AI Cogni9ve Systems Robots Goal-directed Situated - - PowerPoint PPT Presentation

01/12/2015 ¡ Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡ 1 ¡

AI ¡Cogni9ve ¡Systems ¡ Robots ¡ Goal-­‑directed ¡

• Commanded ¡by ¡goals. ¡
• Closes ¡loop ¡on ¡goals. ¡
• “Its ¡turtles ¡all ¡the ¡way ¡down.” ¡

Situated ¡

• Responsive ¡to ¡environment. ¡
• Robust ¡in ¡a ¡noisy ¡con9nuous ¡world. ¡

Situated, ¡Goal-­‑directed ¡Teams ¡

• Decisions ¡must ¡be ¡highly ¡responsive. ¡
• Goals ¡arise ¡from ¡and ¡descend ¡to ¡ ¡

con9nuous ¡random ¡variables. ¡

• Models ¡are ¡hybrid ¡and ¡stochas9c. ¡
• Ac9ons ¡must ¡not ¡be ¡too ¡risky; ¡ ¡

Goals ¡should ¡specify ¡acceptable ¡risk, ¡ ¡

• Human-­‑robot ¡teams ¡ ¡

need ¡to ¡manage ¡risk ¡together. ¡ Cogni9ve ¡Robots ¡

• The ¡catalyzing ¡effect ¡of ¡ROS. ¡
• The ¡catalyzing ¡effect ¡of ¡declara9ve ¡languages ¡ ¡

(PDDL, ¡mini-­‑Zinc). ¡

• Eat ¡your ¡own ¡dog ¡food; ¡beWer ¡yet, ¡let ¡others. ¡

¡

• The ¡catalyzing ¡effect ¡of ¡First ¡Robo9cs. ¡
• The ¡accessibility ¡of ¡Feynman’s ¡QED. ¡

⇒ Lets ¡try ¡walking ¡the ¡walk. ¡

What ¡I’m ¡learning ¡from ¡Robo9cs ¡ ¡ and ¡Beyond ¡

01/12/2015 ¡ Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡ 2 ¡ ¡

• The ¡catalyzing ¡effect ¡of ¡ROS. ¡
• The ¡catalyzing ¡effect ¡of ¡declara9ve ¡languages ¡(PDDL, ¡

mini-­‑Zinc). ¡

• Eat ¡your ¡own ¡dog ¡food; ¡beWer ¡yet, ¡let ¡others. ¡
• The ¡catalyzing ¡effect ¡of ¡First ¡Robo9cs. ¡
• The ¡accessibility ¡of ¡Feynman’s ¡QED. ¡

⇒ Lets ¡try ¡walking ¡the ¡walk. ¡

What ¡I’m ¡learning ¡from ¡Robo9cs ¡ ¡ and ¡Beyond ¡

01/12/2015 ¡ Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡ 3 ¡ ¡

Samantha ¡

R2D2 ¡

Goals & models Control Commands

Cognitive Executive

Plans motions in support of goals.

Cogni9ve ¡“ROS”: ¡Goals, ¡Models ¡ and ¡Trust, ¡All ¡the ¡Way ¡Down ¡& ¡Back ¡

01/12/2015 ¡

Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡

4 ¡

Sketches out task plan

“Cocktails ¡at ¡6, ¡ ¡ Dinner ¡at ¡7.” ¡ “Safely ¡navigate ¡ appe9zers ¡to ¡ ¡ Jane ¡and ¡Francois.” ¡

• Layered, ¡goal-­‑directed ¡

execu9on ¡architectures. ¡

• Goal-­‑directed ¡ ¡

control ¡& ¡es9ma9on. ¡

• Learning ¡rich ¡models. ¡

¡

• Risk-­‑aware ¡execu9on. ¡
• Goal-­‑directed, ¡risk-­‑aware ¡ ¡
• teams. ¡

User Kirk ¡

Pike ¡ Sulu ¡

Goals & models in RMPL Control Commands

Enterprise Executive

Coordinates and monitors tasks Plans motion

Goal-­‑directed ¡Risk-­‑aware ¡Language ¡ with ¡Execu9ves ¡All ¡the ¡Way ¡Down ¡

01/12/2015 ¡

Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡

5 ¡

Sketches mission and assigns tasks

Burton ¡

Plans actions

“Scout ¡out ¡fires ¡every ¡hour.” ¡ “Have ¡vehicles ¡A ¡and ¡B ¡ ¡ return ¡pictures ¡of ¡ regions ¡R1, ¡R2 ¡& ¡R3.” ¡ “Send ¡A ¡to ¡R1; ¡take ¡ picture; ¡send ¡A ¡to ¡Base; ¡ download ¡picture.” ¡ “Start ¡with ¡heading ¡ towards ¡R1, ¡turn ¡lef ¡ 15% ¡to ¡avoid ¡weather ¡ storm ¡. ¡. ¡.” ¡

