BDI AGENTS

BDI AGENTS
SCOPO DEGLI AGENTI “ BELIEFS,
DESIRES AND INTENTIONS”
DEFINIZIONE DI “INTENZIONE”
SPECIFICHE DI AGENTI BDI
ARCHITETTURE PER AGENTI BDI
10/15/2009
bdi agents
1
Agenti come Sistema Intenzionale
When explaining human activity, it is often useful to make statements such as
the following:
Janine took her umbrella because she believed it was going to rain.
Michael worked hard because he wanted to possess a PhD.
These statements make use of a folk psychology, by which human behavior is
predicted and explained through the attribution of attitudes, such as believing
and wanting (as in the above examples), hoping, fearing, and so on
The attitudes employed in such folk psychological descriptions are called the
intentional notions
10/15/2009
bdi agents
2
1
Intentional System
The philosopher Daniel Dennett coined the term
intentional system to describe entities ‘whose behavior can
be predicted by the method of attributing belief, desires
and rational acumen’
Dennett identifies different ‘grades’ of intentional system:
‘A first-order intentional system has beliefs and desires
(etc.) but no beliefs and desires about beliefs and desires.
…A second-order intentional system is more
sophisticated; it has beliefs and desires (and no doubt
other intentional states) about beliefs and desires (and
other intentional states) — both those of others and its
own’
10/15/2009
bdi agents
3
Is it legitimate or useful to attribute
beliefs, desires, and so on, to computer
systems?
10/15/2009
bdi agents
4
2
McCarthy argued that there are occasions when the intentional
stance is appropriate:
‘To ascribe beliefs, free will, intentions, consciousness, abilities, or wants to a
machine is legitimate when such an ascription expresses the same
information about the machine that it expresses about a person. It is useful
when the ascription helps us understand the structure of the machine, its
past or future behavior, or how to repair or improve it. It is perhaps never
logically required even for humans, but expressing reasonably briefly what is
actually known about the state of the machine in a particular situation may
require mental qualities or qualities isomorphic to them. Theories of belief,
knowledge and wanting can be constructed for machines in a simpler setting
than for humans, and later applied to humans. Ascription of mental qualities
is most straightforward for machines of known structure such as thermostats
and computer operating systems, but is most useful when applied to entities
whose structure is incompletely known’.
10/15/2009
bdi agents
5
What objects can be described by the intentional stance?
As it turns out, more or less anything can. . . consider a light switch:
‘It is perfectly coherent to treat a light switch as a (very
cooperative) agent with the capability of transmitting
current at will, who invariably transmits current when it
believes that we want it transmitted and not otherwise;
flicking the switch is simply our way of communicating our
desires’. (Yoav Shoham)
But most adults would find such a description absurd!
Why is this?
10/15/2009
bdi agents
6
3
The answer seems to be that while the intentional stance description is consistent,
. . . it does not buy us anything, since we essentially understand the
mechanism sufficiently to have a
simpler, mechanistic description of its
behavior.
(Yoav
Shoham)
Put crudely, the more we know about a system, the less we need to rely on
animistic, intentional explanations of its behavior
But with very complex systems, a mechanistic, explanation of its behavior may not
be practicable
As computer systems become ever more complex, we need more powerful
abstractions and metaphors to explain their operation — low level explanations
become impractical. The intentional stance is such an abstraction
10/15/2009
bdi agents
7
The intentional notions are thus abstraction tools, which provide us with a convenient
and familiar way of describing, explaining, and predicting the behavior of complex
systems
Remember: most important developments in computing are based on new
abstractions:
– procedural abstraction
– abstract data types
– objects
Agents, and agents as intentional systems, represent a further, and increasingly
powerful abstraction
So agent theorists start from the (strong) view of agents as intentional systems: one
whose simplest consistent description requires the intentional stance
10/15/2009
bdi agents
8
4
This intentional stance is an abstraction tool — a convenient
way of talking about complex systems, which allows us to
predict and explain their behavior without having to understand
how the mechanism actually works
Now, much of computer science is concerned with looking for
abstraction mechanisms (witness procedural abstraction, ADTs,
objects,…)
So why not use the intentional stance as an abstraction
tool in computing — to explain,
understand, and, crucially,
program computer
systems?
