Pla
Organitzatiu:
Comencem per 2 setmanes
teoria (8 hores). Iniciem pràctiques a la 3a setmana amb 2 hores
setmanals de pràctiques i 2 de teoria. Les 3 darreres setmanes són
només pràctiques. L’avaluació es fa amb l’entrega
dels treballs (grups de 2 persones), entrevista i competició.
Bibliografia
i Recursos:
-
Intelligent Java Applications
for the Internet and Intranets by Mark Watson, Ed. Add-Wesley.
-
Articles varis que es poden
obtenir d’aquestes planes de web següents:
Treballs
de Curs Proposats:
-
Fuzzy 1. Implementació
orientada a objectes.
-
Fuzzy 2. Implementació
neuronal.
-
Neuronal 1. Aprenentatge off-line.
-
Neuronal 2. Aprenentatge on-line
-
Genètics 1. Aprenentatge
off-line.
-
Genètics 2. Aprenentatge
on-line.
-
Sistema expert JESS (explicat
amb detall aquí).
-
Sistema expert JESS 2. Implementació
amb dispar de regla mitjançant lògica difusa.
-
Agent + consensus 1. Normal.
-
Agent + consensus 2. Implementació
adaptativa.
Qualificació:
s’assignaran aquestes tècniques fins a 10 grups de dues persones.
Els grups amb temes 2, 4, 6, 8, 9 o 10 podran conseguir la màxima
nota per mor que les tècniques adaptatives on-line són de
major complexitat a part d’integrar diverses tècniques d’IA.
Els equips es construeixen
sobre l’equip bàsic de la classe class
JavaSoccer.teams.BrianTeam. Aleshores s’heretaran tots els recursos
d’aquests equip bàsic.
2 Comparació de Tècniques
d’IA
Aquest curs és una
possible aproximació a l'ensenyament de la IA. I ara discutirem
una mica més en detall sobre els aspectes filosòfics de per
què plantejar un curs amb un entorn simulat de futbol, i per què
comparar les tècniques d’IA d'aquesta manera (certament no estàndard).
2.1 Mancances de la Formació
en IA
Una de les mancances de la
formació en IA és el fet de només donar solucions
completes que funcionen únicament en exemples hipersimplificats
i acadèmics. La comunitat d’IA no és la única comunitat
acadèmica que li succeix això doncs la comunitat d’Automàtica
també pateix d’aquesta lacra: un 95% del treball sobre teories de
control avançat només són aplicables en menys d’un
5% dels casos reals. En canvi un 5% del treball se desenvolupa sobre PID
però s’aplica de forma generalitzada a la indústria. Més
d’un pot trobar una exemplificació similar en IA on només
qualques sistemes basats en lògica difusa i/oxarxes neuronals han
trobat aplicacions més o menys generals i exteses.
Com a conseqüència
els alumnes disposen d’un aparell teòric molt formatiu però
que no el saben aplicar. Les experiències d’emprar IA (o control
avançat en el cas d’automàtica) en la indústria són
tímides i frustrants.
Una solució a això
és dotar els alumnes de capacitat crítica suficient per sebre
en quines condicions una tècnica d’IA és aplicable o és
millor que un altra. És a dir, la docència li manca enfocs
comparats de tècniques d’IA (d’altra banda, també la docència
d’automàtica pateix del mateix...).
2.2 Mancances dels Resultats de Recerca
en IA
L’any 1997 passarà
a la història per ser l’any on per primer pic un ordinador va guanyar
u-contra-u dins torneig oficial al campió mundial d’escacs Gary
Kasparov. Els escacs es considerava com a un dels problemes paradigmàtics
de la IA dels anys 50 i 60. Es pot entendre ara que som a la fi d’una època,
la de resolució de problemes simbòlics (de joguina o toy
problems o toy examples per qualques recercaires), i al començament
d’una altra més propera als problemes del món real. Aquesta
nova época en recerca d’IA implica plantejar nous reptes amb els
que la IA pugui comprovar els seus avanços. Com que hi ha precedents
satisfactoris de l’ús de jocs (els jocs permeten comparar propostes
de recerca a més a més qu’alcen interés en les joves
generacions i la societat) i tenint en compte que se han generalitzat les
competicions robòtiques, en conseqüència un dels problemes
proposats com a nou repte d’IA és el futbol robòtic.
D’altra banda, la puixant
moda de recerca en agents dels anys 90 sembla qu’ha ben acceptat el futbol
robòtic. La motivació d’experimentar la IA mitjançant
robots es l’essència mateixa dels agents i agents físics.
