Utilize este identificador para citar ou criar um atalho para este documento: https://hdl.handle.net/10923/16635
Tipo: doctoralThesis
Título: Plan recognition and failure prediction for ambient assisted living
Autor(es): Farias, Giovani Parente
Orientador: Bordini, Rafael Heitor
Meneguzzi, Felipe Rech
Editora: Pontifícia Universidade Católica do Rio Grande do Sul
Programa: Programa de Pós-Graduação em Ciência da Computação
Data de Publicação: 2020
Palavras-chave: INTELIGÊNCIA ARTIFICIAL
SISTEMAS MULTIAGENTES
INFORMÁTICA
Resumo: O processo de inferir os planos/objetivos de um agente com base na observação de suas ações é conhecido como reconhecimento de plano. Prever as intenções humanas é um dos objetivos atuais da Inteligência Artificial; o reconhecimento de plano contribui para esse objetivo ao analisar como as observações em baixo nível sobre agentes e meio ambiente podem ser associadas a uma descrição em alto nível do plano. A maioria das abordagens para reconhecimento de plano, em ambientes reais, baseiam-se em regras construídas manualmente, onde a base de conhecimento é representada como uma biblioteca de planos para reconhecimento de atividades e planos. Além disso, essas abordagens geralmente não têm capacidade de incorporar dependências temporais complexas, assumindo a hipótese irrealista de que um agente executa apenas uma atividade por vez e que a sequência de ações é executada de forma coerente para alcançar um único objetivo. Além disso, o conhecimento incompleto sobre o comportamento do agente e a similaridade entre a execução de vários planos geram múltiplas hipóteses sobre o(s) plano(s) que são consistentes com as observações. Este trabalho aborda os problemas para reconher múltiplos planos em ambientes reais, aprender a duração de uma atividade e detectar anomalias na execução de um plano. Tratamos o problema de desambiguar múltiplas hipóteses e detectamos anomalias na sequência de execução do plano explorando tanto a organização hierárquica inerente das atividades quanto horário e duração esperados, desenvolvendo um algoritmo eficiente para filtrar hipóteses aplicando restrições temporais e no comprimento do caminho. Apresentamos uma série de experimentos mostrando que, além de abordar limitações dos algoritmos de reconhecimento e planos tradicionais, nossa abordagem de filtrar hipóteses pode melhorar significativamente a precisão.
The process of inferring agent’s plans/goals from their observed actions is known as plan recognition. Predicting human intentions is one of the ultimate goals of Artificial Intelligence; plan recognition contributes to this goal by analysing how low-level observations about agents and environment can be associated with a high-level plan description. Most approaches to plan recognition, in realistic environments, are based on manually constructed rules, where the knowledge base is represented as a plan library for recognising activities and plans. Besides, these approaches do not usually have the ability to incorporate complex temporal dependencies, and they take the unrealistic assumption that an agent carries out only one activity at a time and the sequence of actions is all coherently executed towards a single goal. Moreover, the incomplete knowledge about the agent’s behaviour and the similarity among several plan execution generate multiple hypotheses about the agent’s plan(s) that are consistent with the observations. This work addresses the problems of recognising multiple plans in realistic environments, learning activity duration, and detecting anomalies in plan execution. We deal with problems related to disambiguation of multiple hypotheses and detecting anomalies in plan sequence by exploiting both the inherent hierarchical organisation of activities and their expected time and duration, developing an efficient algorithm to filter the hypotheses by applying temporal and path length constraints. We present a number of experimental results showing that, besides addressing those limitations of traditional plan recognition algorithms, our filtering approach can significantly improve the accuracy of the underlying plan recognition algorithm. The experiments include a number of synthetically generated plan libraries as well as plan libraries and observations obtained from a re.
URI: http://hdl.handle.net/10923/16635
Aparece nas Coleções:Dissertação e Tese

Arquivos neste item:
Arquivo Descrição TamanhoFormato 
000498229-Texto+completo-0.pdfTexto completo2,99 MBAdobe PDFAbrir
Exibir


Todos os itens no Repositório da PUCRS estão protegidos por copyright, com todos os direitos reservados, e estão licenciados com uma Licença Creative Commons - Atribuição-NãoComercial 4.0 Internacional. Saiba mais.