Die Intelligenz des motivierten autonomen Roboters

[schurm2]

Hallo,

Dieser angekündigte Beitrag kommt später als ich dachte, bin halt kein Genie wie einige Personen im Forum die nur so sprudeln mit Beiträgen über Roboter, Patente, Ethik, Psychologie u.s.w.

Nun zur Sache: Die Intellegenz des motivierten autonomen Roboters ist zugleich sehr groß und sehr klein, je nachdem welche Meßlatte man anlegt.
I. Für eine Maschine ist die Intelligenz des Roboters sehr groß weil folgende Grundsteine der Intelligenz enthält:

1. Abstrakte Objekt- und Situationsmodelle in der Wissensbasis und deren intelligente Aktualisierung
Die Wissensbasis ist so strukturiert daß jedes Objekt- oder Situationsmodell ein Knoten im Baum ähnlichem Graph ist. Die Nachfolgeknoten eines Objektmodell Knotens sind mehr konkrete (weniger abstrakte) Objektmodelle als das Objektmodell im Vorgänger Knoten; z. B. die Nachfolgeknoten des Objektmodells "Apfel" sind Modelle verschiedener Apfelsorten, wobei der "Apfel" Knoten (es ist das Modell der Klasse Äpfel) ist ein Nachfolgeknoten des Modells/Knotens "Früchte" (es ist das Modell für Früchte). Ein Objektmodell hat alle Eigenschaften des Vorgänger Knotens/Objektmodells. Dies ermöglicht sehr abstrakte Objektmodelle in der Wissensbasis zu haben. Abstrakte Objektmodelle sind einer der Grundsteine der Intellegenz, weil sie dem Roboter ermöglichen, bei Wahrnehmung, ein unbekanntes Objekt zu erkennen/klassifizieren als ein Objekt einer Klasse von Objekten, d.h. als Fall eines abstrakten Objektmodells. In dieser Weise erkennt/klassifiziert der Roboter intelligent vorher nicht bekannte Objekte.

Im Falle eines neuen Objektes dessen Modell nicht in der Wissensbasis ist, kann der Roboter das Modell für dieses Objekt bilden (er kann zusätzliche Aktivitäten ausführen um weitere Eigenschaften des Objektes zu erkennen) und dieses Modell in richtiger Stelle in die baumartige Wissensbasis eintragen. In dieser Weise erweitert der Roboter intelligent seine Wissensbasis über seine Umgebung.

In ähnlicher Weise können nicht bekannte Situationen klassifiziert (identifiziert als Fall eines abstrakten Situationsmodells) werden. Wenn also der Roboter eine unbekannte gefährliche Situation wahrnimmt, dann würde er wahrscheinlich diese Situation als Fall eines abstrakten Modells für gefährliche Situationen erkennen - und so, intelligent seine Umgebung erkennen.

Der Roboter kann auch verifizieren ob ein erkanntes konkretes Objekt alle/oder neue Eigenschaften hat, im Vergleich zu seinem Modell in der Wissensbasis, und dieses Objektmodell aktualisieren - er reagiert also intelligent auf Änderungen eines Objektes.

In gesagter Weise kann der Roboter seine Wissensbasis intelligent zu einer neuen Umgebung anpassen; z.B. wenn ein Haushaltsroboter seine Wohnung wechselt, oder wenn neue Möbel gekauft werden.

2. Bewertung von Objekten und Situationen mittels emotionaler Reizmuster
Jedem Objekt- und Situationsmodell kann ein Reizmuster in bezug auf ein Bedürfnis des Roboters zugeordnet werden. Dies ermöglicht die gegenwärtige Reizstärke eines wahrgenommenen Objektes oder Situation zu berechnen. Diese Reizstärke mißt wie gut (wenn sie positiv ist) oder wie schlecht (wenn sie negativ ist) und wie wichtig (wie groß der Absolutbetrag der Reizstärke ist) gegenwärtig das/die wahrgenommene Objekt/Situation ist - er kann also intelligent Objekte und Situationen in seiner Umgebung bewerten was ihm ermöglicht gegenwärtig unwichtige Objekte und Situationen zu ignorieren und nur die wichtigsten beachten und behandeln.