El fet d’utilizar robots per experimentar agents físics no és
una decisió a l’atzar sinó d’un gran valor científic
per cercar una refundació dels principis físics o biológics
de la IA [Kitano 94, pp:34-35]. S’intenta descubrir els principis de la
introspecció i aprenentatge introspectiu dels agents des del seu
fonament físic. La construcció de sistemes intel·ligents
i adaptatius no és una tasca trivial. Kitano prediu que l’aproximació
al desenvolupament d’un sistema intel·ligent i fer-lo adaptatiu
seria repetir els errors de la IA tradicional, la qual va suposar que la
solució d’exemples simples (toy examples) es podria generalitzar
a aplicacions de major complexitat, expectativa que no s’ha cumplert. Aleshores
creiem que per aconseguir sistemes adaptatius intel·ligents, ells
n’han de presentar les característiques següents: emergència,
que vol dir obtenir intel·ligència emergent de les interaccions
més simples entre components, evolució, la intel·ligència
es fruit de l’evolució i millora continuada dels éssers intel·ligents,
simbiosi
entre diversos components heterogenis, diversitat per aconseguir una correcta
simbiosi i afavorir l’emergència i l’evolució, motivació
qui dirigeix la intel·ligència (com pot ser la motivació
de l’aprenentatge) i fonament físic. Insistim en la importància
del fonament físic per mor que la intel·ligència està
governada per la física: els sistemes intel·ligents finalment
es basen en un cos físic.
La idea de robots que jugassen
al futbol fou proposada per primer pic pel professor Alan Mackworth de
la universidad de British Columbia, (Canadà) el 1992 [Mackworth
93]. El projecte s’anomenà Dynamo [Sahota 95] i ha servit
d’inspiració per a la RoboCup.
Indepenentment, un grup d’investigadors
japonesos organitzaren un Workshop "Grand Challenge in Artificial
Intelligence'' a Tokio l’Octubre de 1992 per discutir possibles problemes
que servissin com a test per a la IA. El juny de 1993 es proposà
seriosament utilitzar el futbol per promocionar la ciència i la
tecnologia amb un projecte denominat originalment J-League on hi participaven
els recercaires Minoru Asada i Hiroaki Kitano. Per mor de l’interés
contagiat fora de Japó es va decidir extendre-lo en forma de projecte
internacional, que s’anomenà Robot World Cup Initiative,
abreujat RoboCup. L’ ElectroTechnical Laboratory (ETL), un
centre de recerca japonés, va començar aleshores la recerca
en sistemes multi-agents emprant el futbol, i engegà el desenvolupament
d’un simulador de partits de futbol.
En la National Conference
on Artificial Intelligence (AAAI-94) celebrada a Seattle (Estats Units)
el 1994, es va fotre una discusió més detallada sobre la
iniciativa RoboCup, amb investigadors dels Estats Units, Europa
i Japó. El mateix any, l’ETL anunciava la primera versió
en LISP del Soccer Server, el simulador oficial de la RoboCup.
Durant la International
Joint Conference on Artificial Intelligence (IJCAI-95) a Montreal (Canadà)
l’agost de 1995, s’anuncià la celebració dels primers Robot
World Cup Soccer Games and Conferences que esclafiren a l’IJCAI-97
a Nagoya (Japó). Aleshores es va presentar la primera versió
del JavaSoccer qu’emprem en aquest article.
2.3 Proposta: Fer Treballs Comparats
en Entorns menys Estructurats. Insistir en la Embedded IA
El JavaSoccer és una
versió reduïda implementada en Java del simulador oficial Soccer
Server, desenvolupada en el Georgia Tech.
Per ser una versió
reduïda facilita que els estudiants de 1r i/o 2n cicle d’una carrera
universitària puguin aprendre amb facilitat el funcionament del
simulador, consistent en objectes i mètodes Java, puguin incloure
codi d’IA implementat en Java i fer un treball d’IA juntament amb una competició.
El JavaSoccer dóna la facilitat suficient com per poder impartir
el curs en les 15 (o 13!) setmanes lectives...
D’altra banda, encara que
sigui una versió reduïda, el JavaSoccer conserva aspectes essencials
del futbol: és un exemple poc estructurat on hi ha nombroses situacions
que requereixen d’extreure tot el suc a les tècniques d’IA que hi
apliquem. Representa l’essència de la nova IA consistent a desenvolupar
codi basat en algorismes de la IA però que s’han d’integrar (embed)
amb altres codis tant d’IA com convencionals. Finalment, el fet de programar
un equip complet de 5 agents colaboratius – competitius dóna un
ventall bastant complet dels nous reptes de la IA.
Aleshores resaltem que pels
alumnes aquest és un tipus de treball on poden aplicar tècniques
d'IA a un entorn concret i petit, tot i que a la vegada no és de
joguina.
Finalment, no s’ha de passar
per alt que la competició és molt necessària doncs,
a part d’estimular fortament els estudiants a complir els terminis de l’assignatura,
els facilita el necessari enfoc comparat de les tècniques d’IA
aplicades pels altres grups de treball. De fet, durant la competició
cada grup de treball exposa en públic els punts forts i febles de
la seva aproximació i la resta d’alumnes els escolta amb molta atenció
i prenen nota! Evidentment qu’els finalistes són els més
escoltats i aleshores la tasca del professor és de relativitzar
una mica els resultats obtesos per cada equip. Com a anècdota, en
Bernat Casero, representant de l’equip que havia aplicat algorismes genètics
amb aprenentatge on-line gemegava fort que la seva tècnica era massa
lenta en convergir i que els seus jugadors eren extremadament lents a prendre
decisions amb respecte els dels altres equips. Efectivament, va ser el
seu equip sacsejat per 18-0 i 24-0. Emperò, la meva valoració
academicista de la seva aportació era alta i el seu treball va ser
qualificat com un 8,5. Quina contradicció segons els alumnes!
