Roboter og intelligente agenter

Steffen Log

Høsten 1997 får vi her i Sarpsborg dataingeniørstudenter for første gang i tredje klasse og de vil få valget mellom studieretningene: industriell informatikk og intelligente robotsystemer. Det medfører klare faglige forandringer ved et skifte fra automatiseringsplattform til dataplattform. Reelt har vi valgt å vinkle dataingeniørstudiet i en annen retning enn ved de andre høgskoler. Vi tar med oss automatiseringserfaringene inn i den nye verden. Dette avspeiler seg i valg av studieretningsnavn.

Denne artikkelen skal omhandle studieretningen intelligente robotsystemer med hovedvekten på det nye faget: kunstig intelligens og robotteknologi - en bedre tittel på faget kunne være: roboter og intelligente agenter, derav tittelen på artikkelen.

Bakgrunn for faget

Til våren uteksamineres det siste kullet automatiseringsingeniører i Østfold. Tredjeklassestudentene har hatt valget mellom studieretningene: prosessautomatisering og robotteknologi. Alle studentene må følge faget kunstig intelligens (2 vekttall), men bare de på robotretningen må ta faget robotteknologi (2 vt). Det er disse to fagene som slås sammen til faget: kunstig intelligens og robotteknologi (5 vt). De andre tredjeklassefagene er:

neurale nettverk (2 vt)
grafisk databehandling (3 vt)
synssystemer (5 vt)
hovedprosjekt (5 vt)

Faget kunstig intelligens kom inn på slutten av 1980-årene, inspirert av informatikkmiljøet i Halden. Den gang hadde studentene bare en studieretning, prosessautomatisering, og dermed var det naturlig å tenke på kunstig intelligens i forbindelse med kunnskapsbaserte systemer/ekspertsystemer.

Jeg overtok faget i 1990 og siden da har jeg tonet ned vekten på slike systemer til fordel for en mer oversikt over fagområdet kunstig intelligens. Deler som inngikk var: datastrukturer som lister og trær, søkealgoritmer, rekursivitet, Prolog og jobbplanlegging. Noe av dette hører mer hjemme i et fag som datastrukturer og algoritmer. Men da skal man huske på at studentene bare satt inne med datakunnskaper som mikroprosessor, datakommunikasjon og signalbehandling, sanntidsprogrammering og C-programmering.

Den andre bolken, robotteknologi, hadde sin forankring i industrirobot/manipulator. Her har Norge vært en pioneer ved bedriften Trallfa A/S som ble verdenskjent på sprøytelakkeringsroboter. En annen som var tidlig på markedet var det svenske firmaet ASEA. I dag inngår de i konsernet ABB. Men fortsatt utvikles det industriroboter på Jæren i Rogaland, der Trallfa hadde sitt tilholdssted.

Reell satsing krever reell investering. Vi skaffet oss en seks-akset ABB-robot som ble hovedpilaren i vårt lab-opplegg. I vinklingen av faget var det naturlig for oss å vektlegge at studentene hadde gode kunnskaper i reguleringsteknikk. For å kunne gjennomføre reguleringsalgoritmer må man ha de matematiske modellene for hånden. Det betyr igjen at man må vite hvordan hastighet, akselerasjon, krefter og kraftmomenter virker og forplanter seg i en flerleddet mekanisk konstruksjon. Sentrale brikker er matriser, vektorer og iterasjoner. Selv med avgrensning til manipulatorer med 2-3 ledd, kan det bli en del tung regning. Når det gjaldt lab-kjøringen på manipulatoren, ble det lagt vekt på å bygge konstruksjoner der posisjonen til en del i konstruksjonen ikke var klart angitt. Løsningen av et slikt problem ligger i å finne en strategi, ikke det å lære seg en haug med programmeringskommandoer.

Vi har også utviklet vårt eget mikroprosessorkort, beregnet på selvgående kjøretøy. Gruppevis har studentene bygd hvert sitt Lego-kjøretøy og plassert på det sensorer, batterier og kortet.

Felles vinkling: robot-agent

Det er ikke bare å slå sammen to fag og la det være med det. Faktorer som det må tas hensyn til er: høstens studenter sitter inne med andre kunnskaper enn dagens, faget skal bare gis for den ene studieretning og ikke minst skjer det utvikling i et fagområde.

Fagområdet kunstig intelligens, selv om det er ungt, har vært gjennom flere bølgetopper og -daler. Det har hatt store ambisjoner om å «etterape» mennesket, men man har etter hvert blitt ganske edruelig i erkjennelse av at mennesket er mye enn en «datamaskin på to bein». Selv med en lavere list har praktiske anvendelser av teknikker fra fagfeltet hatt stor suksess.