This is an important argument in favor of agents
10/15/2009
bdi agents
9
SCOPO DEGLI AGENTI “ BELIEFS,
DESIRES AND INTENTIONS”
Esigenza che si vuole risolvere:
“Costruire sistemi che sono situati in ambienti dinamici e che
devono ragionare e pianificare, e agire con forti vincoli di
tempo. Il sistema deve essere contemporaneamente goal
directed e reattivo”
[Rao & Georgeff 1992]
10/15/2009
bdi agents
10
5
SITUATI: non solo sono collocati in un ambiente in cui agiscono,
ma, soprattutto, possiedono una rappresentazione simbolica di esso
PIANIFICARE: costruiscono e/o scelgono delle sequenze di azioni
che permettono di rendere vero un certo stato del mondo
VINCOLI TEMPORALI: tali sistemi non dispongono di risorse
infinite: “resource boundedness”
GOAL DIRECTED: devono cercare di ottenere un certo scopo
REACTIVITY: devono reagire di fronte a cambiamenti
dell’ambiente
10/15/2009
bdi agents
11
NASA: Deep Space 1
remote agent experiment
http://rax.arc.nasa.gov/
10/15/2009
bdi agents
12
6
Robocup
http://www.robocup.org/
10/15/2009
bdi agents
13
ESEMPI DI DOMINI DI APPLICAZIONE
Automatizzazione delle procedure usate dagli astronauti sullo
Space Shuttle per gestire i malfunzionamenti dei propulsion flight
controllers.
PRS [Georgeff & Ingrand,1988]
Automatizzazione dei controllori di volo che coordinano l’arrivo
degli aerei in aeroporto
[Rao & Georgeff, 1992]
Simulatori
10/15/2009
bdi agents
14
7
HUMAN AGENTHOOD
Il modello che i bdi agents vogliono imitare e’ il comportamento
umano.
In particolare il fatto che gli esseri umani siano guidati da tre
“attitudini”:
BELIEFS, DESIRES AND INTENTIONS
CREDENZE, GOAL E INTENZIONI
Ambiguo fra il significato di scopo
e desiderio.
10/15/2009
BELIEFS
bdi agents
DESIRES
15
SELECTION
FUNCTION
INTENTION
8
BDI = Belief, Desires, Intentions
BDI - a theory of practical reasoning (Bratman, 1988) per
“resource-bounded agent”
Beliefs = informazioni che l’agente ha del mondo
Desires = desideri e goal
Intentions = desideri o azioni che l’agente ha preso l’impegno di
soddisfare
Il modello che i bdi agents vogliono imitare e’ il comportamento umano.
In particolare il fatto che gli esseri umani siano guidati da queste tre
“attitudini”.
BDI = Belief Desires Intentions
Basata su Practical Reasoning
Il processo di decidere, momento per momento, quale azione compiere mentre si
persegono i propri goals
Practical Reasoning
decidere QUALI goals
si vogliono ottenere
decidere COME ottenere i
goals
DELIBERATION
MEANS-END REASONING
9
BDI = Belief Desires Intentions
COSA FARE DELLA PROPRIA VITA DOPO L’UNIVERSITA’
Prendere il dottorato
Andare a lavorare in azienda
Quale scegliere?
UNA VOLTA FATTA UNA SCELTA, OCCORRE PERSEGUIRLA
INTENZIONE
PIANO
BDI = Belief Desires Intentions
drive means-end reasoning : se decido di fare qualcosa, devo
capire come e trovare tutte le azioni possibili che mi conducono
allo scopo
constrain future deliberations: se decido di fare qualcosa, non
accetterò opzioni inconsistenti con ciò che voglio fare
INTENZIONI
persist: se decido di fare qualcosa e non ho delle buone
motivazioni, persisterò nel fare quella cosa
Influence beliefs: se decido di fare qualcosa, crederò di ottenerlo e
ciò influenzerà le decisioni future
10
BDI = Belief Desires Intentions
INTENZIONE
VINCOLA IL FUTURO
PERSISTE
Se adotto una intenzione, persevererò nel realizzarla
(finchè saprò di poterlo fare…)
BDI = Belief Desires Intentions
INTENZIONE
E’ STRETTAMENTE RELAZIONATA CON LE CREDENZE(Beliefs)
INFLUENZA LE CREDENZE
Se intendo fare qualcosa, crederò che io farò quel qualcosa
11
OBIETTIVO
TROVARE UN BUON BILANCIAMENTO TRA QUESTI CONCETTI
UN AGENTE DOVRA’ NON SOLO ADOTTARE DELLE INTENZIONI E
PERSEGUIRLE, MA ANCHE VERIFICARE CHE POSSANO ANCORA ESSERE
OTTENUTE.
