DOC - Pontificia Universidad Javeriana

Arquitecturas para Agentes Racionales
David H. Bello
[email protected]
Pontificia Universidad Javeriana
Noviembre del 2002
Resumen
Este artículo introduce las aproximaciones
modulares al problema de crear agentes
racionales, entre ellas la arquitectura
subsumption, sistemas auto-organizados,
el
modelo
de
minsky,
sistemas
mutiresolucion, el modelo BDI y el modelo
conexionista
definiendo
de
las
características y ventajas de cada una de
las arquitecturas.
Finalmente este artículo realiza un
análisis comparativo de las arquitecturas
de Brooks y Minsky, además de definir las
ventajas más significativas de las
arquitecturas presentadas.
1. Introducción
El problema de crear agentes racionales,
se ha convertido en una parte del trabajo
de la Inteligencia Artificial en los últimos
anos, debido a la necesidad de tener
sistemas racionales, que se relacionen
con otros sistemas y con los seres
humanos.
Este articulo muestra las arquitecturas
modulares que pretenden solucionar el
problema de encontrar una aproximación
modular esta organizado en una
introducción
a
las
arquitecturas
modulares, conceptos básicos y ventajas
de emplear una aproximación modular.
Seguido de las arquitecturas modulares
con su explicación y ventajas, para luego
concluir con un análisis comparativo entre
las arquitecturas presentadas.
1.1 Conceptos
Para presentar un modelo para la
construcción de agentes racionales,
debemos definir el concepto de agente y
racionalidad.
Russell [RUS96] define un agente de
hardware o software, el cual obtiene
información del entorno que lo rodea, por
medio de entradas o sensores, y produce
cambios en su medio ambiente, por
medio de salidas o actuadotes, y
Wooldridge define como características
principales de un agente: autonomía,
habilidad
social,
reactividad
y
proactividad.
También se puede definir a un agente
como el uso de una arquitectura más un
programa [RUS96] para definir un mapeo,
el que consiste en una asociación entre
los estados del entorno y las acciones
que el agente va realizar.
Russell [RUS96] define racionalidad como
la característica que tiene un agente para
realizar lo correcto según las reglas o
mapeo de este.
1.2 Arquitecturas Modulares
Las arquitecturas modulares consisten en
aproximaciones que emplean módulos o
componentes para manejar un problema,
cada uno de estos componentes
desarrolla una función específica, para
que el comportamiento o la búsqueda de
una meta, se obtenga mediante la
realización de la interacción entre estos.
Entre las aproximaciones que este
trataran en este articulo están la
arquitectura subsumption, sistemas autoorganizados, el modelo de minsky,
sistemas multi-resolución, el modelo BDI
y el modelo conexionista.
1.3 Ventajas
En la actualidad las arquitecturas
modulares son las de mayor difusión,
debido a sus características, entre las
cuales se encuentran:
− Modularidad:
Como
característica
inherente que brinda la ventaja de
poder sub-dividir el problema en
bloques menos complejos, para poder
enfrentar el problema de manera más
sencilla, y fomentar la reutilización de
los módulos.
− Extensibilidad: Debido a que se
pueden aumentar la complejidad del
agente, con la adición de nuevos
módulos, sin que esto cause cambios a
todos el sistema.
− Flexibilidad:
Generada
por
la
capacidad de emplear diferentes tipos
de módulos que cumplan una misma
función, sin que se deban hacer
cambios.
2. Arquitecturas
Inhibición
basadas
Las capas de la arquitectura subsumption
están compuestas de máquinas de estado
extendidas (Augmented Finite State
Machines AFSM), las entradas de cada
AFSM provienen directamente de los
sensores del sistema, y las salidas de
cada una de estas unidades interactúan
directamente con los actuadotes (Figura
1). Además cada ASFM también posee
una entrada de supresión y otra de
inhibición, la primera es la encargada de
suprimir la entrada de los sensores, y la
segunda es la encargada de inhibir la
salida que va a los actuadotes (Figura 1),
estos mecanismos son utilizados para
que las unidades o módulos se supriman,
para
producir
un
comportamiento
coherente en el sistema.
en
Figura 1. Modulos de la Arquitectura Subsumption
2.1 Arquitectura Subsumption
Brooks [BRO86][BRO90] propone en su
arquitectura
de
subsumption,
una
estructura por capas, cada una de las
cuales
esta
compuesta
por
comportamientos predefinidos. Las capas
o niveles superiores inhiben las capas
inferiores, para construir comportamientos
más complejos, lo que genera que el
comportamiento de todo el sistema, sea el
resultado de la interacción de varios
comportamientos simples; adicionalmente
Brooks plantea que las capas deben
operar asincrónicamente.
