IFT 702 Planification en intelligence artificielle Reconnaissance de plans Froduald Kabanza...
-
Upload
jolie-calvet -
Category
Documents
-
view
113 -
download
1
Transcript of IFT 702 Planification en intelligence artificielle Reconnaissance de plans Froduald Kabanza...
IFT 702Planification en intelligence artificielle
Reconnaissance de plans
Froduald Kabanza
Département d’informatique
Université de Sherbrooke
planiart.usherbrooke.ca/kabanza/cours/ift702
© Froduald Kabanza IFT702 2
Plan de l’exposé
Énoncé du problème Quelques approches
3
Données:
Actions primitives
But» État à atteindre» Comportement (but temporellement
étendu) État initial
Sortie : plan d’actions
» Séquence» Politique
Rappel – Problème de planification
© Froduald Kabanza IFT702
Quelle prochaine action?
4
Données : Séquence d’observations Actions primitives Pour certaines approches: librairie de plans
Sortie : But expliquant les observations Plan expliquant les observations
Problèmes reliés Complex event processing Pattern recognition Abductive reasoning Planning
Problème de reconnaissance de plans
© Froduald Kabanza IFT702
Quel est son but?Comment y arrivera-t-il?
5
Jeux Sécurité Défense Interfaces humain-machines Domotique Compréhension du langage naturel
Facteurs de complexité
© Froduald Kabanza IFT702
6
Facteurs de complexité
© Froduald Kabanza IFT702
Quel est son but?Comment y arrivera-t-il?
Environnement complétement observable vs partiellement observable
Interaction vs pas d’interaction entre l’agent observé et l’agent observateur
L’agent observé est hostile vs coopératif
Un seul agent observateur vs une équipe d’agents observateurs
Un seul agent observé vs des équipes d’agents observateurs
Contraintes de temps réel
7
Planification comme outil de compréhension de la situation
© Froduald Kabanza IFT702
Architecture de contrôle inspirée de SAPHIRA
8
Basé sur des librairies de plans On suppose que l’agent agit en suivant des
recettes
On peut modéliser ses recettes par une librairie de plans.
Le problème revient à reconnaître lequel des plans est suivi.
Problème: comment avoir les librairies de plans? Apprentissage Forage
Techniques: Inférence probabiliste Parsing probabiliste
(HTN/Grammaires)
Deux types d’approches vues dans ce cours
© Froduald Kabanza IFT702
Basé sur les actions primitives On suppose qu’un comportement rationnel
(optimal) est plus probable que celui qui l’est moins Subtilité: différent de dire que l’agent
agit de façon rationnel (optimale)
On n’a pas besoin des recettes
Le problème revient à inverser le processus de planification: Probabilité d’un but dépend de la
différence entre un comportement optimal vers le but et le comportement observé
Technique: Ramirez et Geffner (AAAI 2010).
9
Rappel – inférence probabiliste• Contexte: Un gardien de sécurité passe un mois dans un édifice sous-terrain, sans
sortir. Il s’amuse à prévoir le temps en observant si le patron amène un parapluie.
• Variables: Xt = {Rt} (pour « Rain ») et Et={Ut} (pour « Umbrella »).
1tRaintRain1tRain
1tUmbrellatUmbrella1tUmbrella
Modèle des transitions: P(Rt | Rt-1). Modèle d’observation: P(Et | Rt).
© Froduald Kabanza IFT702
10
D. Pynadath and M. Wellman. Accounting for Context in Plan Recognition, with Application to Traffic Monitoring. Proc. of Conference on Uncertainty in Artificial Intelligence, 1995.
Reconnaissance de planPar réseau bayésiens
© Froduald Kabanza IFT702
11
Reconnaissance de planpar réseaux bayésiens dynamiques
Kautz et al.http://www.cs.rochester.edu/u/kautz/talks/converging-technology-kautz-v3.ppt
12
Reconnaissance de planpar réseaux bayésiens dynamiques
Transportation mode
x=<Location, Velocity>
GPS reading
Goal
Trip segment
xk-1
zk-1 zk
xk
mk-1 mk
tk-1 tk
gk-1 gk
Kautz et al.http://www.cs.rochester.edu/u/kautz/talks/converging-technology-kautz-v3.ppt
© Froduald Kabanza IFT702
13
A. Sadilek and H. Kautz, Location-Based Reasoning about Complex Multi-Agent Behavior, Journal of Artificial Intelligence Research 43 (2012) 87-133.
Reconnaissance de plans par une logique Markovienne (Markov logic)
© Froduald Kabanza IFT702
Application : jeu de capture du drapeau Markov Logic
Mariage de la logique du premier ordre avec les probabilités. Assigne des poids à des formules de logique du premier ordre Interprétation probabiliste
Approche: Utiliser la logique markovienne pour spécifier les règles du jeu Utiliser l’inférence de la logique markovienne pour prédire les buts des
joueurs étant donné les observations
14
C. Geib and R. Goldman. A probabilistic plan recognition algorithm based on plan tree grammars. Artif. Intell. 173(11): 1101-1132 (2009)
Reconnaissance de plans par analyse (parsing) des grammaires
© Froduald Kabanza IFT702
15
C. Geib and R. Goldman. A probabilistic plan recognition algorithm based on plan tree grammars. Artif. Intell. 173(11): 1101-1132 (2009)
Reconnaissance de plans par analyse (parsing) des grammaires
Implémenté par l’algorithme YAPPR. Pour avoir l’implémentation: contacter planiart.usherbrooke.ca/~julien
© Froduald Kabanza IFT702
16
M. Ramirez and H. Geffner. Probabilistic Plan Recognition Using Off-the-Shelf Classical Planners. AAAI 2010.
Par définition
En supposant le principe de rationalité (un agent aura tendance à suivre les plans optimaux), on peut établir que
c(G,O) est le coût du meilleur plan respectant avec les observations c(G,) est le coût du plan optimal peu importe les observations
Chacun de ces coûts est calculé en lançant un planificateur classique
Accès au code: contacter planiart.usherbrooke.ca/~julien
Approche en inversant la planification
© Froduald Kabanza IFT702
)()|()|( GPGOPOGP
)),(),((_
)|( OGcOGceGOP
© Froduald Kabanza IFT702 17
Résumé
La reconnaissance de plan vise à comprendre les plans, les buts, les intentions d’autres agents à partir d’observations.
Problème plus compliqué que la planification.
Résolu en réduisant le problème à des algorithmes/théories d’inférences utilisées pour d’autres problèmes. Filtrage et prédiction probabiliste Inversion de la planification Etc.