Detalhes bibliográficos
| Ano de defesa: |
2017 |
| Autor(a) principal: |
Farias, Giovani Parente
 |
| Orientador(a): |
Bordini, Rafael Heitor
|
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Tese
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
eng |
| Instituição de defesa: |
Pontifícia Universidade Católica do Rio Grande do Sul
|
| Programa de Pós-Graduação: |
Programa de Pós-Graduação em Ciência da Computação
|
| Departamento: |
Escola Politécnica
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Palavras-chave em Inglês: |
|
| Área do conhecimento CNPq: |
|
| Link de acesso: |
http://tede2.pucrs.br/tede2/handle/tede/9142
|
Resumo: |
O processo de inferir os planos/objetivos de um agente com base na observação de suas ações é conhecido como reconhecimento de plano. Prever as intenções humanas é um dos objetivos atuais da Inteligência Artificial; o reconhecimento de plano contribui para esse objetivo ao analisar como as observações em baixo nível sobre agentes e meio ambiente podem ser associadas a uma descrição em alto nível do plano. A maioria das abordagens para reconhecimento de plano, em ambientes reais, baseiam-se em regras construídas manualmente, onde a base de conhecimento é representada como uma biblioteca de planos para reconhecimento de atividades e planos. Além disso, essas abordagens geralmente não têm capacidade de incorporar dependências temporais complexas, assumindo a hipótese irrealista de que um agente executa apenas uma atividade por vez e que a sequência de ações é executada de forma coerente para alcançar um único objetivo. Além disso, o conhecimento incompleto sobre o comportamento do agente e a similaridade entre a execução de vários planos geram múltiplas hipóteses sobre o(s) plano(s) que são consistentes com as observações. Este trabalho aborda os problemas para reconher múltiplos planos em ambientes reais, aprender a duração de uma atividade e detectar anomalias na execução de um plano. Tratamos o problema de desambiguar múltiplas hipóteses e detectamos anomalias na sequência de execução do plano explorando tanto a organização hierárquica inerente das atividades quanto horário e duração esperados, desenvolvendo um algoritmo eficiente para filtrar hipóteses aplicando restrições temporais e no comprimento do caminho. Apresentamos uma série de experimentos mostrando que, além de abordar limitações dos algoritmos de reconhecimento e planos tradicionais, nossa abordagem de filtrar hipóteses pode melhorar significativamente a precisão do algoritmo de reconhecimento. Os experimentos incluem bibliotecas de planos geradas sinteticamente, bem como bibliotecas e observações obtidas a partir de conjuntos de dados do mundo real, útil no contexto de ambiente assistido. |
