Agent

KI – Wintersemester 2013/2014
Intelligente Agenten
Grundlagen der Künstlichen Intelligenz
Wintersemester 2014/2015
Marc Toussaint
© 2006-2014 Heidemann, Bruhn, Toussaint
Überblick
Überblick
 Agentenbegriff, Beispiele für Agenten
 Agentenfunktion, Agentenprogramm
 Typisierung von Umgebungen
 Typisierung der Agentenprogrammierung
2
Agenten (1)
Was ist ein Agent?
 Agent:
 nimmt Umgebung über Sensoren wahr
 und beeinflusst diese durch Aktuatoren
 Was sind
1. Sensoren,
2. Aktuatoren,
3. Umgebung,
4. Erfolgskriterium?
3
Agenten (2)
PEAS Beschreibung
 (P)erformance Element – Erfolgskriterium
 (E)nvironment – Umgebung (Zustandsraum der Umgebung)
 (A)ctuators – Aktuatoren (Aktionsraum & Beeinflussung des Zustands)
 (S)ensors – Sensoren (Sensorinformation abhänig vom Zustand)
4
Agenten (3)
Beispiele I
 Montageroboter
1.
2.
3.
4.
Sensoren: Kamera, taktile Sensoren
Aktuator:
Greifer
Umgebung: Schraube, Gewinde, Beleuchtung
Erfolgskriterium: Schraube eindrehen
 Autonomes Fahrzeug (DARPA Challenge):
1.
2.
3.
4.
Sensoren: Laser Range-Scanner, Kamera, GPS
Aktuatoren: Räder
Umgebung: Wüste
Erfolgskriterium: Ziel schnell erreichen
5
Agenten (4)
Beispiele II
 Spielautomat (Spielhalle):
1.
2.
3.
4.
Sensoren: Knöpfe, Hebel
Aktuatoren: z.B. Bildschirm, Zahlenräder, Glocke
Umgebung: Spieler
Erfolgskriterium: Geld abnehmen
(Unterziele: Spaß machen, abhängig machen)
 Expertensystem („Software-Agent“):
1.
2.
3.
4.
Sensoren: Datenempfang
Aktuatoren: Versenden von Daten
Umgebung: Ratsuchender
Erfolgskriterium: nach wenigen Anfragen richtige Auskunft geben
6
Agenten (5)
Beispiele III
 Staubsaugerwelt:
1.
2.
3.
4.
Sensoren: für Position und Schmutz
Aktuatoren: nach rechts / links bewegen; Sauger
Umgebung: Felder A, B, ggf. mit Schmutz
Erfolgskriterium: alle Felder sauber machen
7
Agenten (6)
Formal
 Sensorsignale:
 Aktionen:
 Zustand der Umgebung:
 Erfolgskriterium:
oder eine Kostenfunktion
 Sensormodell:
 Umweltmodell:
 Agentenfunktion:
8
Agentenfunktion / Agentenprogramm (1)
Agentenfunktion und Agentenprogramm
 Agentenfunktion
 wählt Aktion in Abhängigkeit von der Wahrnehmungsfolge aus
 kann im Prinzip als Lookup-Table dargestellt werden …
 … die aber i.A. sehr groß ist
 Agentenprogramm
 implementiert die Agentenfunktion (irgendwie)
 Programm ersetzt die Tabelle
 leistet i.A. „Kompression“ der Tabelle durch Aufstellen
(häufig impliziter) Regeln
9
Agentenfunktion / Agentenprogramm (2)
Agentenfunktion der Staubsaugerwelt
Wahrnehmungsfolge
Aktion
A, sauber
Rechts
A, schmutzig
Saugen
B, sauber
Links
B, schmutzig
Saugen
…
…
B, schmutzig, B, sauber
B, sauber, B, sauber, B, sauber
Links
Links
B, sauber, B, sauber, B, schmutzig
Saugen
100x (B, sauber), B, schmutzig
Saugen
10
Agentenfunktion / Agentenprogramm (3)
Bemerkungen
 Tabelle unendlich groß, da beliebig lange Wahrnehmungsfolgen!
 Je nach den gewählten Aktionen muss nicht unbedingt jede Zeile der
Tabelle zur Anwendung kommen.
 einfacher: Agentenprogramm
 Da Tabelle jede mögl. Wahrnehmungsfolge abdeckt, können im Prinzip
beliebig komplexe Agentenfunktionen realisiert werden, die vergangene
Wahrnehmungen einbeziehen (Bsp. letzte Zeile) und unter Umständen
nicht leicht durch Programm (Regeln) zu erfassen sind.
11
Agentenfunktion / Agentenprogramm (4)
Agentenprogramm der Staubsaugerwelt
Aktuelle Wahrnehmung
Aktion
A oder B, schmutzig
Saugen
A, sauber
Rechts
B, sauber
Links
Achtung:
 Die Tabelle ist ein Agentenprogramm, keine Agentenfunktion!
 Programm implementiert nur eine sehr einfache Agentenfunktion, die
vergangene Wahrnehmungen nicht berücksichtigt.
 d.h. wenn z.B. alle Felder sauber sind, oszilliert der Sauger zwischen
den Feldern
12
Umgebungen (1)
Typisierung von Umgebungen
 Grad der Beobachtbarkeit
 deterministisch / stochastisch
 episodisch / sequenziell
 statisch / dynamisch
 diskret / kontinuierlich
 Einzelagent / Multiagenten
13
Umgebungen (2)
Grad der Beobachtbarkeit
 Problem:
 Was erfassen die Sensoren?
 Staubsauger:
 Position des Saugers
 Zustand des aktuellen / benachbarten Feldes
 zwei Arten von teilweiser Beobachtbarkeit:
 Teil der Umgebung ist unzugänglich für Sensoren (z.B. Nachbarfeld)
 Beobachtung ist ungenau (z.B. Sensor verschmutzt)
14
Umgebungen (3)
Deterministisch vs. Stochastisch
 Deterministisch
Zukünftiger Zustand der Umgebung hängt allein vom gegenwärtigen
Zustand + den Aktionen ab.
 Stochastisch
Umgebung enthält Zufallselemente, ihre Entwicklung ist daher auch bei
vollständiger Beobachtung nicht vorhersagbar.
 Wahrnehmung in der Praxis:
Umgebung ist nicht vollständig beobachtbar und erscheint daher
stochastisch.
15
Umgebungen (5)
Statisch vs. Dynamisch
 Statisch
Umgebung ändert sich nur durch Aktionen des Agenten.
 Dynamisch
Umgebung ändert sich auch unabhängig von den Aktionen,
insbesondere auch wenn der Agent nicht beobachtet!
17
Umgebungen (6)
Diskret vs. Kontinuierlich
 Betrifft:
 Zeit
 Wahrnehmungen
 Aktionen
 Beispiel:
 Schach als Spiel: diskrete Zeit, Wahrnehmungen, Aktionen
 Schachfigur physisch setzen: kontinuierliche Zeit, Wahrnehmungen
(z.B. Druck der Figur auf die Finger), Aktionen (Muskeln steuern)
 Technisch meist diskrete Darstellung kontinuierlicher Vorgänge
(z.B. Kamera mit 25 Bildern/s).
18
Umgebungen (7)
Einzelagent vs. Multiagenten
 Unterscheidung:
 kooperative Multiagenten
 konkurrierende Agenten
 Realwelt:
– häufig Mischungen
19