IFT 702Planification en intelligence artificielle

Reconnaissance de plans

Froduald Kabanza

Département d’informatique

Université de Sherbrooke

planiart.usherbrooke.ca/kabanza

Modifications par Simon Chamberland

F. Kabanza IFT 702 - Reconnaissance de plans 2

RappelRappelProcessus de décision de MarkovProcessus de décision de Markov

• Modélise un processus stochastique discret

– Décision à prendre dans chaque état

– Transitions non déterministes

– Fonction de récompenses

• Propriété de Markov: probabilités des états futurs dépend uniquement de l’état courant (pas de l’historique)

• MDP + politique (plan) = chaîne de Markov

F. Kabanza IFT 702 - Reconnaissance de plans 3

RappelRappelRéseaux bayésiensRéseaux bayésiens

• Un arc d’un nœud X vers un nœud Y signifie que la variable X influence la variable Y.

– Un cambriolage peut déclencher l’alarme.

– Un séisme aussi.

– L’alarme peut inciter Jean à appeler.

– Idem pour Marie à appeler.

• Pour chaque nœud, on a une table de probabilité conditionnelle (TPC) ou une fonction de densité de probabilité conditionnelle.

Cambriolage Séisme

Alarme

JeanApelle MarieAppelle

C S P(A|C,S)

T T .95T F .94 F T .29 F F .001

A P(J|A)T .90F .05

A P(M|A)T .70F .01

P(C)

.001

P(S)

.002

F. Kabanza IFT 702 - Reconnaissance de plans 4

RappelRappelRéseaux bayésiens dynamiques / Chaînes cachées de MarkovRéseaux bayésiens dynamiques / Chaînes cachées de Markov

• Contexte: Un gardien de sécurité passe un mois dans un édifice sous-terrain, sans sortir. Il s’amuse à prévoir le temps en observant si le patron amène un parapluie.

• Variables: Xt = {Rt} (pour « Rain ») et Et={Ut} (pour « Umbrella »).

1tRaintRain1tRain

1tUmbrellatUmbrella1tUmbrella

Modèle des transitions: P(Rt | Rt-1). Modèle d’observation: P(Et | Rt).

F. Kabanza IFT 702 - Reconnaissance de plans 5

RappelRappelRéseaux bayésiens dynamiques / Chaînes cachées de MarkovRéseaux bayésiens dynamiques / Chaînes cachées de Markov

• Type d’inférence

• Estimation de l’état P(Xt | e1:t )

• Prédiction P(Xt+k | e1:t )

• Lissage (hindsight) P(Xk | e1:t )

• Découverte de la séquence la plus probable P(X1:t | e1:t )

1tRaintRain1tRain

1tUmbrellatUmbrella1tUmbrella

Modèle des transitions: P(Rt | Rt-1). Modèle d’observation: P(Et | Rt).

F. Kabanza IFT 702 - Reconnaissance de plans 6

• D. Pynadath and M. Wellman. Accounting for Context in Plan Recognition, with Application to Traffic Monitoring. Proc. of Conference on Uncertainty in Artificial Intelligence, 1995.

Approche probabilisteApproche probabilistePar réseau bayésienPar réseau bayésien

F. Kabanza IFT 702 - Reconnaissance de plans 7

• D. Pynadath and M. Wellman. Accounting for Context in Plan Recognition, with Application to Traffic Monitoring. Proc. of Conference on Uncertainty in Artificial Intelligence, 1995.

Approche probabilisteApproche probabilistePar réseau bayésienPar réseau bayésien

F. Kabanza IFT 702 - Reconnaissance de plans 8

• C. Geib and R. Goldman. Plan Recognition in Intrusion Detection Systems. Conference of the Association for the Advancement of Artificial Intelligence, 2006.

Approche probabilisteApproche probabilistePlus ou moins chaînes cachées de MarkovPlus ou moins chaînes cachées de Markov

F. Kabanza IFT 702 - Reconnaissance de plans 9

• C. Geib and R. Goldman. Plan Recognition in Intrusion Detection Systems. Conference of the Association for the Advancement of Artificial Intelligence, 2006.

Approche probabilisteApproche probabilistePlus ou moins chaînes cachées de MarkovPlus ou moins chaînes cachées de Markov

F. Kabanza IFT 702 - Reconnaissance de plans 10

Approche probabilisteApproche probabilisteRéseau Bayésien dynamiqueRéseau Bayésien dynamique

Kautz et al.http://www.cs.rochester.edu/u/kautz/talks/converging-technology-kautz-v3.ppt

F. Kabanza IFT 702 - Reconnaissance de plans 11

Approche probabilisteApproche probabilisteRéseau Bayésien dynamiqueRéseau Bayésien dynamique

Transportation mode

x=<Location, Velocity>

GPS reading

Goal

Trip segment

xk-1

zk-1 zk

xk

mk-1 mk

tk-1 tk

gk-1 gk

Kautz et al.http://www.cs.rochester.edu/u/kautz/talks/converging-technology-kautz-v3.ppt

F. Kabanza IFT 702 - Reconnaissance de plans 12

Références

• C. Schmidt, N. Sridharan and J. Goodson. The plan recognition problem: An intersection of psychology and artificial intelligence. Artificial Intelligence 11(1-2):1978, pages 45-83.

• D. Pynadath and M. Wellman. Accounting for Context in Plan Recognition, with Application to Traffic Monitoring. Proc. of Conference on Uncertainty in Artificial Intelligence, 1995.

• R. Goldman, C. Geib and C. Miller. A new model of plan recognition. Proc. of Conference on Uncertainty in Artificial Intelligence, 1999.

• C. Geib and R. Goldman. Plan Recognition in Intrusion Detection Systems. Conference of the Association for the Advancement of Artificial Intelligence, 2006.

• N. Blaylock and J. Allen. Fast Hierarchical Goal Schema Recognition. Proc. of Conference of the Association for the Advancement of Artificial Intelligence, 2006.