基于本体的机器人路径规划知识表示技术和领域建模语言

⃝⃝可在www.sciencedirect.com上在线ScienceDirectICT Express 4（2018）69www.elsevier.com/locate/icte基于本体的机器人路径规划知识表示技术、领域建模语言和规划器综述加亚斯里河P.，V. Uma印度Puducherry 605014 Pondicherry大学工程与技术学院计算机科学系接收日期：2018年2月15日;接受日期：2018年在线发售2018年摘要知识表示与推理（KRR）已成为人工智能研究的热点之一. KR致力于表示可用于路径规划的域信息基于本体的知识表示和推理技术提供了关于处理任务或方法的环境的复杂知识本体有助于表示有关环境，事件和动作的知识，这些知识有助于路径规划并使机器人更加自主。知识推理技术可以在不确定性环境中推断新的结论，从而动态地辅助规划。在初始部分中，详细讨论了使用本体的知识表示和可能有助于路径规划的推理技术。在下面的部分中，我们还提供了各种规划领域建模语言，本体编辑器，规划器和机器人仿真工具的比较。c2018韩国通信与信息科学研究所（KICS）。Elsevier B.V.的出版服务。这是一个开放获取CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：路径规划;知识表示;推理;本体;空间;时间;语义知识; planet;建模语言内容1.一、导言. 702.基于本体论的知识表示技术702.1.本体论702.1.1.空间知识表示702.1.2.语义知识表示712.1.3.时间知识表示713.知识推理技术713.1.基于关系的推理713.2.时间推理713.3.空间推理714.路径规划724.1.象征性的经典规划724.2.基于约束的时间灵活时间规划724.3.基于特定领域表示的735.路径规划领域建模语言、规划器、本体编辑器和机器人仿真工具6.结论73利益冲突73参考文献73*通讯作者。电子邮件地址：gayathrir339@gmail.com（Gayathri R.），umabskr@gmail.com（V. Uma）。同行评审由韩国通信和信息科学研究所（KICS）负责https://doi.org/10.1016/j.icte.2018.04.0082405-9595/c2018韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。70Gayathri河，诉Uma/ICT Express 4（2018）691. 介绍人工智能通过使机器执行特定任务以最大程度地实现目标来使机器智能化。近年来，许多研究工作处理规划和排序的问题，机器人提供生产线上的最佳路径。机器人在工业、医疗机构、家庭维护和自动化收获等许多应用中发挥着至关重要的作用。在人工智能中，计划任务涉及将初始状态（S）转换为期望目标状态（G）的动作序列（A）。代理被给予环境的完整描述，域中存在的可用操作和状态的集合。但是，表示并提供领域知识的完整描述是至关重要的，因为它是使机器人有效地执行动作的关键。有不同类型的领域建模知识提供了对环境的完整描述。该领域知识可以用本体、Petri网和有限状态机来表示大量基于本体的领域知识表示技术的出现为获取新知识和更好地理解环境提供了机会基于本体的表示和推理解决了现实世界中的机器人问题，如不可靠的动作，碰撞，移动对象的相互作用和其他物理事件（如击中和跌倒）。可以对基于领域的知识进行建模在本体中使用本体标记语言和各种本体工具，如Protege，1[1] OILed2 [2]等。为了构建领域知识，各种规划 领 域 模 型 ， 即 PDDL [3] ， NDDL [3] ， NDDL [4] ，ANML [5]和AML [6]，采用它们有助于感知完全和部分可观察的本文对基于本体的知识表示和领域知识建模中的推理技术进行了广泛的综述。讨论了路径规划算法中所采用的不同规划域模型。本文还对路径规划领域的各种规划器、建模语言和可视化机器人仿真器进行了比较。论文的组织如下：第2节描述了基于本体的知识表示（KR）技术用于任务规划。第三部分提出了知识推理在提高任务规划效率中的必要性第4节回顾了路径规划范式。