Det å bygge en robot og å få den til å virke sto langt framme i de første årene innenfor kunstig intelligens, men interessen kjølnet betraktelig - hinderne ble for store. Til gjengjeld hadde ingeniøren suksess ved utvikling av industriroboten. Men robotbegrepet, inkludert mobilt kjøretøy, forlot aldri helt fagfeltet. Et svært sentralt begrep innenfor dagens kunstig intelligens er intelligent agent.

La oss se på det å kjøre en bil før vi går videre. Denne ferdighet består av fire deler: sansning (øyer og ører virker som sensorer), aksjoner (bremsing, styring), mål (svinge unna, komme trygt fram, komme hjem) og omgivelsene (vegene, annen trafikk, fotgjengere). Vi kjenner igjen denne oppdeling fra andre felter:

medisinsk diagnosesystem: symptomer/utslett/pasientens svar - spørsmål/prøver/behandlinger - frisk pasient/lavest kostnad - pasient/sykehus,
en industrirobot som plukker opp deler ved hjelp av et kamera: intensitetsbilde - plukke opp delene/sortere dem - plassere delene på riktig sted - transportbånd med deler,
interaktivt språklæringssystem: skrevet tekst - skrive ut oppgaver/forslag/rettelser - maksimere studentens resultater - studentklasse.

Disse eksemplene viser noe felles for en (reell) robot og en software agent, også kalt en softbot. Når en robot/agent gjennomfører en handling/aksjon er den basert på den informasjon som hentes inn via «sansene». For å nyttegjøre seg denne informasjon må det være tilgjengelig et agent program: en funksjon som implementerer informasjon fra sansing til aksjoner. Dette programmet vil kjøres på en eller annen form for datamaskin, betegnet arkitektur. Begrepene agent, arkitektur og program er relatert på følgende måte: agent = arkitektur + program.

Ved å betegne en robot/agent intelligent menes det noe annet enn det vi i dagligtale legger i begrepet. Her snakkes det om samspillet mellom robot-aksjon-omgivelser.

Faglige utfordringer

Ved ikke å skille så klart mellom en robot og en softbot kan vi få et mer helhetlig innhold og fremstilling i faget kunstig intelligens og robotteknologi. I begrepet robot inkluderer vi som nevnt mobile kjøretøy. Det forskes svært mye på slike kjøretøy med store forventninger i kommersiell sammenheng. Tenk bare på rengjøringspotensialet. Hva sier du til å ha en robot som gjør rent mens du selv surfer på Internett og gjør (uen å tenke over det) bruk av en rekke intelligente agenter. Et annet eksempel, som gjennomføres i disse dager, er utsendelen av en romsonde til Mars - medbrakt et mobilt kjøretøy. Det skal ta seg fram på overflaten og samle inn informasjon. Selv om det står i kontakt med jorda, må det i en stor utstrekning klare seg på egenhånd. Dataprogrammene det besitter må samle inn informasjon via sensorer, behandle informasjon slik at det får gjort de jobber som det er tiltenkt, men ikke bare det. Man kan forvente at det skal anrope Moder Jord dersom en stein sperrer vegen. En ting er det å komme rundt hindringen, en annen ting er ikke å komme ut av kurs. Slike utfordringer er i dag svært sentrale innen kunstig intelligens og går under betegnelsen jobbplanlegging. Andre viktige felt i denne forbindelse er læring og takling av usikker kunnskap.

Oppsummert vil faget kunstig intelligens og robotteknologi inneholde:

kunstig intelligens med vekt på intelligent agent aspektet, sentrale søkerutiner som A*, første ordens logikk, oversikt over kunnskapsbaserte systemer, logiske resonneringssystem med vekt på Prolog uten å bli Prolog-ekspert, resonnere med usikkerhet, jobbplanlegging og læring,
manipulatoren vil i stor utstrekning bli behandlet som i dag bortsett fra at reguleringsdelen tones kragftig ned og regnearbeidet skal overlates mer til Matlab,
mobilt kjøretøy og navigering,
oppnå et intelligent robot system.

For å få realisert et slikt opplegg er det svært vanskelig å finne egnede lærebøker. Så da er det bare å gi seg i kast selv. Første del av kompendiet foreligger alt og ble tatt i bruk i høst. Et undervisningsopplegg med vekt på prosjekt, gruppearbeid og møte med faglærer og dermed mindre vekt på forelesninger ble utprøvet i denne forbindelse. Erfaringene så langt er positive slik at konseptet vil bli videreutviklet.

Et 5-vekttalls fag kan vanskelig romme noe mer og dermed vil en del hull oppstå. Kamera, spesielt CCD-kamera, og andre sensorer i forbindelse med roboter vil bli behandlet i faget synssystemer. Mønstergjenkjenning inngår også. Fagområdet neurale nettverk stiller med teknikker som egner seg ypperlig ved mønstergjenkjenning og læring. Ved usikker kunnskap og resonnement kan fuzzy logikk brukes. Dette tar faget neurale nettverk seg av. Visualisering av den ytre verden på dataskjerm overlates til faget grafisk databehandling.

HØit Nr. 1-97