1.4 无人系统任务规划的发展趋势

随着无人系统执行能力的提升,现实中的复杂任务不能再孤立地考虑任务规划和运动规划,许多行动都具有逻辑上和空间上的依赖性,以何种顺序执行何种行动与该行动如何在物理世界中执行密切相关。因此,需要研究集成了任务规划和运动规划的规划技术。文献[49]首次提出了任务&运动规划(task and motion planning, TMP)的概念,并提出了相应的测试集。TMP处理的不仅是空间优化问题,而且需要进行逻辑域中的知识推理。文献[50]首次将逻辑推理问题与空间搜索问题结合起来进行研究,提出了一种将任务规划使用的基于符号的表示方法与运动规划使用的数值表示方法链接起来的机制,规划过程中不仅考虑符号约束,同时考虑空间约束。文献[51]介绍了一种用于表示行动带来的物理作用的“语义附件”,使规划器能够在运行时计算状态变量的值,为符号规划中判断行动是否可行提供支持。文献[35]提出了一种面向对象的规划语言,与“语义附件”的功能类似,旨在通过外部访问为符号规划器提供数值变量,实现涉及数值的规划。文献[52]将“流”作为运动规划与PDDL语言之间的接口,实现了不限于特定领域的集成了数值计算模块的规划语言。

TMP概念中,任务规划、运动规划与知识之间存在着紧密的联系,如图2所示。

图2 知识与TMP关系

Fig.2 Relationship between knowledge and TMP

AlphaGo的成功掀起了连接主义人工智能研究的热潮。但是随着研究的深入,深度学习的脆弱性也逐渐被发现[53-54]。文献[55]中介绍了第三代人工智能的三空间模型,提出将感觉提升为感知(符号)时机器就具备理解和基于知识的推理能力。文献[56]也指出智能决策的实现过程中,如何利用已有的知识是一个重要的问题。可见,具备自主性的无人系统任务规划融合了知识推理与空间优化的优势,符合下一代人工智能的发展方向。

因此,未来具备高度自主能力的无人系统任务规划必然是融合了知识推理与空间优化的复合体,可以称之为基于本体的任务规划。其框架如图3所示。

图3 基于本体的任务规划框架

Fig.3 Framework of ontology-based task planning

基于本体的任务规划是知识推理与任务规划的结合体,其内涵可概括如下。

内涵之一:基于知识实现任务规划。基于知识意味着规划可以充分利用经验信息,这种经验信息包含人类的任务经验、无人系统在历次任务执行过程中学习到的经验,以及在虚拟的仿真世界中学习到的经验。基于知识意味着无人系统的任务规划具备了成长性和共享性的特征,能够像人类一样根据经验更好地完成某项任务。

内涵之二:任务规划与运动规划的集成规划框架。任务规划的作战行动序列生成、任务分配和航迹规划三个阶段本身具备高度的耦合性。在无人系统协同作战问题领域中,这种信息的耦合更加紧密。基于本体的任务规划立足于高层任务规划,同时考虑任务规划与运动规划的融合,实现无人系统任务的智能规划。

内涵之三:通过对数据和信息的知识化提高智能水平。知识化的作用有两个:一是便于信息和数据在无人系统之间的共享;二是结构化的知识更便于解释和推理。当前受到广泛关注的各种学习算法,本质上是在学习一种知识。这些知识需要有一个规范的表示和交互方式,以支持各类无人系统进行查询、共享和推理,提高智能的泛化性能。

    2 本体在任务规划中的应用现状

2.1 本体在机器人和自主化系统任务规划领域中的应用现状

本体技术在机器人和自动化领域得到了广泛的关注,研究基础也最为深厚。因为,相对于无人机等无人装备来说,机器人的任务规划需要组织和筹划的行动更多,各行动之间也通常需要逻辑上的合理性和时间上的接续性。如对于送水服务来说,机器人需要完成移动到水杯位置、拿起水杯、移动到接水台、按压按钮、松开按钮、移动到顾客位置、递送水杯等一系列行动,同时还需要获取水杯位置、抓取策略、接水台位置、顾客位置等知识信息,并处理水是否接满这样的模糊问题。

虽然,机器人任务规划问题与无人机等无人作战系统的任务规划是不同的任务领域,但是两者都需要解决行动的组织和筹划问题,都面临着任务的分解,以及知识的表示、共享和处理等问题。因此,本体在机器人任务智能规划领域的研究对于解决无人系统智能规划问题具有较大的参考价值。

RoboBrain是一个超大规模的机器人知识引擎[57],从互联网和合作伙伴处获取知识,并对这些知识进行整合,从而形成一个庞大的机器人知识引擎。该项目采用基于对象的数据库进行知识的存储,致力于实现一个机器人学习和共享知识的知识引擎,在人机交互、自然语言理解、机器人感知和任务规划等领域中提高机器人的智能水平。由于该知识引擎过于庞大,实际应用的效果并不理想,但该项目是较早开展机器人领域本体研究的项目之一。RoboBrain系统框架如图4所示。