Brooks presenta el concepto de inhibición
como la facultad de las unidades de nivel
superior para inhibir a otros módulos de
niveles inferiores, lo que se considera un
mecanismo de arbitraje en el caso de
tener dos módulos que sus metas se
contradigan o unidades que dirijan el
comportamiento de otras.
Brooks probo su arquitectura mediante
Ejemplo ***
La arquitectura de Brooks posee las
ventajas de manejar el concepto de
arbitraje como método para poder
organizar el conjunto de módulos de un
agente, lo que genera que el
comportamiento surga a partir de esta
organización entre módulos.
2.2 Sistemas Auto-Organizados
Negrete
[NEG02]
propone
una
arquitectura basada en la de Brooks, sin
embargo, Negrete la complementa
incluyendo la auto-inhibición de los
módulos, para facilitar el control entre
ellos y debido a que no se necesita que
cada modulo busque constantemente la
meta, sino en momentos específicos, en
los que el modulo dejara de auto-inhibirse
para continuar buscando la sub-meta.
Negrete validó su modelo con un
experimento, en el que empleaba un
agente robótico con cuatro módulos, en el
que cada uno desarrollaba un objetivo
definido, que podían inhibir a otros
módulos, para buscar el objetivo común.
Negrete concluyó como Brooks, que el
comportamiento emerge de la interacción
de los módulos, además encontró que el
cambio del orden de procesamiento de
cada modulo, generaba diferentes
comportamientos, pero el objetivo común
siempre se mantenía.
La arquitectura propuesta por Negrete
posee las mismas ventajas que la
arquitectura subsumption, como el
manejo del arbitraje y el comportamiento
emergente, además de incluirle la
característica
de
generar
comportamientos que emerjan del propio
modulo.
3. Arquitecturas
Descomposición
basadas
definir una jerarquía Minsky plantea la
necesidad de utilizar una agencia como
mecanismo para organizar los módulos
para la búsqueda del objetivo común.
El modelo planteado por Minsky tiene
como ventaja la creación de las jerarquías
entre los componentes del agente, que
permite
poder
desarrollar
comportamientos más complejos a partir
de los módulos más sencillos, ademas de
tener la ventaja en el uso de los
directores, que brinda la posibilidad de
tener un integrador o experto en la tarea,
el cual emplea los módulos ya
desarrollados para darle un nivel de
abstracción mayor al problema.
en
3.1 Modelo de Minsky
Minsky [MIN86] propone una arquitectura
de descomposición de un problema en
una sociedad organizada por jerarquías,
la cual consiste en emplear módulos, que
se encarguen de una parte del problema
inicial, si estos módulos son muy
complejos para un agente simple,
entonces debe ser dividido en otros submódulos, que persigan sub-metas, de
esta manera el sistema o la suma de los
módulos, alcanzará una meta común.
Adicionalmente, Minsky propone el
concepto de agencia, que define la
existencia de un director o coordinador
que dirige el sistema hacia el estado
ideal, conociendo como llegar a la meta, y
emplea a los agentes o módulos para
realizar esta tarea.
Minsky plantea como ejemplo de su
arquitectura el proceso de construir una
pila de bloques, en la que se debe
inicialmente crear una jerarquía entre
diferentes módulos (Figura 2), después de
Figura 2. Ejemplo del Modelo de Minksy
3.2 Sistemas Multiresolucion
Meystel [MEY02] plantea en su modelo de
multiresolución, que en el aprendizaje no
supervisado, el agente obtiene un
conjunto de datos de su entorno, que
normalmente es de gran tamaño, que
contiene implícitamente los pasos para la
realización de la meta. Además plantea
que el resultado de este proceso de
aprendizaje, consiste en la recolección y
organización de la información obtenida,
para realizar un mapeo de estado-acción.
El problema de realizar este mapeo
consiste en la complejidad del conjunto de
datos obtenidos del entorno, por esta
razón, Meystel plantea un esquema
jerárquico de multi-granularidad para
representar el mundo del problema,
donde el espacio de búsqueda se
subdivide recursivamente.
Meystel plantea, que en la búsqueda de
reglas y planes sobre el entorno, hay que
definir unos parámetros, como pueden
ser: el límite inferior de la búsqueda o
subdivisión, las características de la
solución buscada, el costo de emplear
una subdivisión, las formas de subdividir
el espacio, etc.
El modelo de multiresolucion podría
considerarse como un modelo para un
agente en el cual se empleen niveles
jerarquicos de resolucion para el
desarrollo de una tarea, porque se podria
subdividir recursivamente un problema en
espacios de búsqueda, según criterios
establecidos
para
desarrollar
un
búsqueda más minuciosa en los niveles
de granularidad más fina.