QUELLE NON PIU’ OTTENIBILI, VANNO ELIMINATE
Ma controllare la validità delle intenzioni ha un suo costo in termini
di risorse computazionali: quale scelta fare?
Continuare a tentare di realizzare
intenzioni non più ottenibili non
controllando la loro validità
Riconsiderare
continuamente
la
validità delle intenzioni perdendo il
tempo necessario per ottenerle
Beliefs:
Rappresentano le caratteristiche dell’ambiente
Vengono aggiornati adeguatamente dopo ogni azione
di sensing
Possono essere visti come la componente
informativa del sistema.
Desires
Contengono informazioni sugli obiettivi che devono
essere raggiunti, troviamo inoltre le priorita’ e i costi
che che questi obiettivi possono avere
Rappresentano lo stato motivazionale del sistema.
12
La selection function dovrebbe dare al sistema la capacita’ di
raggiungere i propri obiettivi date:
le risorse computazionali disponibili
le caratteristiche dell’ambiente in cui il sistema e’ situato.
le preferenze dell’agente, funzioni di utilita’, ecc.
Intenzioni
Rappresentano la sequenza di azioni scelta
Catturano la componente deliberativa del sistema
!"
$
"# "
"
%&'
Perche’ non attendere domani sera prima di formarmi (ora)
l’intenzione di andare al cinema?
Perche’ sprecare risorse per formarmi delle intenzioni ora, se
non so cosa accadra’ domani (ad es. Mi potrebbero invitare a
cena)?
Soluzione alternativa:
utilizzare un pianificatore classico e poi scegliere fra le
opzioni che propone
13
()
"
*("
")+ "
&
Scelgo un obbiettivo
Costruisco un piano completo che lo soddisfi
Scelgo fra le alternative tramite “decision theory” (probabilita’ eventi +
utility function)
Limiti:
devo conoscere lo stato del mondo
piu’ tempo passo a pianificare e decidere, maggiore e’ la probabilita’
che il mondo cambi
ad ogni cambiamento del mondo devo ricominciare da capo
,- ./
14
,- ./
,- ./
15
,- ./
,- ./
16
+0-.-
1..1 23124 -2
Questi problemi sono dovuti alla “resource boundedness”:
il ruolo delle intenzioni e’ di limitare lo spazio di ricerca del planning e
quello della scelta fra le opzioni.
Per questo motivo le intenzioni:
sono future directed e (relativamente) stabili:
se stabilisco ora una linea di azione per il futuro, le scelte
successive dovranno essere compatibili con questa: limito le
opzioni possibili.
Se ho l’intenzione di andare domattina a prendere un libro in
biblioteca, non prendero’ in considerazione l’azione di andare a
giocare a tennis
Riguardano piani parziali:
non conoscendo in anticipo come puo’ evolvere il mondo, costruisco
dei piani che sono incompleti temporalmente (non stabilisco
l’ordinamento completo delle azioni) o strutturalmente (non scelgo
come eseguire delle azioni complesse).
Esempio:
Posso avere l’intenzione di andare a prendere un libro in
biblioteca, senza aver necessariamente costruito un piano in tutti
i suoi dettagli (posso non aver ancora scelto se andare in
macchina o prendere il tram, perche’ non so se ci sara’
sciopero).
Costituiscono l’input per ulteriori fasi di pianificazione
17
( +3 .(. 2/5
"
") " 6"
7"
Get-book
Buy-book
Borrow-book
Go(library)
Walk(library)
Read(location)
Fill(sheet,location)
Drive(library)
Piano completo:
Walk(library);Read(location);Fill(sheet,location)...
