智能工业机器人知识
摘要
本文介绍了一种致力于对工业机器人和自动化系统提供更多智能的尝试。 我们开发一种将应用在机器人和自动化技术不同方面的独立的知识表示整合在一起的系统架构。这个知识集成框架是一个可能的分布式实体，它将用在设计或生产中作为数据源的成分抽象出来，并且通过标准接口提供统一访问它们的路径。表现是基于本体论的，而本体论则形式化了过程、产品和资源三元组，其中技能被认为是三者的共同点。现在正在收集生产知识并且KIF的初步版本通过了验证。
1.简介
自从五十多年前人工智能开始以来，这个学科的目标之一（更确切的说是梦想）是为机器人提供足够的知识和行动能力使他们能够自己作出决定和行动，而不是代表其所有者完成一些既定任务。这个想法如今逐渐开始实现，尤其是在服务机器人中：人们将服务机器人视作为不同社会环境中的人提供服务的同伴。
然而，我们设想的几乎智能的机器人通常具有移动实体的形式，并且为了与人类在自然环境中共存，还应该部分具有类似人类的特点。智能很少与工业环境联系在一起，即使大多数机器人都用于工业环境中。在某种意义上，这是很自然的，因为在工业环境中它更大程度上是由集中控制系统确保下的产品实体间的合作与联合，而独立机器人在决策中具有相当有限的能力和自动化程度。
自主移动机器人的知识水平的发展是一个受到机器人和人工智能社区高度关注的议题。自从SHAKEY时代以来，研究人员已经设想出越来越多先进的方法来描述机器人的环境、它们的目标、能力，以及推理等，这些推理对于制定出一个可执行的行动计划是有必要的，这些计划将导致某些预定状态的产生。摩尔定律允许我们运用现代复杂的表现和推理方案，即使在复杂的、真实世界中的、有限的领域内也能获得高效率。语义技术使得在许多独立系统之间交流知识成为可能，并引入了多于一种方法来找出在给定情况下应该采取什么行动。
本文介绍了应用语义网技术提高基于机器人的自动化系统的实用智能水平的想法，在这种系统中必须扩展共存知识的数量，但有时甚至矛盾的，即必须确保准确性、可重复性，达到期限，错误恢复等。在这种情况下，许多经典的基于知识的解决方案都需要重新设计，或者至少需要仔细调整。
本文的结构如下，首先讨论一下以前在此领域的工作，重点是机器人知识表达，语义网技术和机器人的知识表示。下一节讨论我们在工作中所专注的应用领域的专业性问题。然后我们介绍我们正在工作中使用的架构。在下一节中我们将描述必要能够代表这个领域所需的概念集，这些概念的组织将由一系列的本体完成。 最后，我们指出在工作中使用的软件工具。 本文将以结论和对进一步工作的建议结尾。
2.前期工作
2.1 机器人的知识表现
知识表达是机器人尤其是自主机器人研究的重要领域。第一类方法是基于逻辑的通用表达语言。一个很好的早期工作的概述可以在Brachman和Levesque1985年的研究中找到。第一台自主机器人SHAKEY将这种方法用到了极致：其规划系统STRIPS，计划执行和监控系统PLANEX和学习组件（三元表）都是基于第一顺序逻辑和推断的。这种思维方式继续发展下去，导致了帕特里克· 海斯的“天真物理学”或被称作是“机器人物理学”。
由于当时计算能力不足，这种开发停止了，但近来却在广义语义网领域受到了大量关注。正在计划中的技术也有很大的进步，并且现在可能用于大量复杂的情况，虽然自动化可能仍然超出了这个限制。
同时，一些有代表性的基于逻辑的表达方法被开发出来。有一段时间，程序性表现被认为是一种解决方案（代表“如何”，而不是“什么？”），但从未有过合理的扩大。基于规则的表现简化了推理机制，同时保留了事实的象征性表示，并将其与纯粹的程序描述的机器人动作相结合。
最后，混合架构开始出现，伴随着顶层的推理层，底层的反应层和一些同步机制，在中间以各种伪装的形式实现。这种用于建立自主机器人的方法现在很流行，在这种方法中，研究人员尝试在任何种类的推理所需的抽象的、声明性描述和控制所需的程序之间找到一个适当的接口。这个问题直到今天仍然开放，只是其复杂性（或者说解决方案的复杂性）随着时间和计算能力在不断增长。
2.2 语义网
语义网最近受到很多来自机器人社区的关注。它的根源可以追溯到关于语言语义和语义网络的研究。在这些开创性的研究中，单词被描绘为一组节点和语义关系连接节点的弧的标签如部分在Richens的原始论文中的关系。对于最近的报告，虽然使用语义网络进行翻译的初衷没有多少成果，网络背后的想法已经复苏了互联网。计算功率和存储容量像以前一样可用，并且允许建模，存储和处理与实际问题相对应的结构。