El modelo de Meystel posee la ventaja de
no enfrentar por completo el problema de
la búsqueda de una meta en un espacio
de gran tamaño, sino centrar la atención
del agente en ciertas partes del espacio
de búsqueda.
4. Modelo BDI
El modelo BDI es un modelo filosófico y
psicológico, propuesto por Bratman
[BRA88], en el que un agente posee un
tipo de actitudes mentales sobre sus
creencias, deseos e intenciones, que
representan los estados de información,
motivación y
decisión del agente
respectivamente.
La arquitectura BDI define tres conceptos,
Creencias (Beliefs), Deseos (Desires) e
Intenciones (Intentions), Rao [RAO91]
define estos conceptos de la siguiente
manera:
− Creencias: Es el conocimiento que
posee el agente sobre su entorno.
− Deseos: Son los estados posibles que
el agente desea para su entorno.
− Intenciones: Son los compromisos que
guían la acción del agente para llegar a
una meta.
Las intenciones generan un plan, que es
un conjunto de acciones a desarrollar
dependiendo del estado del entorno, este
plan
es
especificado
durante
la
formulación, por lo tanto, el agente debe
ejecutar
estas
acciones
sin
un
racionamiento asociado, hasta que estas
intenciones o acciones, a las que el
agente esta comprometido a realizar, se
conviertan en creencias o deseos (Figura
3).
Figura 3. Relacion entre Creencias, Deseos e Intenciones
Georgeff [GEO89] implementó el modelo
BDI, en un sistema llamado Procedural
Reasoning System (PRS), que estaba
orientado al procesamiento en tiempo real
(Figura 4). Este sistema consistía en:
− Una base de datos que almacenaba
las creencias o hechos acerca del
mundo.
− Un conjunto de objetivos para ser
realizados.
− Un conjunto de planes que describían
cómo utilizando un conjunto de
acciones y decisiones se podría
realizar una meta o reaccionar a una
situación particular.
− Una estructura de intención, que
contenía los planes que habían sido
seleccionados para su posterior
ejecución.
El sistema también contaba con un
interprete, que era el encargado de
manipular los componentes del sistema,
para seleccionar los planes apropiados
basados en las creencias y metas del
sistema, ubicando estos planes en la
estructura
de
decisión
y
luego
ejecutándolos (Figura 4).
respuesta deseada para cada conjunto
de entradas.
− Aprendizaje No Supervisado: Se
desarrolla sin la ayuda de un agente o
profesor externo, por lo tanto, el agente
se basa en la información que percibe
del entorno, para detectar sus
propiedades.
Figura 4. Estructura del Sistema PRS [GEO89]
El modelo BDI posee la ventaja de
descomponer un problema en conceptos
previamente establecidos, los cuales
pasan a diferentes estados a través del
tiempo de vida del agente.
5. Modelo Conexionista
Las redes neuronales artificiales son una
abstracción de los sistemas nerviosos
biológicos, formados por un conjunto de
unidades llamadas neuronas, que están
compuestas por axones y dendritas, estas
últimas son encargadas de interconectar
las neuronas, para formar capas.
La principal característica de las redes
neuronales consiste en su capacidad de
aprendizaje y generalización, las que se
obtienen durante la fase de aprendizaje,
debido a que la red se comporta como
una memoria asociativa o mapeo, que
busca patrones para generalizar una
respuesta entre los diferentes conjuntos
de entrada.
Entre los algoritmos de aprendizaje se
encuentra el Back Propagation, el cual
consiste en propagar el error desde la
capa de salida, hasta la capa de entrada,
a través de las capas ocultas o
intermedias de la red; este algoritmo va a
ajustando los pesos de las conexiones
durante la propagación, con el fin de
disminuir el error.
El error es calculado a través de una
función cuadrática de los errores
individuales de cada unidad, siendo el
error la diferencia entre la salida esperada
y la salida obtenida. (Figura 6)
Figura 6. Error de una red a través de una función
cuadrática
Figura 5. Organización de las neuronas
El proceso de aprendizaje consiste en el
entrenamiento de la red para memorizar
patrones y su posterior respuesta a un
conjunto de entrada. En las redes
neuronales el proceso de aprendizaje
puede desarrollarse de dos formas:
− Aprendizaje
Supervisado:
Se
desarrolla con la ayuda de un agente o
profesor externo, que le indica la
El primer modelo de red neuronal fue
desarrollado por McCulloch y Pitts
[HAM01], que consistió en un modelo
binario en el cual cada neurona tiene un
escalón o umbral de activación prefijado.
El modelo consistía en una serie de capas
de neuronas, cada una de las neuronas
tenía una serie de entradas, a las cuales
les asignaban un peso, y se realizaba una
sumatoria, de los valores de entrada por
su respectivo peso, y a este valor le
aplicaba una función de activación, la que
determinaba la salida de la neurona
(Figura 7).
jerarquizacion de los módulos como
método para la organización de estos.