23124 -2 1 8+1 1241
Intendo solo cio’ che credo possibile (i.e. esiste un piano che ritengo
eseguibile)
credo che eseguiro’ quello che intendo: se intendo andare al cinema
domani, credo che domani saro’ al cinema e non a casa (“conduct
coordinating pro-attitude”)
la stabilita’ delle intenzioni implica che, se fallisce il mio piano, ne
cerchero’ un altro per raggiungere il mio scopo
controllo se l’esecuzione di un piano ha avuto successo
non intendo quelle che credo essere le conseguenze indesiderate delle
mie azioni (problema dei “side effects”)
18
+89 31330+
Plan library
/3+ 33
Intentions
structured into
plans
perception
means-end
reasoning
Opportunity
analyser
Filtering
process
Beliefs
Reasoner
) 7:!
action
:
option
Deliberation
process
Desires
intentions
5 $"
"
Beliefs, Desires e Intentions sono considerati come lo
“stato mentale” di un agente
Per modellizzare questi stati mentali viene usata la logica
modale:
Beliefs: operatore modale Bel (o B)
Desires: operatore modale Des (o D)
Intentions: operatore modale Int (o I)
19
;( "
")+ "
Cosa è il practical reasoning ?
“reasoning directed towards actions”
differenze fra practical reasoning e theoretical
reasoning:
theoretical reasoning è diretto verso i beliefs
practical reasoning verso le azioni
/(18 < 891
,123
[Cohen & Levesque, 1990] propongono una formalizzazione
della relazione fra credenze, goal e intenzioni per mezzo di
una logica modale.
Danno una specifica di cosa e’ un agente BDI, non un
formalismo per costruire sistemi.
Dichiarativita’: non solo definizione operazionale (i.e.
architettura di agente) perche’ e’ necessario poter parlare
delle intenzioni di un agente.
20
.-, 8
Belief goal compatibility: (Des α )
(Bel α)
States that if the agent has a goal to optionally achieve
something, this thing must be an option. An option should not
be produced if it is not believed possible.
Goal-intention compatibility: (Int α )
(Des α)
States that having an intention to optionally achieve something
implies having it as a goal (i.e., there are no intentions that are
not goals).
.-, 8
Volitional commitment: (Int does(a))
does(a)
If you intend to perform some action a next, then you do a next.
Awareness of goals & intentions :
(Des α ) (
(Int α ) (
Des α))
Int α))
No unconscious actions: done(a)
Bel(done(a))
If an agent does some action, then it is aware that it has done the action.
No infinite deferral:
(Int α )
A (¬(Int α))
An agent will eventually either act for an intention, or else drop it.
21
/#" "
!=
"
Indecidibile
Anche nei casi decidibili, dimostrazioni
molto pesanti dal punto di vista
computazionale
I sistemi reali “approssimano” la semantica
modale invece che implementarla
("
")+ "
practical reasoning = deliberation + means-ends reasoning
1.
deliberation
Identificazione e Selezione di goal e
intenzioni
2.
means-ends reasoning
pianificazione, valutazione di piani,
selezione di piani
22
("
")+ "
>
;
?
practical reasoning = deliberation + means-ends reasoning
deliberation
decidere cosa si vuole raggiungere
l’output di questa fase sono le intenzioni
means-ends reasoning
decidere come si vogliono raggiungere questi obiettivi
l’output di questa fase sono i piani
("
")+ "
5
Ci si aspetta che gli agenti determinino la
maniera di soddisfare le proprie
intenzioni
Se ho intenzione di fare , uno si aspetta
che io dedichi tutte la mie risorse per
decidere come portare avanti l’esecuzione
di
23
("
")+ "
5
Gli agenti non possono adottare intenzioni in
conflitto
Se ho intenzione di fare , non ci si aspetta che
io adotti l’intenzione di fare incompatibile con
Gli agenti sono inclini a riprovare se il loro
tentativo di portare avanti una intenzione fallisce
Se il primo tentativo di soddisfare fallisce, allora
l’agente provera’ un piano alternativo per
soddisfare
("
")+ "
5
Gli agenti credono che le loro intenzioni sono
are possibili
Cioe’, credono che ci sia almeno un modo per
portarle avanti.
