleccionado); ejecutar (s); eq.mira_eventos(); }
Agentes deliberativos
Requieren dos procesos:
1. 2.
Decidir qu objetivos perseguir: deliberacin Decidir cmo alcanzar dichos objetivos: razonamiento basado en medios y fines
Se basan en el razonamiento prctico (decidir en cada momento la accin a realizar para facilitar la consecucin de los objetivos) Modelo BDI (Beliefs-Desires-Intentions)
Precusor: IRMA [Bratman 88] Arquitectura PRS (Procedural Reasoning System) [Georgeff y Lansky 87] Lgicas BDI [Rao y Georgeff]
UCM 2006-07
19
UCM 2006-07
20
Arquitectura BDI
Las intenciones del agente juegan un importante papel en el razonamiento prctico:
Dirigen el razonamiento basado en medios y fines Restringen las deliberaciones futuras Persisten Influencian las creencias sobre las que se basar el futuro razonamiento prctico
Arquitectura BDI
Dos extremos:
El agente que no reconsidera suficientemente a menudo sus intenciones (atrevido)
Comportamiento dirigido por objetivos
El agente que continuamente reconsidera sus intenciones dedicando as un tiempo insuficiente a su consecucin (precavido)
Comportamiento dirigido por eventos (reactivo)
Cada cierto tiempo el agente deber replantearse sus intenciones, abandonado aquellas que considera que no va a alcanzar, aquellas que ya ha alcanzado y aquellas cuya justificacin ha desaparecido
Arquitectura BDI
Componentes de un agente BDI:
Conjunto de creencias actuales que tiene el agente acerca de su entorno Funcin de revisin de creencias (frc) que actualiza las creencias en base a las percepciones Funcin de generacin de opciones (deseos) a partir de sus creencias e intenciones Conjunto de opciones actuales (acciones disponibles) Funcin filtro correspondiente al proceso de deliberacin
Determina las nuevas intenciones en funcin de sus creencias, deseos e intenciones
Arquitectura BDI
percepcin
revisin de creencias
creencias
genera opciones
deseos filtra
intenciones
ejecuta
accin
Modelos y arquitecturas de agentes 24
Arquitectura BDI
C R E E N C I A S
UCM 2006-07
27
UCM 2006-07
28
Cognitive System
Knowledge Base Declarative Knowledge Resolution Knowledge Domain Knowledge Working Memory Objectives Space Facts Space WM
Event Manager
Inference Engine External Events: control << E vent >> <<objective >> << Widget>> visual Mailbox Application or User
Satisfecho
UCM 2006-07
29
UCM 2006-07
30
Descomposicin de objetivos
rboles Y/O
No molestar al usuario [Rich y Knight 90]
Espacio de objetivos
A
Incrementar beneficios
A Y C O B C O E D E
Y B
Evaluar autnomamente
Vender ms
Reducir costes
32
Rule 1
If There is an event indicating proximity of a deadline for a task and there exists Analyze_situation in PENDING state then tell the objectives space to refine Analyze_situation If there exists Obtain_data in PENDING state then activate Obtain_data and solve Obtain_data If there exists data (reports and status) about a task and there exists Analyze_situation in SOLVING state then solve Analyze_situation
Rule 2
Rule 3
El proceso de deliberacin de un agente BDI debe ser ajustado en funcin de la variabilidad del entorno En la prctica el problema est en encontrar implementaciones eficientes de esta arquitectura
UCM 2006-07
33
UCM 2006-07
34
Agentes hbridos
Arquitecturas basadas en capas
Unas capas o subsistemas implementan el comportamiento reactivo y otras el comportamiento deliberativo
Capas horizontales: todas las capas estn conectadas a la entrada y salida del agente Capas verticales: la entrada y la salida estn conectadas a una nica capa del agente
Inicialmente en robtica
AuRA [Arkin 90, Integrating behavioral, perceptual and world knowledge in reactive navigation]
Sistema reactivo para el control de bajo nivel del robot Planificacin para la toma de decisiones
Embebidos en un subsistema de control basado en reglas que pueden inhibir entradas y salidas, y determina que capa tiene control sobre el agente entrada Subsistema percepcin Capa modeladora Capa planificadora Capa reactiva Subsistema de control
35 UCM 2006-07 Modelos y arquitecturas de agentes 36
Otros ejemplos:
RAP [Firby 89, Adaptive execution in dynamic domains] Interrap [Muller et al. 95, Modelling reactive behaviour in vertically layered agent architectures] Touring Machines [Ferguson 92]
UCM 2006-07 Modelos y arquitecturas de agentes
Subsistema accin
salida
Utilizan una descomposicin natural de la funcionalidad del agente No tienen la claridad conceptual y semntica de otras arquitecturas La gestin de interacciones entre capas puede ser compleja
Capas horizontales:
conocimiento social conocimiento planificacin modelo del mundo Ventaja: simplicidad conceptual
BC
Capas verticales
Arquitecturas de uno o dos pasos Ventaja: La complejidad de las interacciones entre capas se reduce Inconveniente: Para tomar una decisin hay que pasar el control a cada una de las capas No tolerante a fallos
37 UCM 2006-07 Modelos y arquitecturas de agentes 38
accin
Modelos y arquitecturas de agentes
Referencias
Bratman, M. E., Israel, D., and Pollack, M., Plans and Resource-bounded Practical Reasoning, Journal of Computational Intelligence, vol. 4, no. 4, pp. 349-355, 1988. Brenner, W., Zarnekow, R. Wittig, H. Intelligent Software Agents. Springer, 1998. Brooks, R.A., Intelligence without representation. Artificial Intelligence, 47, 1991. Carver, N. and Lesser, V. R.:The Evolution of Blackboard Control Architectures. Informe. Department of Computer Science, University Massachusetts. 1992 Ferber, J. Multiagent systems : an introduction to distributed artificial intelligence, Addison-Wesley, 1999. Genesereth, M.R., Ketchpel, S.P. Software Agents. CACM, 37, 7, 1994 Jennings, N.R., On agent-based software engineering. Artificial Intelligence, 117, 2000. Mller, J.P., The design of intelligent agents: a layered approach. Lecture Notes in Computer Science, Vol.1177, Springer-Verlag, 1996 Shoham, Y. Agent-oriented programming. Artificial Intelligence, 60, 1993. Sycara K.P. Multiagent Systems. AI Magazine, Summer 1998. Weiss, G. Multiagent Systems. The MIT Press, 1999.
UCM 2006-07
39