像语义网络一样，语义web使用图表来代表概念、对象及其关系。它被组织为一系列具有功能的标准，从字符编码到用户应用程序。图1显示了资源描述框架（RDF），RDF模式（RDFS），Web本体语言（OWL）等词汇来描述这个图的标签; SPARQL是一种从图表中提取数据的查询语言;并且规则交换格式（RIF）是一种用来创建交换推理规则的标准方式的持续尝试。
通过使用这些标准化的图表词汇（RDF或OWL）和逻辑工具（SPARQL和RIF），语义web使系统能够：使用编码和解释数据丰富的层次和关系结构，与共享数据通用格式，并提取数据并将其集成到应用程序。
2.3 语义技术在机器人中的应用
机器人语义web方法的开发可能被认为是范式转变：而不是为机器人构建整体、完整的系统，为何不使用有许多贡献者和捐助者积累的知识的分散的方法。RoboEarth计划是一个在服务机器人领域用这种思维思考的突出的例子。
机器人期望完成的任务定义了表现的复杂性。预编程任务不需要思考，只是对变化做出反应并采取行动。更多的自主权和感官力量需要更多的推理实时完成。然而，在行动之前，与设计和编程时间的不同，范式转变立即发生。
研究人员创建了许多本体来支持这些知识密集型系统。本体只是整个系统的一部分（但是关键的部分）。目前已经有几种尝试以合适的本体（和相关工具）的形式编纂生产知识。Lastra和Delamer在2008年提供了一个关于这个扩展领域相对较新的的概述。然而，Kim,Manley,和Yang在2006年已经提出了一个在设计过程中着重于协作问题的有趣的尝试。我们之前已经开发出用于生产并专注于体现设备技能的本体，但是关于这项技术的发展应该如何继续还没有共识。
3.架构
知识表示本身就是一种可能导致大量在代表性，复杂性或表现力方面的理论结果的活动，可能涉及推理的分析算法，或可能被视为其他活动的服务，这些活动将产生一个基于知识的系统，这篇文章由后者引导。我们根据具体系统产生的需求和限制来调整调查方案，基于FRIDA平台的同事机器人，如图2所示，我们正在建设并将在2012年予以展示。
如上所述，我们专注于制造业领域，特别是在机器人、传感器配备的工作单元上，其中需要有效地理解根据时变而改变系统的行为生产需求。可以想象，当不同订单强制执行的情况下，季节饼干的生产，汽车灯的组装或工业电子的组装重新配置生产设备。当要复制某些特定的生产线时，会出现类似的重新配置问题（通过一些局部修改，例如，使用其他类型的传感器或机器人）到另一个站点。
系统的架构分为三个方面（见图3）。在中心有知识整合框架（KIF）：为其他子系统提供服务的知识库。 KIF并不是一个单一的单位，但在实际中就像这样。其作用是对任何提出请求的人提供相关话题的知识。我们看到可能希望与KIF交互的主要是两种客户端：工程站和电池控制器。
工程站是用户系统的主要用户界面。它用于定义生产单元格配置、几何、资源、连接等它通常也用于开发工作单元控制程序，包括模拟和可能的虚拟执行的代码。通常至少有两种用户的工程站：那些描述蜂窝（一段时间，通常是系统集成商）和那些每天使用它的人（经常访问，但限于任务重新定义和小区重新配置，通常是技术人员）。这些类型的用户拥有最终需要的不同类型的知识，如果我们希望它被重复使用就需要存储在KIF中。
本地控制器连同实际物理安装形成了另一种可用于KIF的“用户”知识：它们将其用来使操作人员提供的高级描述具体化成可以运行在可访问的蜂窝系统中的硬件中的可控的程序。这个配置过程可能会在一定程度上自动化，但为了解决所有歧义通常需要人提供支持。
为了允许更高级别的任务执行控制，我们使用任务执行软件增强了的系统层。这个附加层与本地机器人控制器建立了在线的连接，并且负责实现和监督物理系统上的任务，与潜在的外部传感器进行交互，这些传感器如摄像头或力传感器不易集成到本地系统，并且能够向KIF传递有价值的“经验”（如适应的参数值或遇到的错误）。
到TE层的接口是通用的，这些接口为不同种类的硬件和软件构建服务站。另一方面，与本地机器人控制器和附加设备和传感器的交互是硬件固有的，TE层需要实现相应地与它们接口的功能。这里的交互包括监控和参数设置的可能性，收集设备生成的日志数据等行为信息，支持实验和半自适应参数值等。其中一些功能使用动态创建的代码实现特定的通信信道。
通常会有很多ES连接到KIF。原则上，我们可能会期望每个控制器/工作单元有一个ES，但是其他配置也是可能的。 KIF应该作为一个知识储存和交换数据库，既可以用于知识积累（包括学习，也可以吸收隐性知识）也作为各种背景下的知识重用。