• The ¡catalyzing ¡effect ¡of ¡ROS. ¡
• The ¡catalyzing ¡effect ¡of ¡declara9ve ¡languages ¡(PDDL, ¡

mini-­‑Zinc). ¡

• Eat ¡your ¡own ¡dog ¡food; ¡beWer ¡yet, ¡let ¡others. ¡
• The ¡catalyzing ¡effect ¡of ¡First ¡Robo9cs. ¡
• The ¡accessibility ¡of ¡Feynman’s ¡QED. ¡

⇒ Lets ¡try ¡walking ¡the ¡walk. ¡

What ¡I’m ¡learning ¡from ¡Robo9cs ¡ ¡ and ¡Beyond ¡

01/12/2015 ¡ Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡ 6 ¡ ¡

Crash ¡Course ¡in ¡Autonomy ¡

I.e., ¡Programming ¡Cogni9ve ¡Robots ¡

• Prof. ¡Brian ¡Williams ¡& ¡Eric ¡Timmons ¡

Erez ¡Karpas, ¡Andrew ¡Wang, ¡Peng ¡Yu, ¡Steve ¡Levine, ¡Pedro ¡Santana, ¡Simon ¡Fang, ¡ Enrique ¡Gonzales, ¡David ¡Wang ¡and ¡Peng ¡Yu. ¡ Introduc)on ¡

January ¡12, ¡2015. ¡

¡

01/12/2015 ¡ Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡ 7 ¡

01/12/2015 ¡ Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡ 8 ¡

Driven ¡by ¡a ¡Grand ¡Challenge ¡

01/12/2015 ¡ Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡ 9 ¡

Embedded ¡in ¡simula9ons ¡and ¡ hardware ¡

• How ¡to ¡program ¡cogni9ve ¡robots ¡ ¡

in ¡terms ¡of ¡goals, ¡to ¡perform ¡complex ¡tasks. ¡

• Intui9ons ¡underlying ¡how ¡robots ¡“reason.” ¡
• Exposure ¡to ¡basic ¡computa9onal ¡concepts. ¡
• Working ¡out-­‑of-­‑the-­‑box ¡with ¡your ¡‘15 ¡holiday ¡gif. ¡

01/12/2015 ¡ Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡ 10 ¡

Course ¡is ¡About ¡

01/12/2015 ¡ Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡ 11 ¡

We ¡don’t ¡expect ¡

• Any ¡previous ¡programming ¡experience. ¡
• Special ¡knowledge ¡of ¡algorithms. ¡
• Special ¡knowledge ¡about ¡robots. ¡
• Specialized ¡hardware. ¡

01/12/2015 ¡ Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡ 12 ¡

Driven ¡by ¡a ¡Grand ¡Challenge ¡

Week ¡1: ¡Tradi9onal ¡Programming ¡ Weeks ¡2 ¡& ¡3: ¡“Cogni9ve” ¡Programming ¡

Reac9ve ¡ Model-­‑based ¡ Programming ¡ Language ¡ (RMPL) ¡ + ¡Python ¡

01/12/2015 ¡ Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡

Module ¡1: ¡Sequencing ¡in ¡the ¡Real ¡World ¡ Module ¡2: ¡Planning ¡ Module ¡3: ¡Coordina9on ¡

Modules ¡and ¡Units ¡

Unit ¡2: ¡ Vehicle ¡Localiza9on ¡ Unit ¡3: ¡ Path ¡Planning ¡ Unit ¡4: ¡ Task ¡Planning ¡ Unit ¡1: ¡ Sequence ¡Execu9on ¡ ¡ Unit ¡5b: ¡ Assignment ¡ Unit ¡5a: ¡ Scheduling ¡

13 ¡

01/12/2015 ¡ Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡

Lunch ¡ ¡ “Hello ¡World” ¡

Typical ¡Unit: ¡Hello ¡World ¡èIntui9ons ¡è ¡

Modeling ¡è ¡Sim ¡èHW ¡èPerformance. ¡

Modeling ¡Laboratory: ¡ Drone ¡Test ¡bed ¡ Day ¡1 ¡ Day ¡2 ¡ QED-­‑like ¡Basic ¡ ¡ Reasoning ¡Lecture ¡ Modeling ¡Walkthrough ¡ Performance ¡Laboratory ¡ Modeling ¡Laboratory: ¡ Drone ¡Simulator ¡ Rocket ¡Science ¡ Reasoning ¡Lecture ¡

14 ¡

10 ¡am ¡ 12 ¡noon ¡ 1 ¡pm ¡ 3 ¡pm ¡

01/12/2015 ¡ Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡ 15 ¡

Driven ¡by ¡a ¡Grand ¡Challenge ¡