Sembla una contradicció
valorar treballs que no "funcionen"? Efectivament, amb aquesta competició
queda de relleu que hi ha tècniques molt ben valorades per la comunitat
científica però, massa habitualment, no es coneix l’abast
d’aplicabilitat de les esmentades tècniques. Afortunadament he pogut
comprovar que amb l’impartició del curs d’aquesta manera els alumnes
extreuen les seves pròpies conclusions d’una forma global i més
independent de les modes qu’els professors/investigadors patim massa sovint.
Almenys no s’en duran decepcions estrepitoses quan apliquin la IA a la
seva carrera professional, amb el conseqüent risc d’avorrir la IA
i enterrar-la per sempre, sinó que tindran una aproximació
útil i realista.
La competició, amb
10 equips, es va desenvolupar durant 6 hores d’un matí el 18 de
gener de 1999. Al partit final hi va anar, a part de la totalitat dels
alumnes del curs, devers uns 50 alumnes de cursos inferiors així
com una vintena de professors de l’Escola Politècnica Superior i
un especialista en robòtica mòbil de la Universitat de Hawai,
el Prof. Yunku Yuh. L’equip que va guanyar, 1ou7kou, va aplicar algorismes
de decisió basats en consensus i adaptació dels paràmetres
de consensus, que tal com (ehem, ehem) el professor de l’assignatura esperava
(l’autor d’aquest article que no pot evitar projectar la seva visió
de futur) varen ser els de millor rendiment...
De tota manera, el tema de
mètodes sistemàtics de comparació de les tècniques
d’IA amb la plataforma d’emulació del joc de futbol encara no esta
ben desenvolupat i és un tema que treballarem els propers cursos.
3 Un exemple: el Sistema Expert JESS
3.1 JESS: Java Expert System Shell
Dels treballs de curs presentats
mostrarem aquí les possibilitats d’usar i aprendre el sistema expert
JESS. És un sistema expert clònic de CLIPS que funciona en
Java i que l’hem emprat integrant el motor d’inferència Rete de
JESS dins del JavaSoccer. JESS s’ha emprat per dissenyar la decisió
dels sistemes intel·ligents. El JavaSoccer i el JESS són
força senzill en concepte i per tant tenen molt bona assimilació
pels estudiants, i permeten amb certa facilitat treballar amb múltiples
aspectes del qu’hauria de ser l’aplicació de la IA: representació
del coneixement, anàlisi, recopilació i codificació
de coneixement, i integració de la decisió experta dins d’un
sistema (en aquest cas el JavaSoccer).
Volem fer un SE en jugar
a futbol de forma que prengui en cada situació una decisió
encertada. El primer que necessitem és el coneixement, per tant
hem d’acudir a un expert en futbol per tal que ens expliqui tot el que
sap però en forma de regles. Per exemple:
<<
Tinc la pilota i no em marquen llavors avançar >>
La representació de
coneixement sembla senzilla, però com en tot procés de representació
de coneixement prest l’alumne veu que no és així. La majoria
d’ocasions és molt difícil que l’expert sàpiga expressar-nos
el seu coneixement amb un conjunt de regles. Les coses, realment, no solen
ser tan lògiques perquè això sigui possible, i molts
cops les nostres decisions tenen part d’intuïció i subjectivitat,
entre d’altres. Bé, es diu que de futbol tothom hi entén,
no? Encara així i tot la solució no és immediata.
3.2 JESS dins el JavaSoccer:
Integració d’IA
El següent aspecte que
cal comentar és l’associació que realitzem entre el JavaSoccer
i JESS per treballar amb tots dos a la vegada. El primer que hem de dir
és que la comunicació entre ambdós és realment
senzilla, i des de Java es pot treballar molt bé amb el JESS. Bàsicament
hi ha dos aspectes importants en aquesta comunicació: la inicialització
i el traspàs d’informació.
Inicialització:
Per tal d’executar un fitxer
de JESS (amb extensió .clp) des de Java tan sols hem de crear
un objecte JESS el qual té com a paràmetres: el fitxer de
JESS com a entrada i la pantalla com a sortida de dades, i un objecte Rete.
Aquest objecte és l’enllaç que des de Java ens permetrà
la interacció amb el JESS.
També és important
no oblidar-nos d’incloure en el programa Java: import JESS.* D’aquesta
forma aconseguim que el programa en Java pugui utilitzar les funcions de
JESS. Veiem com realitzem aquesta inicialització:
Tan sols ens falta el darrer
pas per acabar la inicialització i consisteix en executar un constructor
per a l’objecte JESS. Fixem-nos en com ho faríem:
El fet de construir l’objecte
tan sols s’ha de realitzar una vegada i per això incloem una variable
inici
la qual és certa a l’inici del programa.