Gli agenti non credono che non riusciranno a
portare a termine le loro intenzioni
Non sarebbe razionale adottare una intenzione
se credo che falliro’ nel portare a termine
24
("
")+ "
5
Sotto certe circostanze, gli agenti credono che
saranno in grado di portare a termine le proprie
intenzioni
Gli agenti non intendono tutti i side effects
delle loro intenzioni
Credo che andare dal dentista possa provocare
dolore, e ho intenzione di andare dal dentista –
ma questo non significa che intendo soffrire!
( " ")+ "
;@ " A ! + "
intention
(goal / task)
beliefs
(state of
environment)
planner
5
possible
actions
me
an
r e a s- e n
son ds
ing
plan to
achieve goal
25
percepts
3. BDI Architecture
Belief revision
Beliefs
Knowledge
Opportunity
analyzer
B = brf(B, p)
Deliberation process
Desires
D = options(B, D, I)
Intentions
Filter
I = filter(B, D, I)
Means-end
reasoner
Intentions structured
in partial plans
π = plan(B, I)
Library of plans
("
")+ "
agent control loop
Plans
Executor
>
actions
;
?
- what are the options (desires) ?
- how to choose an option ?
- incl. filter
- chosen option
intention …
while true
observe the world;
update internal world model;
deliberate about what intention to achieve next;
use means-ends reasoning to get a plan for the intention;
execute the plan
end while
- when to reconsider intentions !?
26
COME POSSIAMO FORMALIZZARE UN AGENTE BDI?
a set of current beliefs: rappresenta l’informazione che l’agente ha sul suo
ambiente corrente
a belief revision function(brf): prende una percezione e le credenze correnti
dell’agente e, sulla base di queste, determina un nuovo insieme di credenze
an option generation function: determina le opzioni disponibili (desideri) sulla base
delle intenzioni e credenze correnti
a set of current options: rappresenta le possibili serie di azioni che l’agente può
compiere
a filter function(filter): rappresenta il processo deliberativo dell’agente che
determina le intenzioni sulla base dei desideri, delle credenze e delle intenzioni
correnti l’informazione che l’agente ha sul suo ambiente corrente
a set of current intentions: rappresenta ciò che l’agente ha deciso di ottenere
an action selection function(execute): determina l’azione da compiere sulla base
delle correnti intenzioni
Bel insieme di tutte le credenze
Des insieme di tutti i desideri
Int insieme di tutte le intenzioni
Stato dell’agente (B,D,I) dove B ⊆ Bel, D ⊆ Des e I ⊆ Int
La belief revision function brf è: ℘(Bel) x P
La option generator function è: ℘(Bel) x ℘(Int)
℘(Bel)
℘(Des)
Una volta che l’agente ha deciso di fare x, deve provvede ‘praticamente’ ad
assolvere il compito.
La funzione options deve controllare:
• la consistenza dell’opzione generata con le credenze e le intenzioni correnti
• deve riconoscere quando I cambiamenti ambientali possono avvantaggiare la
realizzazione di nuove e vecchie/accantonate intenzioni
27
Il BDI deliberation process (filter) è: ℘(Bel) x ℘(Des) x ℘(Int)
℘(Int)
Aggiorna le intenzioni sulla base dei desideri, delle credenze e delle intenzioni
Una volta che l’agente ha deciso di fare x, deve provvede ‘praticamente’ ad assolvere il
compito.
La funzione filter ha due obiettivi :
• elimina le intenzioni che non sono più ottenibili o che non convenga più ottenere;
• mantiene le intenzioni che non sono state ancora ottenute e che ci si aspetta avranno un
esito positivo;
• adotta nuove intenzioni o per ottenere intenzioni esistenti o per esplorare nuove
possibilità
La funzione execute è: ℘(Int)
La funzione action è: P
A
A
function action (p : P) : A
begin
B:= brf(B,p)
D:= options(D,I)
I:= filter(B,D,I)
return execute(I)
end function action
Alle intenzioni può essere associata una priorità o possono essere posizionate in
uno stack
Il problema? Come implementare efficientemente queste funzioni.