3. Aktivitätschema und die Motivation des Roboters es auszuführen
Ein Aktivitätschema des Roboters ist Beschreibung einer komplexen Aktivität des Roboters, z. B. das Aktivitätsschema für Zubereitung eines Mittagessens, das Aktivitätsschema für Reinigung eines Zimmers. Solch ein Aktivitätsschema kann Kontrollsubaktivitäten enthalten die dem Roboter ermöglichen andere Maschinen zu bedienen und kontrollieren - es ist eine intelligente Eigenschaft des Roboters.
Ein Aktivitätsschema hat Anfangs- und Zielsituationen. Der Roboter beginnt die Ausführung eines Aktivitätsschemas von einer Anfangssituation und ist motiviert eine Zielsituation des Aktivitätsschemas zu erreichen; wenn der Roboter keine Zielsituation erreicht dann ist die Ausführung mißlungen. Der Roboter führt also nur dann eine Aktivität aus wenn er in einer Anfangssituation dieser Aktivität ist.
Meistens ist jedoch der Roboter in mehreren Situationen die Anfangssituationen einiger Aktivitätsschemas sind. Um zu entscheiden welche Aktivität er gegenwärtig ausführen soll, wendet er eine Prozedur an die die gegenwärtige Motivation zur Ausführung einer Aktivität bestimmt. Diese Motivationsprozedur basiert auf in " 2. Bewertung von..." gesagten Reizstärken einiger Situationen (besonders der Anfangs-, Ziel- und anderen Endsituationen) des Aktivitätsschemas. Mittels dieser Motivation, mit Berücksichtigung der Zeit in der eine Aktivität ausgeführt werden soll, bestimmt der Roboter diese Aktivität auszuführen die gegenwärtig am wichtigsten ist. Der Roboter bestimmt also in intelligenter Weise welche Aktivität er gegenwärtig ausführen wird. Solches Entscheidungsproblem haben nur voll-autonome Roboter; nicht voll-autonome Roboter sind nicht mit solchem Problem konfrontiert.

4. Fokussierung der Aufmerksamkeit auf wichtigste Objekte und Situationen
Wenn der Roboter Objekte und Situationen in seiner Umgebung wahrnimmt, fokussiert er seine Aufmerksamkeit und Wahrnehmung auf diese Objekte und Situationen die gegenwärtig am wichtigsten sind, d.h. die große positive oder negative Reizstärke haben (sehe: "2. Bewertung..."). Dies ist einer der Grundsteine für intelligentes Verhalten des Roboters, weil er die wichtigsten Situationen behandelt und die unwichtigen ignoriert.
Ein Roboter der alle Situationen in seiner Umgebung mit der selben Aufmerksamkeit behandelt, kann nicht effektiv wirklich wichtige Situationen beobachten, was dazu führt daß er unwichtige Situationen behandelt und ignoriert wichtige - das ist ein sehr unintelligentes Verhalten.
Das Wahrnehmungssystem des Roboters speichert/merkt sich alle Objekte und Situationen in der gegenwärtig wahrgenommenen Umgebung, so daß, er z.B. weiß welche Objekte im Wohnzimmer sind wenn er von dort in die Küche gekommen ist. Solches Wissen ist notwendig um sich intelligent zu verhalten.

II. Im Vergleich zur menschlichen Intelligenz ist die Intelligenz des Roboters sehr klein weil:
i. Seine Umgebung (seine Welt) und sein Wissen (in der Wissensbasis) ist sehr beschränkt - reduziert auf die Aktivitäten die er ausführen soll.
ii. Der Robot ist nicht kreativ und grundsätzlich nicht fähig nicht triviale Denkprozesse auszuführen.
iii. Er ist nicht fähig eine normale natürliche Sprache zu benutzen; mehr auf http://<a href="http://mywebpage.net...page7.html</a>

MFG

A.Schurmann/schurm2

[gast1234]

Hallo schurm2,

ich weiß jetzt nicht, in welchem Zusammenhang dieser Artikel erscheint, aber ich schreibe trotzdem mal was dazu. Planst Du deine Ausführungen zu realisieren? Falls ja gibt es noch viele interessante, offene Fragen.

Die erste Sache sieht für mich aus wie klassisches Klassifizierungslernen, im einfachsten Fall schaust Du mal nach dem Algorithmus Cal 2,3 und 5.
Das Problem ist wohl, unterscheidbare Merkmalsvektoren zu den Objekten zu erhalten bzw. die Unsicherheit in den Zuordnungen zu den Klassen. Spätestens bei einem Apfel stellt sich die Frage, ob es sich nun um eine unförmige Birne oder verfärbte Apfelsine handelt. Das Finden von Trennebenen zur Clusterbildung im Hyperraum der Eigenschaften sind zwar schon ein alter Hut aber leider nicht fehlerlos. Die Frage ist, wie deine Intelligenz auf Fehlklassifikation reagieren wird.

Gast1234

[PicNick]

EDIT: Ich halt' mich da raus.

[schurm2]

Hallo gast1234,

Der motivierte autonome Roboter ist in meinem Bericht "Neuer motivierter autonome Roboter" und auf meiner Homepage http://<a href="http://mywebpage.net...page2.html</a> dargestellt.
Ich persönlich beabsichtige nicht das Projekt zu realisieren, weil das nicht Arbeit für eine Person ist und mir fehlen auch die finanziellen Mittel dafür. Die Schwerrigkeiten liegen nicht in Programmierung der gegebenen Algorithmen, sondern in Bildung der Wissensbasis. Ich könnte zwar eine experimentelle Wissensbasis die eine sehr einfache Umgebung beschreibt bilden, aber das interessiert mich nicht.

