Fluidez (inteligencia artificial)

En inteligencia artificial , un fluente es una condición que puede cambiar con el tiempo. En los enfoques lógicos para razonar sobre acciones, los fluentes pueden representarse en lógica de primer orden mediante predicados que tienen un argumento que depende del tiempo. Por ejemplo, la condición "la caja está sobre la mesa", si puede cambiar con el tiempo, no puede representarse mediante $\mathrm {Activado} (\mathrm {cuadro},\mathrm {tabla})$ ; se necesita un tercer argumento para el predicado $\mathrm {On}$ para especificar la hora: $\mathrm {Activado} (\mathrm {cuadro},\mathrm {tabla},t)$ significa que la caja está sobre la mesa en ese momento. $t$ Esta representación de los fluidos se modifica en el cálculo de situaciones utilizando la secuencia de acciones pasadas en lugar del tiempo actual.

Un flujo también puede representarse mediante una función, omitiendo el argumento de tiempo. Por ejemplo, que la caja esté sobre la mesa puede representarse mediante $on(box,table)$ , dónde $on$ es una función y no un predicado. En lógica de primer orden, la conversión de predicados a funciones se denomina reificación ; por esta razón, se dice que los fluentes representados por funciones están reificados. Al utilizar fluentes reificados, es necesario un predicado separado para determinar si un fluente es realmente verdadero o falso. Por ejemplo, $HoldsAt(on(box,table),t)$ significa que la caja está realmente sobre la mesa en ese momento. $t$ donde el predicado $HoldsAt$ es la que indica cuándo los fluentes son verdaderos. Esta representación de los fluentes se utiliza en el cálculo de eventos , en el cálculo de fluentes y en las lógicas de características y fluentes .

Algunos fluidos pueden representarse como funciones de una manera diferente. Por ejemplo, la posición de una caja puede representarse mediante una función. $on(box,t)$ cuyo valor es el objeto sobre el que está parada la caja en ese momento. $t$ Las condiciones que pueden representarse de esta manera se denominan fluentes funcionales . Las afirmaciones sobre los valores de dichas funciones pueden expresarse en lógica de primer orden con igualdad utilizando literales como $on(box,t)=table$ . Algunos fluidos se representan de esta manera en el cálculo de situaciones .

Física ingenua

Desde un punto de vista histórico, los fluentes se introdujeron en el contexto del razonamiento cualitativo . La idea es describir un modelo de proceso no con ecuaciones matemáticas, sino con lenguaje natural. Esto significa que una acción no solo está determinada por su trayectoria, sino también por un modelo simbólico, muy similar a una aventura textual. La física ingenua se opone a un motor de física numérica y tiene la obligación de predecir el resultado de las acciones. ^{[ 1 ]} El fluente materializa la conexión de sentido común entre el movimiento del robot y la descripción de la tarea en lenguaje natural. ^{[ 2 ]}

Desde una perspectiva técnica, un fluente es igual a un parámetro que es analizado por el motor de física ingenuo. El analizador convierte entre fluentes de lenguaje natural y valores numéricos medidos por sensores. ^{[ 3 ]} Como consecuencia, se mejora la interacción humano-máquina.

Véase también

Referencias

↑ L. Kunze y ME Dolha y M. Beetz (2011). Programación lógica con proyección temporal basada en simulación para la manipulación cotidiana de objetos por robots . Conferencia Internacional IEEE/RSJ de 2011 sobre Robots y Sistemas Inteligentes. IEEE. CiteSeerX 10.1.1.391.7309 . doi : 10.1109/iros.2011.6094743 .
↑ Jakob Suchan y Mehul Bhatt (2017). Semántica de escena de sentido común para robótica cognitiva: hacia la fundamentación de interacciones visuo-locomotoras encarnadas . 2017 IEEE International Conference on Computer Vision Workshops (ICCVW). IEEE. arXiv : 1709.05293 . doi : 10.1109/iccvw.2017.93 .
↑ Caiming Xiong y Nishant Shukla y Wenlong Xiong y Song-Chun Zhu (2016). Aprendizaje de robots con un grafo and-or espacial, temporal y causal . Conferencia Internacional IEEE de Robótica y Automatización (ICRA) de 2016. IEEE. doi : 10.1109/icra.2016.7487364 .

[1] L. Kunze y ME Dolha y M. Beetz (2011). Programación lógica con proyección temporal basada en simulación para la manipulación cotidiana de objetos por robots . Conferencia Internacional IEEE/RSJ de 2011 sobre Robots y Sistemas Inteligentes. IEEE. CiteSeerX 10.1.1.391.7309 . doi : 10.1109/iros.2011.6094743 .

[2] Jakob Suchan y Mehul Bhatt (2017). Semántica de escena de sentido común para robótica cognitiva: hacia la fundamentación de interacciones visuo-locomotoras encarnadas . 2017 IEEE International Conference on Computer Vision Workshops (ICCVW). IEEE. arXiv : 1709.05293 . doi : 10.1109/iccvw.2017.93 .

[3] Caiming Xiong y Nishant Shukla y Wenlong Xiong y Song-Chun Zhu (2016). Aprendizaje de robots con un grafo and-or espacial, temporal y causal . Conferencia Internacional IEEE de Robótica y Automatización (ICRA) de 2016. IEEE. doi : 10.1109/icra.2016.7487364 .

[ 1 ]

[ 2 ]

[ 3 ]