第5节描述了用于构建本体的编辑器，并对各种规划领域建模语言进行了比较。本文在第6节结束，后面是参考文献。2. 基于本体的知识表示技术在本节中，讨论了本体在表示结构化知识中的使用，该结构化知识有助于建模环境的语义、时间和空间表示。每种技术都有一些独特的特征，可以用来表示完整的机器人环境，1 https：//prtege. 这是一个很好的选择。edu/.2 http：//oiled. semmanticweb. org/download. 我的天啊。Fig. 1. 使用Ontology表示知识。成功完成任务。基于本体的KR技术的分类如图所示。1.一、2.1. 本体基于本体的知识表示描述了使用一元和二元谓词表示的领域中的个体实例和角色[7]。它使知识共享，处理，重用，捕获和通信成为可能。基于本体的知识管理为著名的本体标记语言（RDF、RDFS 、 OIL 、 DAML+OIL 、 OWL 、 OWL-DL 和 OWL-Lite）奠定了基础。低级描述逻辑服务提供推理支持和不一致的补救措施[8]。本体 是基于描述逻 辑，一个低层 次的知识表 示（KR）技术。2.1.1. 空间知识表示特征有两个属性，即空间和非空间。空间属性将对象定义为三类，即对象的位置、对象的形状和对象的大小。非空间属性表示对象的颜色和类别。这些属性支持机器人任务规划。空间表示对于表示机器人环境中的空间和形状概念是必要的[9]。人工智能系统的基础是，设计一个高层次的机器人任务，其中完整的领域知识表示使用空间特征。但是，机器人导航是在不完全的领域知识，未知的对象和不熟悉的领域中的对象的安排。为了解决这个问题，空间表示使用本体定义显式和隐式规范的任务在域中，它也提供了地图的建模域。空间表示明确地指定空间实体，例如对象的位置、对象的形状，并标识对象在域中的位置。隐式规范控制机器人的行为和运动的行动，以达到在空间中的目的地此空间表示基于三个主要类别Gayathri河，诉Uma/ICT Express 4（2018）6971即空间实体、空间关系和模糊信息，这些信息有助于机器人在其周围环境中成功地操作和规划[9]。2.1.2. 语义知识表示语义知识可以表示诸如概念、它们之间的关系以及它们如何在语义上相关联的类属知识。术语语义知识提供在机器人系统中执行所需的指令和详细信息。语义知识具有推断新信息的能力，以使机器人能够执行大集合的任务。机器人应该有足够的知识来感知确定性环境，并通过使用这些语义知识来访问执行动作的方法[10]。任务规划有一系列有序的行动，以完成一个高层次的目标。考虑交给机器人的任务“Grasping a milk bottle lying on a机器人看到桌上有一瓶牛奶。这一观察结果与牛奶是一种易腐物品并应储存在冰箱中的语义知识相矛盾。语义知识一般提供描述性知识和规范性知识。它还提供了导致不同行为的解释。描述性知识可以表示为对桌子的描述（例如“桌子至少有四条腿”）。规范性知识可以表示为对象的属性（例如“表是强的”），它规定了语义知识代表了领域中的所有相关知识，但不幸的是，描述逻辑没有分配机制来区分描述性和规范性知识项[11]。2.1.3. 时态知识表示Allen提出了13种基本的时态关系和时态约束区间规则[12] 。 六 种 关 系 之 后 ， METBY ， STARTEDBY ，FINISHEDBY，OVERLAPPEDBY，CONTAINS 及 其 逆 关 系 BEFORE 、 MEETS 、 START 、FINISHED 、 OVERLAPS 、 DURING 和 一 个 相 等 公 理EQUALS形成了13个基本的时间关系。时态逻辑用于表示时态信息，包括定性和定量信息。定量时间信息表示与事件相关联的时间点，例如开始或结束时间。定性时态信息用时态关系来表示事件，时态关系规定了事件之间的顺序。这个时间信息系统有助于使用事件的开始时间、事件的持续时间和两个事件的重合来对有序任务进行排序，这对于机器人在环境中采取行动是非常重要的。为了避免域中的冲突，机器人需要关于环境的复杂知识来处理任务或方法。因此，时序逻辑也表达领域知识规范，以便可以完成不同任务的运动排序，同步，覆盖和时序本体使用这三种表示提供了领域知识的完整结构[7]。