机器人足球简介.docVIP

机器人足球简介 1.1Agent技术概论 1.1.1智能Agent Agent的概念最早可以追溯到1977年由Hewitt提出的演员模型，在该模型中给出了一些“演员”—一组具有知我包含、相互作用和并行执行的对象。以后的研究中又把Agent看成一个具有特别技能的个体。后来又提出了软件agent的概念，认为软件agent是具有自主性和协作性的实体，它能够帮助用户完成一定的任务。还有些研究者认为Agent是驻留在某一环境下能够持续、自主地发挥作用，满足任务/目标驱动性、社会性、主动性等特征的计算主体。 由上面可见，agent的定义和表现格不相同。实际上，要想在对形成Agent一个比较统一的定义还是不太容易的。所以更多的研究者把关注放在对Agent的特性的研究上面。现在对Agent的特性的研究中，最为经典和广为人接受的是Wooldridge等人提出的有关Agent的“强定义”和“弱定义”，认为一个Agent的最基本的特性应该包含反应性、自主性/自制性、面向目标性和社会性，然后根据其应用情况可以拥有其他特性。Agent可以拥有的其他特性包括：移动性、自适应性、反应性、理性、持续性或时间连续性、自启动和自利等特性。还有一些人从Agent的精神状态出发，对Agent的特性进行了更深入的研究。 从建造Agent的角度出发，单个Agent的结构通常分为思考型Agent、反应型Agent、混合型Agent。下面分别介绍一下这些类型的Agent。 思考型Agent（deliberate Agent） 建造Agent的经典方法是将其看作是一种特殊的知识系统，即通过符号人工智能的方法来实现Agent的表示和推理，这就是所谓的思考型Agent。 思考型Agent的最大特点就是将Agent看作是一种意识系统。人们设计的基于Agent系统的目的之一是把它们作为人类个体或社会行为的智能代理，那么Agent就应该能模拟或表现出被代理者具有的所谓意识态度，如信念、愿望、意图、目标、承诺、责任等。 在这方面，Bratman最早提出用信念、愿望、意图来表示Agent。他从认知的角度来描述信念，认为信念是Agent对当前世界状况以及为达到某种效果所可能采取的行为路线的估计；从情感的角度来描述愿望，认为愿望是描述Agent对未来世界状态以及对所可能采取的行为路线的喜好；从意动方面来描述意图，认为目标是愿望的子集，但没有采取具体行动的承诺，如果某一或一些目标得到了承诺，这些目标就是意图；这也是最初的BDI模型。但对BDI模型做出最大贡献的当首推澳大利亚的Rao和Georgeff，他们提出了一系列用来描述Agent意识的BDI逻辑，分别用3个模态算子来刻画信念、愿望和意图。 反应型Agent（reactive Agent） 由于符号人工智能的特点和种种限制，给思考型Agent带来了许多尚未解决并且很难解决、甚至无法解决的问题。因此导致了反应型Agent的出现。反应型Agent认为，Agent的智能应该取决于感知和行动，从而提出Agent智能行为的“感知—动作”模型。此时的Agent不需要知识，不需要表示，也不需要推理，Agent可以向人类一样逐步进化，Agent的行为只能在现实世界与周围环境的交互作用中表现出来。 这方面的杰出代表当推MIT的Brooks，他提出了子前提结构（subsumption architecture），该结构是由用于完成任务的行为（behaviors）来构成的分层结构，这些结构相互竞争以获得对机器人的控制。 混合型Agent（hybrid Agent） 反应型Agent能及时而快速的响应外来信息和环境的变化，但其智能性较低，也缺乏足够的灵活性。思考型Agent具有较高的智能，但无法对环境的变化做出快速的响应，而且执行效率也较低。混合型Agent综合了两者的优点，具有较强的灵活性和快速的响应性。 混合型Agent通常被设计成至少有两层的层次结构。高层是一个包含有符号世界模型的认知层，进行Agent整体规划与设计；低层是一个能快速响应和处理环境中突发事件的反应层。一般反应层具有较高的优先级。 这种结构的典型实例是过程推理系统（Procedural Reasoning System，简称PRS），它是一个在动态环境中推理和执行任务的BDI系统。 以上是构造Agent的3种结构，其中思考型Agent说采用的是Sign AI，所以得到了大多数DAI研究人员的青睐，反应型Agent尚处初级阶段。而混合型Agent由于其优点已经成为当前的研究热点。 1.1.2多agent系统（MAS） MAS的协作求解问题的能力超过单个的Agent是MAS产生的最直接原因，导致MAS研究逐渐兴起的其他原因还包括：与已有系统或软件的互操作；求解那些数据、能力和控制具有分布特性的问题