Multi-Hierarchical Representation of Large-Scale Space: Applications to Mobile Robots

در روانشناسی بیان شده است که مغز انسان اطلاعات را به گونه ای مرتب می کند که کارایی را در انجام کارهای رایج بهبود می بخشد، به عنوان مثال، اطلاعات در مورد محیط فضایی ما به راحتی برای یافتن مسیر کارآمد ساختار یافته است. از سوی دیگر، در علوم محاسباتی، استفاده از اطلاعات سلسله مراتبی برای کاهش پیچیدگی حل مسائل به خوبی شناخته شده است. این کتاب نمایش های سلسله مراتبی از فضای بزرگ را مطالعه می کند و مدل جدیدی به نام Multi-AH-graph ارائه می کند که از سلسله مراتب چندگانه انتزاع استفاده می کند. به یک عامل اجازه می دهد تا اطلاعات ساختاری به دست آمده از محیط (عناصری مانند اشیا، فضای آزاد و غیره، روابط موجود بین آنها مانند مجاورت، شباهت و غیره و انواع دیگر اطلاعات مانند رنگ ها، اشکال و غیره را نشان دهد. ). مدل Multi-AH-graph یک نمایش سلسله مراتبی را به یک آرایش سلسله مراتبی چندگانه گسترش می‌دهد که با طیف وسیع‌تری از وظایف، عوامل و محیط‌ها سازگاری بهتری دارد. ما همچنین سیستمی به نام CLAUDIA را ارائه می کنیم که اجرای الگوی وظیفه محور برای ساخت خودکار انتزاعات چندگانه است: مجموعه ای از سلسله مراتب انتزاع برای یک عامل "خوب" خواهد بود اگر بتواند هزینه برنامه ریزی و کاهش دهد. انجام برخی وظایف عامل در دنیای عامل. CLAUDIA چندین سلسله مراتب (نمودارهای Multi-AH) را برای یک سه گانه معین می سازد و سعی می کند \"خوبی\" آنها را بهینه کند.

It has been stated in psychology that human brain arranges information in a way that improves efficiency in performing common tasks, for example, information about our spatial environment is conveniently structured for efficient route finding. On the other hand, in computational sciences, the use of hierarchical information is well known for reducing the complexity of solving problems. This book studies hierarchical representations of large-scale space and presents a new model, called Multi-AH-graph, that uses multiple hierarchies of abstraction. It allows an agent to represent structural information acquired from the environment (elements such as objects, free space, etc., relations existing between them, such as proximity, similarity, etc. and other types of information, such as colors, shapes, etc). The Multi-AH-graph model extends a single hierarchy representation to a mUltiple hierarchy arrangement, which adapts better to a wider range of tasks, agents, and environments. We also present a system called CLAUDIA, which is an implementation of the task-driven paradigm for automatic construction of multiple abstractions: a set of hierarchies of abstraction will be "good" for an agent if it can reduce the cost of planning and performing certain tasks of the agent in the agent's world. CLAUDIA constructs multiple hierarchies (Multi-AH-graphs) for a given triple , trying to optimize their "goodness".