这种良好表示的知识有助于机器人以有效的方式执行动作。3. 知识推理技术在这一部分中，使用知识推理在推断新的结论辅助本体，时间和空间关系进行了讨论。知识推理技术的分类如图所示。 二、3.1. 关系推理本体执行推理以使用其断言的事实和公理集合来推断逻辑结论。领域中的一组概念称为类，每个概念和实例的属性称为槽。子类表示比超类更具体的概念。槽描述类和实例的属性。例如，slot属性课程由学院教授其中本体还具有等价类、子属性、等价属性和传递属性等附加特征。对本体关系的推理有助于推断新的结论。例如，如果B是A的子类，C是B的子类，则C是A的子类，可以推断为，子类属性的传递性这种类型的推理也适用于实时机器人应用。3.2. 时间推理时态推理是基于时间间隔和点逻辑的。时间规划指定了规则和符号，用于使用Allen提出的时间关系的传播矩阵[13如果两个事件X在Y之前和Y在Z之后之间的时间关系是已知的，但事件X在Z之前之间的未知关系可以从传播矩阵中推断出来这种类型的推理支持机器人路径规划。3.3. 空间推理空间推理产生关于实体和环境中实体之间的空间关系的一般知识空间推理是指对环境中空间物体的推理。空间推理的使用是可以预测空间对象在环境中的精确坐标。例如，从下面给出的事实。RoomcontainsTable，TablecontainsPenthenRoomcontains Pen可以推断为传递性在contains关系上成立。空间推理可以通过对层次、空间关系和模糊表示的推理来完成[14]。在层次推理中，规划问题被分解成基于模型空间的多个子问题。基于关系的空间推理融合了合成和组合机制两种聚合方法，在遥感、认知地图、机器人运动与路径规划、计算机视觉、72Gayathri河，诉Uma/ICT Express 4（2018）69表1规划领域建模语言的比较。图二. 知识推理技术。表2规划师的比较规划语言名称特征应用程序规划师姓名类型语言支持PDDL（规划领域定义语言）NDDL(New域定义语言）DDL（领域定义语言）ANML（动作表示法建模语言）前提、动作、效果时间表、活动和能力状态变量，状态变量值，可扩展性明确定义的语义，变量/值，函数表示和丰富的时态约束机器人路径规划控制of autonomous自动vehicles车辆，机器人系统机器人路径规划机器人任务规划04TheDog（1994）SAPA（2003年）03 TheFamous（2004）05 TheDog（2008）La（2010）FAPE（2014）表3基于时间约束的规划器基于时间约束的规划器临时解除计划基于层次基于时间约束的规划器基于层次规划器的时间PDDLPDDL 2.1PDDL 2.1PDDL 2.1PDDL 3.1ANMLAML（ASPEN建模语言）行动，状态，资源，时间约束，期间重新规划Aspen框架支持各种规划&本体编辑器的比较。工具名称语言应用程序Protege RDF机器人路径规划OILed DAML+OIL自主车辆路径规划计划执行调度应用（例如航天器，自主机器人）GIS等利用模糊表示推理，通过欧氏距离法计算路径，确定目标位置4. 路径规划为了有效地处理规划过程，需要三个主要步骤，即高级任务规划，中级时间规划和低级路径和运动规划[3]。高层次的规划相当于逻辑规划。中层时间规划用于合理调度规划域中的任务和资源。低层次的路径和运动规划有助于决定机器人必须做出的实际运动，以实现任务并完成域中的任务。最著名的路径规划范例是基于以行动为中心的命题表示的符号经典规划，··Gayathri河，诉Uma/ICT Express 4（2018）6973基于约束的时间灵活的时间规划和基于特定领域表示的路径规划。4.1. 象征性经典规划经典的规划，一个象征性的行动为中心的规划和建模技术是使用PDDL系列语言。PDDL使用诸如前提、动作、状态和效果等符号表示法来表示建模域。推理是基于命题表征进行的层次任务规划器是一种经典的规划技术，它通过动作分解来求解任务，广泛用于机器人路径规划应用。4.2. 基于约束的时间柔性时间规划具有时间和资源约束的计划被定义为规划域可以是·74Gayathri河，诉Uma/ICT Express 4（2018）69表4机器人仿真工具比较。