Per tal d’executar el constructor
de l’objecte JESS tan sols hem d’aplicar el mètode parse
sobre el nostre objecte. Fixem-nos, però, per tal que es construeixi
correctament hem d’incloure’l dins un bucle que es va repetint fins que
realment la construcció s’ha realitzat.
Comunicació:
Dins el nostre programa Java,
i un cop creat l’objecte JESS, interessa interactuar amb el fitxer de JESS
per realitzar tres accions bàsiques: 1r, enviar dades, 2n, indicar-li
que s’executi i 3r, rebre els resultats.
El primer aspecte és
l’enviament de dades que es fa mitjançant la funció store.
La seva sintaxi és:
Public
Value store(string name, Value val);
Un exemple podria ser:
JESS_engine.store("pilota_gol",
new Value (pilota_gol.r, RU.FLOAT) );
Amb aquesta sentència
enviem un objecte Java anomenat "pilota_gol". La mateixa funció
pot ser utilitzada des del JESS per tal de dur a terme la mateixa acció
d’enviar informació. La sintaxi en aquest cas és: (store
<name> <value>)) Un exemple és: (store
"fer" 1) I tal i com hem vist, estem enviant un objecte de nom "fer"
que conté el valor 1.
Conjuntament amb aquesta
funció existeix la funció fetch que realment podríem
dir que és la funció inversa del store. Mitjançant
aquesta funció el que fem és recollir un objecte que ens
hagi estat enviat i obtenim el seu valor. La seva sintaxi en Java és:
Public
Value fetch( String name) I si la volem utilitzar des de JESS l’hem
d’escriure com: (fetch <name>)
Com es pot observar el mecanisme
de comunicació és realment senzill mitjançant l’ús
d’aquestes dues funcions doncs són totalment complementàries.
Si des de Java enviem un objecte mitjançant un store, el
recollim des de JESS amb la funció fetch, i de la mateixa
forma si la comunicació es realitza en el sentit invers. Coneixent
aquestes dues funcions veiem com seria la interacció habitual entre
Java i JESS.
1.- Java envia les dades
al JESS
Des de Java recollim la informació
que requerim sobre el nostre entorn i el robot mateix, i la traspassem
al JESS perquè aquest prengui una decisió.
Des de java enviem les dades:
JESS_engine.store("pilota_gol",
new Value (pilota_gol.r, RU.FLOAT));
JESS_engine.store("pilota_gol_x",
newValue (LLARG_CAMP - Math.abs(pilota_gol.x), RU.FLOAT));
Les quals recollim des
de JESS:
(assert
(pilota_gol (fetch "pilota_gol")))
(assert
(pilota_gol_x (fetch "pilota_gol_x")))
2.- Java indica que
comenci la inferència
Un cop hem enviat la informació
que pugui haver de mester el SE, indiquem al mateix que s’executi. Podem
aconseguir-ho utilitzant tres funcions:
-
Reset: eliminem fets
anteriors que puguin existir.
-
Assert: inserim fets
inicials.
-
Run: executem el sistema
expert.
3.- Java recull els
resultats del JESS
Repetim de nou la comunicació
store-fetch però en aquest cas en sentit contrari. És el
JESS qui envia les dades, la decisió que cal prendre, cap al Java.
Des de JESS faríem: (store
"fer" 0)
En aquest cas la decisió
presa està identificada amb el número 0. Obtenim aquest objecte
des de Java utilitzant el fetch: Value
v = JESS_engine.fetch("fer");
D’aquesta forma hem recollit
la decisió en l’objecte v. Quan vulguem accedir al seu contingut
ho podem fer mitjançant la funció intValue(). La qual
ens retorna el valor associat a l’objecte, en el cas de l’exemple, 0.
4 Utilització del JESS per a
la Decisió Intel·ligent d’un Jugador
Ara que ja sabem integrar
IA al Javasoccer mitjançant el SE JESS, fem un exemple extret del
curs: el porter Higuita. L’objectiu a l’hora de dissenyar la seva
lògica de decisió ha estat donar-li un comportament força
semblant al del veritable Higuita en la realitat. Aquest porter gairebé
mai no és sota els pals per cobrir més espai de terreny i
estar atent a possibles passades llargues dels rivals. Prefereix esperar
des de la frontal de l’àrea. Des d’on aconsegueix reduir al màxim
l’angle de tir de l’atacant rival, i pot sortir a refusar passades a l’espai
buit de l’equip contrari. Pot semblar una política arriscada però
s’ha seguit les pautes del mestre Cruyff en el Dream Team. D’altra banda,
els jugadors no saben aixecar la pilota per sobre el porter.