Der zweite Teil ihrer Frage: Ich glaube die folgende Antwort die ich auf ähnliche Frage gegeben habe ist auch die Anwort auf ihre Frage:

"Baumstrukturen für Repräsentation von Wissen sind bekannt, aber nach meinen Kentnissen sind nicht den Knoten so absrakte Modelle wie in meiner Wissensbasis zugeordnet. Kein Lehrer ist nötig um die Einsortierung eines Modells auszuführen.
Ihr
Beispiel: Eine Tasse ohne Henkel kann sein:
a) Eine Tasse ohne Henkel (und damit ein Becher)
b) Eine Tasse mit Henkel, bei der man den Henkel aus der betrachteten Perspektive nicht sieht.
Wo die Perspektive schlussendlich einsortiert würde hängt in dem Fall vom Explorationsverhalten des Roboters ab.

Es ist ein Wahrnehmungsproblem: wenn man den Henkel nicht sieht, kann man nicht entscheiden ob das ein Becher oder eine Tasse ist (wenn die Tasse (Becher) keine andere kennzeichnende Merkmale hat). Ohne Explorationsverhalten ordnet der Roboter die Tasse/Becher zum Modell für Tasse/Becher (wenn solch ein abstraktes Modell ist) oder identifiziert den Gegenstand als "Tasse oder Becher".

Die Wissensbasis ist sehr gut geeignet (besser als andere Methoden. z.b. neuronale Netze) für assoziative Wahrnehmung von Objekten und Situationen: wenn der Roboter, mittels eines visuellen Identifizierungsprogramms, eine visuelle Abbildung eines Objektes gebildet hat, sucht er in der Wissensbasis das Objektmodell mit der identifizierten visuellen Abbildung. Nach dem er dieses Model gefunden hat, assozieirt er diese Abbildung mit dem Objekt, d.h. mit allen Eigenschaften des Objektes - eine einfache Lösung des Assozieirungsproblem bei Wahrnehmung. "

A. Schurmann/schurm2

[schurm2]

Hallo PicNick,
Ihr Satz

Ad 2) Einzelnen oder kombinierten Wahrnehmungen (Reizmuster) wird eine Bewertung gut/schlecht und eine Relevanz zugeordnet.

ist so ungefähr richtig.

Ihr folgender Satz stimmt:

Ad 4) vornehmlich die relevanten Wahrnehmungen werden entsprechend dieser Werte fokussiert (also ev. nur Teile der Gesamtwahrnehmung)

Ihr
Beispiel: Grelles Licht ist schlecht (sagen wir), dem wird ausgewichen, auch wenn es dort eigentlich angenehm warm ist.

Die Situation "grelles Licht und angenehm warm" muß zwei Reizmuster enthalten: (a) für grelles Licht und (b) für angenehm warm. Aufgrund dieser zwei Reizmuster berechnet der Roboter die Reizstärke dieser Situation, die bewertet wie gut oder schlecht gegenwärtig diese Situation ist; danach entscheidet er ob er in dieser Situation bleibt oder ausweicht.

schurm2

[PicNick]

..zwei Reizmuster enthalten: (a) .... (b)

d'accord.
Führt das nun nicht dazu:
(a) (b) bilden wiederum ein Reizmuster mit eigenständigem Ergebnis.

Da es in einer Realität aber wohl nicht bei zwei solchen Reizmustern bliebe, müßte das Verfahren dann eher rekursiv angelegt werden, bis eben letztlich EIN Ergebnis erzielt werden kann.

[schurm2]

PicNick:

Führt das nun nicht dazu:
(a) (b) bilden wiederum ein Reizmuster mit eigenständigem Ergebnis

Nein - (a) und (b) bilden keinen neuen Reizmuster mit eigenständigem Ergebnis.

schurm2

[Felix G]

Ich persönlich beabsichtige nicht das Projekt zu realisieren, weil das nicht Arbeit für eine Person ist und mir fehlen auch die finanziellen Mittel dafür. ... Ich könnte zwar eine experimentelle Wissensbasis die eine sehr einfache Umgebung beschreibt bilden, aber das interessiert mich nicht.

*seufz*
und wieder entsteht der Eindruck, daß es hier nur darum geht mit einer abstrakten Idee möglichst viel Geld zu machen
(was ja nicht schlimm wäre, wenn es nicht ganz bewusst auf Kosten derer geschähe, die die eigentliche Leistung erbringen)

Die Schwerrigkeiten liegen nicht in Programmierung der gegebenen Algorithmen, sondern in Bildung der Wissensbasis.

gegebene Algorithmen? Wo?
Ich sehe nur sehr stark vereinfachte grobe Beschreibungen, aber nichts was man problemlos in einem Programm umsetzen könnte.

wenn der Roboter, mittels eines visuellen Identifizierungsprogramms, eine visuelle Abbildung eines Objektes gebildet hat, sucht er in der Wissensbasis das Objektmodell mit der identifizierten visuellen Abbildung. Nach dem er dieses Model gefunden hat, assozieirt er diese Abbildung mit dem Objekt, d.h. mit allen Eigenschaften des Objektes - eine einfache Lösung des Assozieirungsproblem bei Wahrnehmung. "

Aber wie macht er das denn? da liegt doch das eigentliche Problem.

Die "höheren Denkprozesse" einer komplexen Maschine zu umschreiben ist meist nicht besonders schwer, das Problem ist die praktische Umsetzung.