工具名称SIMBAD凉亭WebotsOpenRAVE技术的基础JavaC++C++C++、Python平台Mac OS X，Mac OS X，Mac OS X，Mac OS X，支持WindowsXP，LinuxWindowsXP，LinuxWindowsXP，LinuxWindowsXP，Linux可扩展性/插件（Java）/插件（C++）/插件（C，C++）/插件（C++）/外部APIEclipseC++ROSMATLAB已完成的研究[20个][21日][22日][23日]由数量时间间隔和可更新资源的序列建模生成计划以满足约束条件时态规划器是一种基于约束的规划技术，它通过时态推理来预测外部事件。4.3. 基于特定领域表示的路径规划使用本体来表示和提供领域知识的完整描述.本体有助于有效地对领域进行建模使用本体建模的知识表示代理的环境，因此用于路径规划应用。5. 路径规划领域建模语言、规划器、本体编辑器和机器人仿真工具规划领域建模语言生成了一种方法论来建模领域，帮助代理从领域定义中学习并在环境中继续行动。各种规划定义语言的比较如表1所示。在表2中，列出了各种研究人员使用的规划器。规划器中使用的领域语言提供了解决规划问题的一系列有序动作。规划器IxTeT [15]、SAPA [16]、CRIKEY [17]和LAMA[18]基于基于时间约束的规划。PANDA基于分层规划网络[19]。先进的FAPE规划器[5]包括基于时间和层次的规划，并用于自主机器人系统。每个计划器都有一些独特的特征，如表2所示。表3显示了广泛用于为机器人应用程序提供知识管理支持的本体编辑器。最近开发了许多机器人仿真工具，如simbad，3Gazebo，4webots，5OpenRAVE，6等。表4中给出了最常用的机器人工具的比较。3 http：//simbad. 我们要为你做点什么。net/.4 http：//gazebosim. org/download.5 我的朋友们：//我的朋友们：/我的朋友们：/ cyberbotics.com/download.6 https：//s我们为您准备的。net/projects/openrave/.6. 结论本文对基于本体的机器人规划知识表示和推理技术进行了简要的综述。讨论了使机器人能够更有效地访问对象并以最小的计算复杂性更准确地执行动作所必需的各种方法。我们还讨论了本体开发和规划领域建模语言的基本编辑器，这些编辑器在各种规划器中使用。还提供了各种机器人仿真工具我们未来的工作是实现基于本体的路径规划技术，利用各种空间，时间和语义关系表示的本体。利益冲突作者声明，本文中不存在利益冲突引用[1] A. Akbari，J.Rosell等人，基于本体物理学的操纵运动规划，在：新兴技术&工厂自动化，ETFA，2015年IEEE第20届会议，IEEE，2015年，pp。1-7号。[2] R. 普罗万角Schlenoff，S.Balakirsky，S.史密斯，M。 基于本体论的自主车辆路径规划方法，机器人. 奥顿49（1-2）（2004）123-133。[3] S. Fratini，T.Nogueira，N.Policella，集成建模和知识表示，用于机器人中的组合任务，资源和路径规划，在：规划和调度知识工程研讨会-第27届自动规划和调度国际会议，ICAPS，匹兹堡，美国，2017年。[4] J. Ong ， E. Remolina ， A. Prompt ， P. Robinson ， A. 太 好 了 DNishikawa，用于开发和评估集成自主系统的软件测试平台，在：航空航天会议，2015 IEEE，IEEE，2015，pp. 1-12号。[5] F. Dvorak，A.Bit-Monnot，F.Ingrand，M.Ghallab，机器人技术中灵活的ANML演员和规划师，在：规划和机器人（PlanRob）研讨会， ICAPS，2014年。[6] S. Chien，G.拉比多河奈特河舍伍德湾Engelhardt，D. Mutz，T.埃斯特林湾史密斯，F。Fisher，T. Barrett等人，Aspen-automatingspacemission operations using automated planning and scheduling ， in ：SpaceOps 2000，2000.