4.1 Lògica de Decisió
El nostre porter pot prendre
tres decisions diferents segons l’estat actual del joc. Aquestes són
a)
Refusar a banda, b) Sortida i c)Cobrir porteria. Anem a veure quan
es decideix cadascuna d’elles amb les següents regles de decisió
4.2 Refusar a Banda
N’Higuita decideix refusar
cap a banda quan la pilota l’ha sobrepassat que és quan la pilota
es troba més aprop de la porteria que ell mateix. En aquesta situació
considerem que cal que el porter corri cap a la pilota i intenti enviar-la
cap al còrner abans no acabi dins la porteria. Podríem dir
que és la darrera acció desesperada per intentar salvar el
gol. I podem definir aquesta decisió mitjançant la següent
regla en JESS:
4.3 Sortida
El nostre porter més
de jugar avançat li agrada sortir fora de l’àrea per jugar
la pilota amb els peus i refusar aquesta cap al mig del camp. Tot i aquesta
tendència no podem permetre que qui ens ha de salvar els gols es
dediqui a sortir alegrement i tan sols li permetem que es prengui aquestes
alegries quan considerem que la sortida és prou segura.
I què volem dir amb
prou segura? Doncs que es compleixen les següents quatre condicions:
1.- La pilota es troba prou
a prop de n’Higuita, en el que nosaltres hem anomenat distància
de sortida. El porter tan sols ha de sortir cap a la pilota quan aquesta
realment sigui prou pròxima a ell.
2.- La pilota es troba prou
a
prop de la porteria, dins el que podem anomenar la zona d’influència
del porter. Mitjançant aquesta condició aconseguim limitar
en certa manera la longitud de les sortides.
3.- N’Higuita és el
jugador de l’equip més proper a la pilota. No podem esperar
cap altre company hi vagi i de qualque manera hem de prendre la iniciativa.
4.- N’Higuita es troba també
més a prop de la pilota que cap dels jugadors rivals.
Quan totes aquestes condicions
són certes el nostre porter decideix sortir cap a la pilota. I podem
definir aquesta decisió mitjançant la següent regla
en JESS:
4.4 Cobrir la Porteria
Finalment ens manca comentar
la darrera possible alternativa que té el nostre porter, que consisteix
en cobrir bé la porteria per reduir al màxim l’angle de tir
dels rivals i evitar que cap xut el sorprengui.
Aquesta és de fet
la decisió més habitual i es prendrà sempre que no
es decideixi cap de les anteriors. És, per dir-ho d’una forma, la
decisió comodí, doncs representa la tasca bàsica d’un
bon porter.
Ens manca explicar un petit
aspecte: com decideix el porter quina és la millor manera de cobrir
la porteria? a quina posició s’ha de col·locar el porter?
Llancem una línia imaginària des del centre de la nostra
porteria cap a la pilota, en el que seria una previsió del xut més
habitual del nostres rivals. El porter s’ha de col·locar sobre aquesta
línia, i exactament en el punt que es troba a una distància
de 0.32 respecte al centre de la porteria. Aquest valor s’ha trobat heurísticament.
En aquest cas la regla és
ben senzilla de definir en el JESS. Indiquem que cal cobrir la porteria
quan no es produeix cap de les altres decisions, és a dir: quan
no sortim ni rebutgem. Veiem aquesta regla:
4.5 Implementació de la Lògica
Arribats aquest punt hem
definit com es comporta el nostre porter Higuita, explicant quina decisió
pren en funció del joc. Però tot ho hem fet parlant a un
nivell molt alt i utilitzant expressions com "si és el jugador més
a prop", "si la pilota és prou a prop seu"... fets que per nosaltres
quan juguem a futbol són trivials de decidir si són certs
o falsos, però que no és tan senzill quan els hem de dur
a la implementació de la base de coneixement.
En aquest apartat el que
volem és precisament explicar com calculem tots aquests fets que
després ens permeten prendre la decisió més encertada
en cada cas. Comencem per veure quines són les dades que inicialment
ens transmet el programa Java cap el JESS.
4.6 Recollida d’Informació
Per poder començar
aplicar les regles hem de comptar amb mesures sobre el nostre entorn. Ens
referim a aspectes com el número de jugadors rivals, la distància
que ens trobem de la pilota... Veiem concretament quina és aquesta
informació imprescindible:
-
Pilota_porteria: distància
des de pilota cap el centre de la nostra porteria.
-
Pilota_porteria_f: distància
des de la posició futura de pilota cap el centre de la nostra porteria.
-
Jo_porteria: distància
que al centre porteria.
-
Nlocals: número de components
al nostre equip.
-
Nvisitants: número de
components a l’equip rival.
-
Dlocal0: distància a
la que em respecte la pilota.
Totes aquestes dades
les obtenim des del nostre programa Java i les comuniquem al JESS mitjançant
la funció store. Ja dins el JESS aquest pot recollir els
valors utilitzant la funció fetch. Veiem com ho faria:
Ara bé, les dades
fonamentals no són només aquestes. Ens en manquen de molt
importants com poden ser la distància que es troben els altres jugadors
de la pilota. Realment és informació que necessitem, però
no ens n’hem pas oblidat sinó que la recollim d’una forma que poguem
adaptar-nos tant al nombre de jugadors locals com de visitants. La resta
de dades que ens manquen fan referència als nostres companys i als
jugadors rivals. Imaginem-nos que recollim la distància que es troben
de la pilota els jugadors de l’equip contrari dins aquesta mateixa regla
que acabem de veure. Faríem:
(assert
(dvisitant0 (fetch "dvisitant0")))
(assert
(dvisitant1 (fetch "dvisitant1")))
...
