Att konstruera autonoma system involverar ett stort antal problem och metoder från olika discipliner. Denna framställning fokuserar på artificiell intelligens. Notera att det finns vissa aspekter som är genomgående. Osäker information dyker upp praktiskt taget över allt, och inlärning är användbart på alla nivåer.
Det första ett autonomt system behöver kunna göra är att bearbeta och tolka sensordata. Här används olika signalbehandlingstekniker. Den mest informationsrika, men även svårtolkade, typen av sensordata kommer från videokameror och bearbetas med tekniker från datorseende. Andra vanliga typer av sensorer är laser och sonarer för att bl a mäta avståndet till väggar och andra hinder, och GPS för positionsbestämning. Beröringssensorer, elektroniska näsor, tryckmätare, radar och värmekameror är andra sensorer som förekommer. Eftersom autonoma system ibland verkar i komplexa miljöer med svårtolkade signaler så används ofta inlärningstekniker för sensorbearbetning.
Det är också viktigt att kunna kombinera data från olika sensorer; detta kallas sensor-fusion.
Aktuatorer kan utgöras av bl a robotens eller farkostens motorer och hjul, ben eller propeller, och griparmar för att kunna lyfta och förflytta föremål. För att konstruera och kontrollera aktuatorer används framför allt metoder från mekatronik och reglerteknik. Reglerproblem för autonoma system kan skilja sig mycket åt beroende på vad man styr, t ex en robot med ben, eller en flygfarkost.
Att bara kunna ta in sensordata och styra aktuatorer räcker inte för ett autonomt system; det måste också kunna koppla ihop de två sakerna så att systemet kan utföra sina uppgifter. Detta kan ske på många olika nivåer.
På den lägsta nivån har vi reglerloopar som ofta kopplar sensordata direkt till styrning av aktuatorer, t ex för att ge en farkost en viss hastighet och riktning. Mer komplexa beteenden kan sättas samman för att utföra begränsade uppgifter såsom att ta sig till en närliggande plats och undvika kollisioner. Beteendena bör kunna snabbt reagera på förändringar, t ex om en annan farkost plötsligt blockerar vägen.
För att kunna utföra mer komplexa uppgifter behövs någon form av planering, som kan sätta ihop enkla beteenden till mer komplexa beteenden. Det kan vara antingen färdiga planer, skrivna av användaren eller inlärda, som tas från ett planbibliotek, eller planer som genereras av ett planeringssystem. Det finns ett antal olika typer av planering, såsom vägplanering (för att optimalt förflytta sig från en punkt till en annan) och handlingsplanering. Eftersom handlingar ibland har ett osäkert resultat - det kan avvika eller helt utebli från vad som förväntas - så används ofta olika metoder för att hantera osäkerhet, såsom Markov-beslutsprocesser (MDP:er). Även sensorer har en tendens att ge osäker information.
Även de mest genomtänkta planer och beteenden kan gå fel. Därför behövs ofta någon slag process för att upptäcka fel (kallas ofta för monitor), identifiera vari felet ligger (felidentifiering, diagnostik) och åtgärda felet (genom rekonfigurering eller omplanering).
Mer avancerade beslutsprocesser behöver stöd av någon slags modell av omgivningen och systemet självt. För ett rörligt system är t ex en karta viktig, om det ska kunna förflytta sig mellan olika bestämda platser. För att använda kartan måste det kunna självlokalisera, dvs bestämma sin nuvarande position. En möjlighet är att använda GPS (globalt positioneringssystem); ett annat är att matcha sensordata mot kartan. Det senare involverar osäkerhet och metoder baserade på sannolikhetsfördelningar såsom Kalman-filter och partikelfilter används ofta. Kartan kan vara given i förväg (t ex genom ett GIS, geografiskt informationssystem) eller kan skapas av systemet självt. Samtidig lokalisering och kartbyggande (SLAM) innebär att systemet använder den karta den håller på att bygga upp till att lokalisera, och samtidigt använder sin uppskattade position när den bygger upp kartan.
Beslutsprocesser som planering, felupptäckt och diagnostik behöver också modeller, som ofta är symboliska. Inom kognitiv robotik arbetar man med att använda olika teorier för kunskapsrepresentation såsom handlingslogiker.
Ett avancerat autonomt system består typiskt av flera olika nivåer, från sensorer och aktuatorer till högre beslutsfunktioner. Hur man kan integrera dessa olika nivåer så att de fungerar tillsammans är ett nyckelproblem för autonoma system. Om man t ex använder symboliska kunskapsrepresentationer och beteendespecifikationer, så behöver man på något sätt koppla ihop symboler med de objekt och egenskaper som systemets sensorer uppfattar. Detta kallas generellt för symbol-grundande-problemet; ett specialfall är förankringsproblemet som berör symboler som representerar objekt.
Grupper av robotar kan utföra uppgifter som enskilda robotar inte klarar av. Inom samarbetande robotik studerar man bl a hur grupper av robotar kan lösa uppgifter tillsammans, och hur de kan fördela deluppgifter mellan sig. Exempel är att utforska ett område tillsammans och bygga en karta över det, att övervaka ett område, eller att flytta stora föremål tillsammans. Man studerar även hur robotar kan koordinera sina beteenden, t ex för att hålla en formation under rörelse.
Intelligenta omgivningar kan bestå av olika inbyggda intelligenta system som samarbetar och koordinerar sina aktiviteter.
Robotar och andra autonoma system kan också behöva samarbeta med människor. Människa-robot-interaktion är ett område som kombinerar robotik och människa-dator-interaktion.
Att kombinera robotar, intelligenta omgivningar och människor är den senaste trenden inom robotik och autonoma system.
Page last modified: May 05 2006 16:13:42.
Copyright © 2011 SAIS
Contact the webmaster