28
$ )$
"6
this version: optimal behaviour if
deliberation and means-ends reasoning take a vanishingly
small amount of time;
or
the world is guaranteed to remain static while the agent is
deliberating and performing means-ends reasoning;
or
an intention that is optimal when achieved at time t0 (the time
at which the world is observed) is guaranteed to remain
optimal until time t2 (the time at which the agent has found a
course of action to achieve the intention).
29
) "
The deliberate function can be decomposed into two distinct
functional components:
option generation
in which the agent generates a set of possible alternatives;
Represent option generation via a function, options, which takes the
agent’s current beliefs and current intentions, and from them determines a
set of options (= desires)
filtering
in which the agent chooses between competing alternatives, and commits
to achieving them.
In order to select between competing options, an agent uses a filter
function.
) "
30
("
")+ "
>
;
?
If an option has successfully passed trough the
filter function and is chosen by the agent as an
intention, we say that
the agent has made a commitment to that
option
Commitments implies temporal persistence of
intentions; once an intention is adopted, it should
not be immediately dropped out.
("
")+ "
>
;
?
Question: How committed an agent should be to its intentions?
degrees of commitments
blind commitment
fanatical commitment: continue until achieved
single-minded commitment
continue until achieved or no longer possible
open-minded commitment
continue until no longer believed possible
31
8 $$ $
/"
An agent has commitment both
to ends (i.e., the wishes to bring about)
and means (i.e., the mechanism via which the agent wishes to achieve the
state of affairs)
current version of agent control loop is overcommitted, both to means and
ends
modification: replan if ever a plan goes wrong
Reactivity, replan
32
8 $$ $
/"
this version still overcommitted to intentions:
never stops to consider whether or not its intentions are appropriate
modification: stop for determining whether
intentions have succeeded or whether
they are impossible:
“Single-minded commitment”
/ )A$ ! !8 $$ $
Dropping intentions
that are impossible
or have succeeded
Reactivity, replan
33
+
! "
Our agent gets to reconsider its intentions when:
it has completely executed a plan to achieve its current intentions; or
it believes it has achieved its current intentions; or
it believes its current intentions are no longer possible.
This is limited in the way that it permits an agent to reconsider its intentions
modification:
Reconsider intentions after executing every action
“Open-minded commitment”
-
A$ ! !8 $$ $
34
+
! "
But intention reconsideration is costly!
A dilemma:
an agent that does not stop to reconsider its intentions sufficiently often will
continue attempting to achieve its intentions even after it is clear that they
cannot be achieved, or that there is no longer any reason for achieving them
an agent that constantly reconsiders its attentions may spend insufficient time
actually working to achieve them, and hence runs the risk of never actually
achieving them
Solution: incorporate an explicit meta-level control component, that
decides whether or not to reconsider
meta-level control
35
-
$")
+
! "
Kinny and Georgeff’s experimentally investigated effectiveness of intention
reconsideration strategies
Two different types of reconsideration strategy were used:
bold agents
never pause to reconsider intentions, and
cautious agents
stop to reconsider after every action
Dynamism in the environment is represented by the rate of world change,
γ
IL SOLITO DILEMMA: BILANCIARE IL COMPORTAMENTO PRO-ATTIVO
E REATTIVO
Michael Georgeff ha sperimentato nel proprio framework BDI dMARS
l’introduzione di un fattore γ chiamato rate of world change:
• γ è BASSO: l’ambiente cambia poco. Vivono meglio gli agenti che
riconsiderano di meno le intenzioni (BOLD). Gli agenti che riconsiderano spesso
le intenzioni, non hanno un comportamento desiderabile(CAUTIOUS).
• γ è ALTO: l’ambiente cambia abbastanza velocemente. Quale tipo di agente si
comporteerà meglio?
N.B. Differenti tipi di ambienti richiedono differenti tipi di agenti
36
-
$")
+
! "
Results (not surprising):
If γ is low (i.e., the environment does not change
quickly),
bold agents do well compared to cautious ones.
cautious ones waste time reconsidering their commitments
while bold agents are busy working towards — and achieving
— their intentions.
If γ is high (i.e., the environment changes frequently),
cautious agents tend to outperform bold agents.
they are able to recognize when intentions are doomed, and
also to take advantage of serendipitous situations and new
opportunities when they arise.