Otros
modelos
muestran
ventajas
especificas como es el caso del modelo
BDI porque emplea conceptos para definir
el problema, lo que facilita la definición del
problema con el empleo de conceptos
como un plan, una intención y un deseo,
que se podrían asociar a medio y al fin del
problema.
Figura 7. Modelo de McCulloch y Pitts
La principal ventaja la aproximación
conexista en el uso de concepto biológico
como aplicación a la mente de un agente,
además de emplear una división por
capas del problema.
Adicionalmente el modelo cuenta con la
ventaja la identificación de patrones a
través del aprendizaje debido a la
convergencia
hacia
una
solución,
mediante parámetros modificables dentro
del sistema.
6. Discusión y Conclusiones
En mi opinión entre las arquitecturas
presentadas en este artículo las dos
arquitecturas de mejor aproximación son
subsumption de Brooks, y el modelo de
Minsky, debido a que ambos consideran
la descomposición del problema en
módulos,
sin
embargo,
estas
arquitecturas poseen dos diferentes
fundamentales, las cuales son:
1. Dirección del Sistema: En el modelo
de Minksy, se desarrolla de forma
centralizada en una unidad, que se
encarga
de
organizar
a
sus
submodulos, en cambio, en el caso de
Brooks, la dirección esta distribuida en
los módulos del sistema.
2. Organización de los Módulos: En la
arquitectura de Brooks los módulos no
poseen una organización formal,
porque interactúan directamente con
las entradas y salidas del agente,
mientras que en Minsky se emplea la
En el caso del modelo conexista la
ventaja de poder converger a una
solución y la búsqueda de patrones
convierten al modelo en una excelente
aproximación para modelar el mapeo de
un agente, debido a que se comportaría
como una memoria asociativa basada en
el aprendizaje, sin embargo, considero
que no podría ser muy escalable en para
problemas complejos, por los mismos
requerimientos de diseño de una red.
Finalmente en el caso del modelo de
Meystel de Multiresolucion posee un buen
acercamiento a un problema complejo,
centrando la atención de la búsqueda en
un espacio delimitado.
7. Referencias
[ARK00]
Arkin, Ronald C. Behavior Based Robotics. MIT
Press. Cambridge, MA. 2000.
[BRO86]
Brooks, Rodney A. A Robust layered control
systems for a mobile robot. IEEE Journal of
Robotics and Automation. April 1986.
Brooks, Rodney A. Elephants don-t play. In Journal
of Robotics and Autonomous Systems. Volume 6.
[BRO90]
[FER99]
[GEO99]
[HAM01]
[HOP01]
[MEN00]
[MEY02]
Ferber, Jacques. Multi-Agent Systems: An
introduction to distributed artificial agents. Addison
Wesley. Harlow, England. 1999.
Georgeff Michael, Ingrand Francois Felix. DecisionMaking in an Embedded Reasoning System. In
Proceedings of the 11th International Joint
Conference on Artificial Intelligence. Detroit. 1989
Ham, F.M. Principles of Neurocomputing for
Science & Engineering. McGraw Hill, 2001.
Hopgood, A. Intelligent Systems for Engineers and
Scientists. CRC Press, 2001.
Menzel, Peter; D-Alusio, Faith. Robo Sapiens:
Evolution of a new species. MIT Press. Cambridge,
MA. 2000.
Meystel A. Bathija A. Multiresolutional Planning:
Using the randomized tessellation of the State
Space. In Proceedings of the 3rd International
Symposium on Robotics and Automation, ISRA2002.
[BRA88]
Michael E. Bratman, David Israel, Martha E.
Pollack, Plans and resource-bounded practical
reasoning. MIT Press. 1988
[MIN86] Minsky, Marvin. The Society of Mind. Simon &
Schuster, Inc. 1986.
[NEG02] Negrete-Martinez, Jose. Self-Organized MultiModular Robotic Control. In Proceedings of the 3rd
International Symposium on Robotics and
Automation, ISRA-2002.
[RAO91] Rao A. Georgeff M. Deliberation and Intentions. In
Proceedings of the 7th Conference on Uncertainity
in Artificial Intelligence. Los Angeles, 1991.
[RUS96] Russell, Stuart. Inteligencia Artificial: Un Enfoque
Moderno, Prentice Hall Iberoamericana. 1ra. ed.,
1996.
[VAN88] VanLehn, Kurt. Architectures for Intelligence. The
22nd Carnegie Mellon Symposium on Cognition by
Kurt VanLehn. Lawrence Erlbaum Associates.
Hillsdale, New Jersey. 1988.
[WOO00] Wooldridge, Michael. Reasoning about Rational
Agents. MIT Press. Cambridge, 2000.