// i així amb la resta de dvisitanti
I obtindríem les dades
referents als nostres cinc rivals. Però què passaria si l’equip
rival decidís jugar amb tan sols quatre jugadors? El nostre programa
petaria i perdríem el partit. Davant aquestes estratègies
"estranyes" hem hagut d’optar per adaptar aquests "fetchs" al nombre de
jugadors que en formen part.
La informació que
interessa és:
-
Dlocal i: distància
del jugador i del nostre equip respecte la pilota.
-
Dvisitant i: distància
del jugador i de l’equip rival respecte la pilota.
I l’aconseguim de la
següent forma (mostrem tan sols el cas de la distància dels
nostres companys, a l’hora de treballar amb els jugadors rivals actuaríem
de la mateixa forma).
Fixem-nos que comprovem cada
vegada quin és el nombre de jugadors locals, i segons aquest valor
es dispararan més o menys regles que provoquin el fetch de
la distància del jugador. També ens podem adonar com no considerem
el cas que hi hagi un sol jugador local, i aquesta informació ja
la recollim quan fem aquell primer conjunt de fetchs inicials que
hem pogut veure. La raó és ben senzilla: com a mínim
sempre hi ha un jugador local, nosaltres mateixos. Tot seguit anem a veure
els aspectes de la situació del joc.
La
Pilota Sobrepassa el Porter: mes_aprop_pilota
Quan la distància
entre porteria i pilota és menor que la distància entre porter
i la porteria, el porter ha estat sobrepassat i concloem un nou fet: més_aprop_pilota.
Aquest fet vol dir que la pilota està més a prop de la porteria
que el porter. Veiem la regla en JESS:
La
Pilota és a Zona d’Influència: pilota_dins_zona
Recordem com una de les condicions
perquè el nostre porter decideixi sortir és que la pilota
estigui dins el que hem anomenat la seva zona d’influència. El que
realment volem dir és que la pilota està prou a prop de la
nostra porteria. El codi de la regla és:
Podem veure dos aspectes
d’aquesta regla:
1.- Hem decidit que la pilota
es troba dins la zona d’influència quan hi és a una distància
inferior a 0.5.
2.- Treballem amb la distància
futura de la pilota. És a dir, no ens estem fixant en on es troba
la pilota ara mateix sinó que prenem la decisió tenint en
compte a quina distància es trobarà la pilota d’aquí
un temps.
D’aquesta forma aconseguim
tenir en compte el sentit del moviment de la pilota. No és el mateix
que la pilota estigui venint cap a la nostra porteria, que si aquesta s’està
allunyant i fuig en direcció contrària.
La
Sortida no és Excessiva: distancia_sortida
Un altre aspecte que cal
considerar és evitar la sortida del nostre porter quan això
suposa fer un recorregut massa llarg. El que fem és mirar a quina
distància ens trobem respecte la pilota, si aquesta és inferior
a 0.3 considerem que estem prou aprop de la mateixa, i inserim el nou fet:
distancia_sortida.
Sóc
el Jugador Local més Aprop: local_mes_aprop
Un dels aspectes més
importants a l’hora de prendre una decisió o altra és conèixer
la situació dels nostres companys. En aquest sentit un dels aspectes
més interessants és comprovar si sóc o no el jugador
del meu equip que es troba més proper a la pilota.
La manera de conèixer
si sóc o no el local més proper a la pilota és comparar
la distància a la que em trobo de la pilota amb la distància
a la que es troben els meus companys i veure si sóc la distància
més petita.
Cal adaptar les nostres regles
per tal que puguin funcionar sigui quin sigui el número de jugadors
locals. El resultat és el següent:
5 Conclusions del Curs
El curs es va impartir amb
normalitat i els diversos grups vàrem comprovar de forma comparada
les potencialitats de les diverses tècniques d’IA. Varem partir
tots amb un coneixement zero del JavaSoccer, JESS i les altres tècniques
d’IA i varen el 90% en quatre mesos preparar equips per a la competició
i aprovar el curs. Les grans conclusions qu’ell n’extragueren del curs
foren:
-
Que la lògica difusa
representava molt bé el coneixement imprecís i/o incert i
simplificava molt el número de regles i situacions a generar.
-
Que les xarxes neuronals són
molt elegants per entrenar la decisió, i molt robustes si estan
ben entrenades. Per contra es va experimentar el problema de la topologia
(que encara és empírica) i la convergència.
-
Els algorismes genètics
són una alternativa raonable d’aprenentatge però conceptualment
no han estat tan fàcils d’operar com les xarxes neuronals.
-
Els algorismes on-line d’aprenentatge
són eficaços però tendeixen a respondre (adaptar-se)
molt tard en temps de resposta respecte a d’altres (l’equip qu’els va implementar
va perdre tots els partits per golejada).
-
El sistemes experts amb lògica
difusa surten molt potenciats. Altrament són molt limitats.
-
Aspectes de cooperació,
les estratègies deliberatives són molt més
eficients que les reactives. 2 equips per separat arriben a les
mateixes observacions.