( " ")+ "
( ! ")+ "
/
5
$ >(+/?
“BDI-architecture” (beliefs / desires / intentions)
explicit data structures for b/d/i
planning
no “on-the-fly” planning
a plan:
goal
context
body
plan libraries
(post-condition)
(pre-condition)
(sequence of action
/ subgoals)
intention stack
sensor input
agent
beliefs
plans
interpreter
desires
intentions
action
37
(+/
PRS consists of:
a database containing current beliefs or facts
about the world;
a set of current goals to be realized;
a library of plans describing how certain
sequences of actions and tests may be
performed to achieve given goals or to react to
particular situations;
an intention structure containing those plans
that have been chosen for execution.
a Knowledge Area
(+/
The Knowledge Area KA)
is a knowledge base
containing procedural knowledge about how to
accomplish given goals or react to certain situations.
Each KA consists of a body, which describes the steps of
the procedure, and an invocation condition which
specifies under what situations the KA is useful.
The invocation condition contains a triggering part
describing the events that must occur in order to execute
a KA (the acquisition of some new goal, some change in
system beliefs,...).
38
(+/" !B
The interpreter manages these components, selecting appropriate plans
based on the beliefs and goals of the system, putting those that have been
chosen in the intentional structure and executing them.
The agent reacts to events, which are either generated by modifications to
its beliefs or by stimula coming from the environment by adding new goals.
An event can trigger one or more plans. A plan that an agent decides to
make on the base of a set of default policies becomes an intention.
At any given moment, the intention structure may contain a certain number
of intentions but not all will be satisfied.
(+/" !B
Some will be suspended or deferred, some will wait for certain
condition to hold prior to activation, some will be meta-level
intentions for deciding which action must be made among several
alternatives.
PRS contains an efficient mechanism to respond timely to changes
of the environment.
Since the interpreter continuously attempts to mach KAs with any
newly acquired belief or goals, the system is able to notice newly
applicable KAs after every primitive action is takes.
39
B
%)!
" C ()
"
type: drink-cola
type: drink-water
invocation: goal-add(¬thirst)
precondition:have-glass
add-list: {¬ thirst}
body:
invocation: goal-add(¬thirst)
precondition:have-glass
add-list: {¬ thirst}
body:
start
start
have-cola
open-tap
1
proposition
action
drink
end
1
drink
end
231+(+131+>?
beliefs espliciti
eventi interni
Initialize state();
ed esterni
do
options := option-generator(event-queue, B,G,I);
selected-option := deliberate(options,B,G,I);
I := update-intentions(selected-option,I); bound on reaction
atomic
time
execute(I);
actions
event-queue := event-queue + get-new-externalevents();
drop-successful-attitudes(B,G,I);
anche esito azioni
drop-impossible-attitudes(B,G,I);
until quit.
40
-
A
" ># A=
::
,:?
options := {};
for trigger-event ∈ event-queue do
for plan ∈ plan-library do
if matches(invocation-cond(plans),trigger-event) then
options := options + plan;
return(options).
) ">
::
,:?
if length(options) < 2 then return(options)
else metalevel-options := (belief-add(option-set(options)));
selected-option := deliberate(metalevel-options);
if null(selected-option) then return(random-choice(options));
else return(selected-option).
41
@ "B
%)!
"
type: prove B
invocation: goal-add(Bel(B))
precondition: Bel(A)
add-list: {Bel(B)}
body:
type: meta-selector
invocation: lenght(options)>1
add-list: {goal-add(?x)}
body:
start
Bel(∀?x ¬cheap(?x))
1
?x :=
randomchoice(options)
end
end
Bel(cheap(?x))
2
goal-add(?x)
end
Beliefs
Goals
cheap(drink-water) ∧ thirst ∧
have-glass
option-set(drink-cola,drink-water)
¬thirst
?x=drink-water
Intentions
meta-selector
Bel(cheap(?x))
drink-water
open-tap
drink
¬thirst
42
("
")+ "
>
;
?
Other implementations
IRMA
DMARS
Jason, for AgentSpeak(L) (java –
sourceforge.net)
JAM (java)
JACK
(java)
JADEX
…
43