[7] M.Tenorth ， M.Beetz ， Representationsforrobotknowrobframework，Artificial Intelligence 247（2017）151-169。[8] M. Milicic，Action，Time and Space in Description Logics，2008.[9] L. Belouaer，M.Bouzid，A.I. Mouadib，基于本体的空间规划人机交互，在：时间表示和推理，时间，2010年第17届国际研讨会，IEEE，2010年，第17页。103-110Gayathri河，诉Uma/ICT Express 4（2018）6975[10] M. 特诺斯，美国Klank，D.Pangercic，M.Beetz，Web使能机器人，IEEERoboot。自动18（2）（2011）58-68.[11] C. Galindo，A.Saffiotti，从语义知识的侵犯中推断机器人目标，机器人。奥顿61（10）（2013）1131-1143。[12] J.F. Allen ， Maintaining knowledge about temporal intervals ， in ：Readingsin Qualitative Reasoning About Physical Systems，Elsevier，1990，pp. 361-372.[13] J.F. Allen，Planning as temporal reasoning，KR 91（1991）3[14] C. 放 大 图 片 作 者 ： J. Schill ， Sensorimotor RepresentationandKnowledge-basedReasoningforSpatialExplorationandLocalization，Cogn。 过程9（4）（2008）283-297。[15] M. Ghallab，H.林志玲，时间规划器的设计与控制，载于：《计算机科学与工程》，1994年，第10页。61比67[16] M.B. Do ， S. Kambhampati ， Sapa ： A multi-objective metrictemporalplanner，J. Artif.内特尔第20（2003）号决议第155-194段。[17] K. Halsey，D.长，M。Fox，Crikey-一个时间规划师，着眼于调度和计划的集成，在：集成计划到调度的研讨会，ICAPS，Citeseer，2004年，第100页。46比52[18] S. Richter，M. Westphal，LAMA规划师：指导基于成本的任何时间规划与地标，J.人工智能研究39（2010）127-177。[19] J. Bidot，B. Schattenberg，S. Biundo，混合规划中的计划修复，在：人工智能年会，Springer，2008年，pp。169-176。[20] H. Nguyen，A. Eguchi，D. Hooten，寻找一种成本效益高的方法开发自主地板映射机器人，在：机器人和传感器环境，ROSE，2011 IEEE国际研讨会，IEEE，2011，pp. 107比112[21] L. Kunze，M.E.Dolha，E.Guzman，M.Beetz，基于仿真的日常机器人对象操作的时间投影，在：第10届自治代理和多代理系统国际会议-第1卷，自治代理和多代理系统国际基金会，2011年，pp. 107-114[22] K.H.低，W.K. Leow，M.H. 王志文，基于自组织神经网络的移动机器人集成规划与控制，载于：机器人与自动化，2002年。诉讼ICRA'02。 IEEE International Conferenceon，vol. 4，IEEE，2002，pp. 3870-3875[23] S. Srivastava ， E. 芳 湖 ，澳 - 地 里 亚诺 河 Chitnis， S. Russell ， P.Abbeel，通过可扩展的规划器独立接口层组合任务和运动规划，在：机器人与自动化，ICRA，2014 IEEE国际会议，IEEE，2014，pp. 639-646