La conclusió general
és que els alumnes han après molt bé i de forma comparada
el que un mostreig de tècniques d’IA poden fer, i veuen els problemes
d’incloure (embed) IA en sistemes per crear sistemes intel·ligents,
que és un aspecte molt important per què en el futur puguin
aplicar tècniques d’IA de forma rutinària dins de la seva
carrera professional.
Evidentment que el que els
ha motivat més ha estat la competició, anc que finalment
crec que els he atrapat a la IA. Ara estan entusIAsmats per la IA i la
majoria d’ells actualment fan projectes fi de carrera on apliquen qualques
aspectes d’IA, el que dóna esperança que en el futur siguin
receptius a continuar aplicant-la. Sobre tècniques concretes, les
més populars entre els alumnes han estat les basades en la lògica
difusa, possiblement perque faciliten enormement l’interfassatge numèrico-simbòlic
necessari per a la decisió intel·ligent dels robots futbolistes.
Per acabar, animaria a altres
professors que facin innovació dins d’aquesta línia doncs
hi ha molt de treball futur, específicament en ampliar el repertori
de tècniques d’IA aplicables, perfeccionar els mecanismes de comparació
dels resultats dels diversos algorismes i poder observar aplicacions concretes
d’algorismes primerament prototipats en el JavaSoccer i després
aplicats a altres problemes anàlegs de la vida real.
Agraïments
Aquest treball ha estat finançat
per la CICYT TAP98-0955-C03-02 dins del projecte "Diseño de agents
físics (DAFNE)" així com la xarxa temàtica de la CIRIT
tele-ensenyament i recerca en Automàtica- IITAP 1996 XT 00023. També
agraïm que el nostre amic en Tucker Balch de la CMU hagi donat
freesoftware la darrera versió del seu JavaSoccer. Finalment
vull agraïr als revisors anònims que mos han ajudat a millorar
l’article docent.
6 Referències
[Asada 97] Asada M., Kuniyoshi
Y., et al. The RoboCup Physical Agent Challenge, In the First RoboCup
Workshop in the XV IJCAI-97 International Joint Conference on Artificial
Intelligence, pp.51-56, 1997.
[Jennings 98] Jennings N.,
Sycara K., and Wooldridge M. A Roadmap of Agent Research and Development,
In
Autonomous Agents and Multi-Agent Systems, Kluwer Academic Publishers.Vol.
1, n. 1, pp. 7-38, 1998.
[Kitano 94] Kitano H. and
Hondler J. A., Massively Parallel Artificial Intelligence, In the AAAI
Press / The MIT Press pp: 1-52, 1994
[Kumar xx] Kumar D. and Mawr
B., Using Robots in an AI Course, Department of Math & Computer Science
http://blackcat.brynmawr.edu/~dkumar/UGAI/Robots.html
[Mackworth 99] Mackworth
A., The Dynamics of Intelligence: Constraint-Satisfying Hybrid Systems
for Perceptual Agents, In AAAI Spring Symposium in Hybrid Systems and
AI, 1999
[MacWorth 93] MacWorth A.
K., Computer Vision: System, Theory, and Applications, Chapter of On
Seeing Robots, pp:1-13. World Scientific Press, Singapore, 1993
[Mataric 98] Mataric M.,
Co-ordination and Learning in Multirobot Systems, in the IEEE
in Intelligent Systems, March/April 1998, pp: 6-9
[Russell 94] Russell S. and
Norvig P., A Modern, Agent-Oriented Approach to AI Instruction. In Proceedings
of the AAAI Fall Symposium on Innovative Instruction for Introductory AI,
New Orleans, Nov. 1994.
[Sahota 95] Sahota M. K.,
MacWorth A. K., Barman R. A., and Kingdon S. J., Real-Time Control of Soccer-Playing
Robots using Off-Board Vision: the Dynamite Testbed, In IEEE International
Conference on Systems, Man and Cybernetics, pp: 3690-3693, 1995.
[Steels 92, 97] Steels L.,
The Origins of Syntax in Visually Grounded Robotic Agents, In the
15 IJCAI Proceedings, pp: 1632-1641, 1997
Congrés Català
de la Intel·ligència Artificial
Docència de tècniques
d’IA mitjançant JavaSoccer
Josep Lluís de la Rosa peplluis@eia.udg.es
Miquel Montaner mmontane@eia.udg.es
Departament d’Electrònica,
Informàtica i Automàtica
Universitat de Girona
Introducció
-
Innovador sistema d’ensenyament
de les diferents tècniques d’IA
-
Utilització d’un simulador
de futbol dins un entorn multiagent
-
Aplicació de diferents
tècniques d’IA en el sistema de decisió dels agents per tal
de comparar els resultats
-
Motivació dels alumnes
gràcies al factor lúdic i competitiu
Motivació
Mancances de Formació
-
Complexitat a l’hora d’intentar
donar solucions completes sobre exemples simples i acadèmics
-
Els alumnes obtenen una formació
teòrica molt important però no la saben aplicar
-
Això comporta que les
experiències d’utilitzar IA en la indústria són tímides
i frustrants.
