BT-Enabled cognitive architecture: physical world sensing-processing-acting cycle/subsystem

Abstract

As the Artificial Intelligence (AI) domain expands, there is an increasing need for advancements that go beyond the conventional data-driven approaches and embrace autonomous learning, drawing inspiration from the learning abilities and deep understanding of the world exhibited by the biological brain. Cognitive Architectures (CAs) have emerged as a crucial area of research, striving to model human-like cognition and reasoning. Nevertheless, the complex nature of cognitive systems poses challenges in integrating their diverse modules, impacting their explainability and expandability. This dissertation focuses on developing a subsystem within a CA that interfaces an agent with the physical world, employing Behavior Trees (BTs) as the underlying structuring mechanism. The proposed solution revolves around a sensing-processing-acting cycle, where the constituent modules establish connections with the diverse memory structures of the agent, empowering it to perceive, learn, decide, and act accordingly. The generic design specifications of this solution are geared towards a use case that facilitates the contextualized demonstration of this solution within a practical scenario. The selected use case consists of an agent navigating an unfamiliar environment, actively perceiving and recognizing relevant points of interest, referred to as references, as well as their interconnections. The agent selects logical routes, leveraging its own knowledge, and seeks assistance when faced with unknown paths. The efficiency of this solution is demonstrated through the implementation of the subsystem on a low end embedded system. Supporting the subsystem is a custom BT engine optimized for embedded system execution, complemented by a monitoring tool that enables real-time observation of BT execution. Validation of this work is achieved through simulations conducted on a real prototype deployed on an embedded platform, operating in a controlled environment to allow the generation of prompt and well founded conclusions. The results demonstrate the potential of the proposed approach in bridging the gap between current AI systems and the remarkable learning abilities observed in biological systems. Furthermore, they affirm the scalability of the developed CA, both within the use case under consideration and in other diverse applications.

À medida que o domínio da Inteligência Artificial (IA) se expande, surge uma necessidade crescente de avanços que vão além das abordagens convencionais baseadas em treinos pré-estabelecidos e que adotem a aprendizagem autónoma, inspirando-se nas capacidades de aprendizagem e compreensão do mundo exibidas pelo cérebro biológico. As arquiteturas cognitivas surgem como uma área crucial de pesquisa, com o objetivo de modelar cognição e raciocínio semelhantes aos dos humanos. No entanto, a complexa natureza dos sistemas cognitivos apresenta desafios na integração dos seus diversos módulos, afetando a sua explicabilidade e expansibilidade. Esta dissertação foca-se no desenvolvimento de um subsistema de uma arquitetura cognitiva que proporciona a interface de um agente com o mundo físico, utilizando árvores de comportamento como o mecanismo subjacente de estruturação. A solução proposta baseia-se num ciclo de perceção processamento-ação, em que os módulos constituintes estabelecem conexões com as diversas estruturas de memória do agente, capacitando-o a perceber, aprender, decidir e agir em conformidade. As especificações de design genéricas desta solução são orientadas para um caso de uso que facilita a demonstração contextualizada desta solução num cenário prático. O caso de uso consiste num agente que navega num ambiente desconhecido, ativamente identificando pontos de interesse relevantes, denominados referências, bem como as suas interconexões. O agente seleciona rotas lógicas, recorrendo ao seu próprio conhecimento, e procura assistência quando confrontado com caminhos desconhecidos. A eficiência desta solução é demonstrada através da implementação do subsistema num sistema embebido de baixo desempenho. O subsistema é suportado por um motor de árvores de comportamento adaptado para execução em sistemas embebidos, complementado por uma ferramenta de monitorização que permite a observação em tempo real da execução de árvores de comportamento. A validação deste trabalho é alcançada através de simulações realizadas num protótipo implementado numa plataforma embebida, operando num ambiente controlado para permitir conclusões rápidas e fundamentadas. Os resultados comprovam o potencial da abordagem proposta na redução da lacuna entre os sistemas de IA atuais e as capacidades de aprendizagem observadas nos sistemas biológicos.