认识到KIF不会成为一个监督每一项活动并为所有问题提供解决方案的无处不在的中央系统也是很重要的。这种架构的终极目标是允许重用部分生产知识用来存储，组织和并且很容易的被许多用户和工作单元访问。我们期望这样的经验让我们在可用于多种场景的通用知识和仅用于相关专业生产案例中的专业知识间划分界线。
由于KIF是从各种来源收集其内容的知识库，因此必须在源格式和KIF表现之间进行适当的转换。 我们采用RDF作为存储格式（参见第6部分），并介绍了用于来自工程站的数据的定制翻译器。 特别的，我们使用AML标准作为用于传递机器人工作单元信息的语言之一。 AML不仅适用于编码单元的静态信息（设备，它们的管理、连接）也适用于被编码为过渡系统的离散行为。 特定设备的代码仅引用较高级别表示，以原生格式存储。
4.领域
致力于为智能系统需要处理的各种物理现象提供表现的尝试已经有多次。然而，CYC的教训表明这样的努力是巨大的，需要几十年的时间但也不一定会产生令人满意的结果。
因此，我们将工作限制在基于机器人的自动化技术，并将其作为一个足够复杂的领域来应对挑战，同时还有足够的限制，允许非平凡的结果实现。为了获得有意义的结果，必须在系统中积累大量一致的知识。之前业界已经做出的尝试已经在本文的“之前的工作”这一章节中描述，其中制造领域首先受到关注，而目前的研究主要集中在装配过程中。因此我们期望建立一个基于机器人生产的在许多领域有用的实质性知识库。
传感器制造是一个特别的挑战，因为世界如此复杂，以至于可靠的表现状态几乎是不可能的，因此通常需要一些简化。表现传感过程甚至在有限的应用程序域是一个非常困难的问题。在本文的背景下，它被认为是一个侧面问题，而我们大部分的工作都是致力于达到令人满意的
能够代表自动化系统用户的结论。
我们采用了常规的方法来简化问题例如离散化的空间，时间和状态，或者其他可能的问题。传感器的行为通常是由FSM捕获，并抽象出连续模型。然而，我们确保该表示是可扩展的和模块化的，以便简化在某种情况下不起作用时，可以适当的插入连续符号模型并将其视为必须的。
5.本体
我们的方法采用的概念结构是基于的所谓的生产三角形：产品、工艺、资源（见图4）。正在制造的工件保持在以产品为中心的视图中。制造本身（即，过程）使用与不同抽象级别（即任务，步骤和动作）相对应的概念进行描述。
最后，资源在设备中实现（能够实现传感或制造）。技能的核心概念联系着这三种视图，并且是表示的基本元素之一。
在机器人生产系统的情况下，技能可能定义为参数化运动的协调。这种协调可以在几个级别上进行，如排序（例如通过有限状态机或类似形式表示），配置（通过适当的运动参数化）和调整（通过传感器估计）。除此之外方法，基于特征框架概念，我们建立了一套与任务级别描述相关的推理方法，例如任务规划。
我们方法中的产品视图相当于定义工件需要做什么。特别地，描述目标的整个制造过程是非常重要的，否则没有算法将能够有意义地推理这个过程。这个目标可以使用一些合适的逻辑公式明确定义，但也可以给出作为描绘最终状态的CAD图，或者可以使用涉及生产的约束来说明。另一种可能性是描述正在进行的产品转型方式。
作为示例，组装图结构已经被选择作为汇编优先约束的合适表示。它本身不会导致可执行文件机器人程序。为了实现这一目标，以下必须添加“平台特定”信息：
bull;夹具和其他工具（螺丝刀等）
bull;机器人属性：精度，控制模式
bull;传感器：力，视力，距离传感器等
这些的每个具体组合可以导致不同装配场景这些场景中的每一个反过来都是必须的处理上述属性的一系列不确定性。
过程视图描述了如何实现产品在上面的产品视图中命名的转换。要描述转换，必须有一个适当的词汇。在我们的方法中，仅限于机器人制造，我们参考以下概念：
bull;运动：连续时间和连续空间活动机器人，每个将机器人的工具移动到“指定的”中方式“，直到达到”终止条件“，表示达到（子）组件中两个对象之间指定的联系情况。
bull;动作：不涉及机器人运动，但其他活动像通信，信号处理或决策，以获得更多关于世界的信息。
bull;任务：完全与平台无关的规范制造场景。它包含对一侧的装配和接触图以及工件的引用另一方面的描述。但是，没有具体的，平台相关信息在任务描述中可用。任务形成层次结构，子任务可分解成较低级别的任务结构。
bull;技能：有限状态机（FSM），其中每个状态运行上述动作中的一个，并且在该状态下的动作的终止条件产生到国家过渡。 FSM始终在in
全文共7357字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[144640]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