Solució: dotar als
alumnes de la capacitat crítica suficient per saber quina és
la millor tècnica d’IA aplicable en cada cas
Assignatura
Aspectes generals
-
Assignatura optativa de 5è
d’Enginyeria Informàtica
-
6 crèdits = 2 h teoria
+ 2 h pràctiques a la setmana
-
Els estudiants parteixen d’una
base d’IA per la troncalitat dels seus estudis
-
Avaluació:
entrega d’equips (grups de 2 persones), amb la corresponent memòria,
entrevista i competició
Temari teòric
Tema 1: Introducció
als agents intel·ligents (2h)
-
Concepte d’agent i sistema intel·ligent.
-
Evolució històrica.
Camps d’aplicació i exemples.
Tema 2: Enfoc
pràctic de la lògica fuzzy (difusa) (4h)
-
Incertesa i imprecisió.
-
Lògica binària
i lògica fuzzy: conjunts fuzzy.
-
Aplicacions i exemples.
Tema 3: Enfoc
pràctic de les xarxes neuronals (4h)
-
Aprenentatge. Mecanismes.
-
Aplicació i exemples.
Tema 4: Enfoc
pràctic dels algorismes genètics
-
Adaptació i optimització.
Tema 5: Enfoc
pràctic dels sistemes experts
-
Representació del coneixement.
-
Mecanismes d’inferència:
Foward and Backward chainning.
-
Introducció al JESS (Java
Expert System Shell).
-
Aplicacions i exemples.
Tema 6: Agents
intel·ligents
-
Introducció. Agents software
i agents físics.
-
Consensus.
-
Llenguatge AGENT0.
-
Agents físics. Exemples.
-
Disseny d’agents físics.
Tema 7: Exemple
d’aplicació a la supervisió i decisió de robots mòbils
autònoms i cooperants
-
Estudi de la problemàtica
de la decisió reactiva.
-
El problema de la decisió
cooperativa.
-
Aplicació de diferents
paradigmes de resolució.
-
Avaluació comparada de
resultats.
Pràctiques
-
Implementació d’un equip
de futbol de 5 jugadors
-
Aplicació de tècniques
d’IA en el sistema de decisió
-
Veure i comparar els resultats
dels diferents equips tenint en compte la tècnica utilitzada (els
alumnes extreuen les seves pròpies conclusions globals).
-
Competició final entre
els equips desenvolupats
Treballs proposats
-
Fuzzy1: implementació
orientada a objectes
-
Fuzzy2: implementació
neuronal
-
Neuronal1: aprenentatge off-line
-
Neuronal2: aprenentatge on-line
-
Genètics1: aprenentatge
off-line
-
Genètics2: aprenentatge
on-line
-
JESS1 : sistema expert
-
JESS2: sistema experts amb regles
de lògica fuzzy
-
Agent+consensus1: implementació
normal
-
Agent+consensus2: implementació
adaptativa
Un exemple: Sistema expert - JESS
-
JESS = Java Expert System Shell
-
Integració d’IA: JESS
dins el JavaSoccer
-
Mitjançant l’objecte
Rete interactuem directament amb el JESS.
-
Aquesta interacció es
realitza en tres fases:
-
1. Java envia les
dades a JESS
-
2. Java indica que
comenci la inferència
-
3. Java recull els
resultats del JESS
-
Com en tot sistema expert
necessitem que un especialista entri les regles (limitació important)
Higuita
(defrule sortir
(not (pilota_sobrepassat))
(distancia_sortida)
?0<-(pilota_dins_zona)
?1<-(visitant_mes_aprop)
?2<-(local_mes_aprop)
=>
(assert (sortir))
(retract ?0
?1)
(store "fer"
1) ) |
Resultats
-
Tot i partint d’un coneixement
zero del JavaSoccer, JESS i altres tècniques d’IA, el 90% dels alumnes
varen desenvolupar un equip i aprovar l’assignatura
-
La lògica difusa representava
molt bé el coneixement imprecís i/o incert i simplificava
molt el número de regles i situacions a generar
-
Les xarxes neuronals són
molt elegants per entrenar la decisió i molt robustes si estan ben
entrenades.
-
Els algorismes genètics
són una alternativa raonable
-
Els algorismes on-line d’aprenentatge
són eficaços però tenen un temps de resposta molt
alt respecte els altres
-
Els sistemes experts amb lògica
difusa surten molt potenciats. Altrament són molt limitats.
-
Les estratègies deliberatives
són molt més eficients que les reactives.
Conclusions
-
Els alumnes han adquirit coneixements
comparats entre les diferents tècniques d’IA
-
S’han de desenvolupar mètodes
sistemàtics per a la comparació de tècniques d’IA
-
Amb el factor lúdic i
competitiu s’ha aconseguit despertar l'interès dels alumnes cap
a la IA
-
Alguns dels alumnes han seguit
estudiant diferents temes de la IA en projectes de fi de carrera o en el
doctorat
Bibliografia
-
Intelligent Java Applications
for the Internet and Intranets by Mark Watson, Ed. Add-Wesley.
-
Articles varis que es poden
obtenir d’aquestes planes de web següents:
