Modelo Comportamental Baseado em Crenças e Teoria Bayesiana para Simulações de Vida Artificial com Humanos Virtuais

(1)

Laboratório de Sistemas Integráveis – EPUSP

Modelo Comportamental Baseado em

Crenças e Teoria Bayesiana para

Simulações de Vida Artificial com

Humanos Virtuais

Marcos Cavalhieri

Dr. Márcio Lobo Netto

(2)

–

Aspectos Gerais

–

Modelo de Comportamento Proposto

–

Simulação do Projeto

–

Resultados Obtidos

(3)

Modelo Comportamental Baseado em Crenças e Teoria Bayesiana

Introdução

–

Problema Abordado

– Falta de conhecimento correto e completo do mundo externo aos personagens (entidades não-onipotentes).

– Manipular informações incertas ou passíveis de ruídos.

– Tomar decisões com base em informações incertas, de modo a

considerar possíveis implicações decorrentes desta incerteza e ruídos agregados.

– Manter consistente o comportamento dos personagens em Ambientes Dinâmicos.

(4)

●

Propor um modelo de comportamento humano autônomo e

adaptativo que permita ao personagem interagir em um

ambiente virtual dinâmico, mesmo dispondo de informações

incertas.

–

Solução Proposta

●

Modelo de comportamento baseado em Crenças e Teoria de

(5)

Introdução

–

Como manipular essa incerteza?

●

Informações incertas são abordadas como crenças. E estas são

obtidas através de um cálculo bayesiano (crenças

probabilísticas).

–

Como conciliar com a Tomada de Decisão?

●

Mecanismos determinísticos e probabilísticos compõem o

(6)

●

Adoção da inferência como recurso de avaliação do

personagem para desenvolver a capacidade adaptativa do

modelo.

–

Adaptação do quê?

●

Ocorrerá nas informações incertas (crenças) pertinentes ao

personagem. Reavaliando assim, os níveis de certeza das

crenças.

(7)

Introdução

–

Características da Solução

●

Habilidade em observar o ambiente e representá-lo, mesmo as

informações passíveis de ruído.

●

Inferir e tomar decisões com base nestas representações.

●

Interagir com um ambiente dinâmico de modo que desenvolva

(8)

●

MIRALab e VRLab

– Representação de personagens, especificamente Humanos Virtuais. – Comportamento autônomo, social e emergencial.

– Simulação de multidões.

– Integração destes personagens com ambientes virtuais em Realidade Virtual.

(9)

Introdução

–

Trabalhos Relacionados

●

CROMOS

– Geração parametrizada de populações heterogêneas (personagens virtuais).

– Simulação de comportamento social para elevadas densidades demográficas.

– Capacidade de lidar com ruídos ou agentes perturbadores, que resultem em pânico ou situações de emergência.

(10)

(11)

Introdução

–

Trabalhos Relacionados

●

ARTLIFE

– ALIVE

● Ambiente de simulação para experimentos em VA. ● Algumas simulações já desenvolvidas.

● Dinâmicas de sobrevivência e comportamento social. ● Colônia de bactérias;

● Radiosidade e difusão de energia. ● Visão Bottom-Up.

● Vertente da pesquisa: Filogenia.

(12)

R G B + ACT W1 W2 W FILTER RADIATION

RGB Filter

Neural Net

(13)

Introdução

–

Trabalhos Relacionados

●

ARTLIFE

– WOXBOT

● Personagem virtual (robô).

● Arena composta por objetos que representam fontes limitadas de

energia e toxina.

● Tempo de Vida dependente do consumo de energia.

● Codificação genética do processo cognitivo (máquina de estados). ● Comportamento reativo e rígido.

● Visão Bottom-Up.

● Vertente da pesquisa: Filogenia.

(14)

(15)

Introdução

–

Trabalhos Relacionados

●

ARTLIFE

– ALGA

● Personagens virtuais (peixes).

● Aquário formado por peixes e alimento.

● Tempo de Vida dependente do consumo de energia. ● Tomada de decisão baseada em cadeias de Markov. ● Uso de um dicionário de palavras.

● Comportamento adaptativo.

● Presença de 2 entidades distintas: professor e aluno. ● Visão Top-Down.

● Vertente da pesquisa: Ontogenia.

(16)

(17)

Introdução

–

Trabalhos Relacionados

●

ARTLIFE

– V1V0

● População de personagens (humanos virtuais). ● Ambiente formado estritamente por humanos.

● Tomada de decisão baseada em raciocínio probabilístico. ● Representação interna do ambiente observado.

● Habilidade em manipular incertezas. ● Comportamento cognitivo e adaptativo. ● Visão Top-Down.

● Vertente da pesquisa: Epistemologia.

● Seres cognitivos: manipulação de informações incertas do ambiente

(18)

– ALIVE

● Âmbito geral de Vida Artificial.

● Cenário microbiótico (organismos unicelulares). ● Seres reativos e necessidade de sobrevivência.

– WOXBOT

● Filogenia.

● Personagem sintético.

● Surgimento de uma cognição primitiva.

– ALGA

● Ontogenia.

(19)

Introdução

–

Contextualização Geral

●

V1V0

– Epistemologia.

– Seres “racionais” (humanos virtuais).

– Representação e manipulação de incertezas. – Representação interna do ambiente.

– Processo de inferência atrelado à Tomada de Decisão. – Presença de pseudo-personalidade.

(20)

●

Filogenia, Ontogenia e Epistemologia

– Espécie, Ser (indivíduo) e Conhecimento

●

Bottom-UP

X Top-Down

– VA Forte (Biologia) x VA Fraca (Engenharia)

●

Fenômenos observados em vida

– Comportamento Social – Reprodução

– Adaptação

(21)

Aspectos Gerais

–

Inteligência Artificial

●

Agentes, Comportamento e Ambientes

●

Principais características desses ambientes

– Observação do cenário

– Dependência de alteração (estados) – Tempo de influência da ação do agente – Fluxo de tempo – Quantidade de agentes Framework_{do Comportamento} estímulo do ambiente atuação no ambiente

Percepção Cognição Atuação

Ruídos e Incertezas

(22)

●

Teoria de Bayes

– Probabilidades incondicionais (a priori):

● Evidência e Hipótese: P(e), P(H)

– Probabilidade de dependência (likelihood):

● Evidência na certeza da Hipótese: P(e/H)

– Probabilidade condicionada (a posteriori):

(23)

Aspectos Gerais

–

Raciocínio Probabilístico

●

Teoria de Bayes

– Muito utilizado em sistemas especialistas para descrever o raciocínio lógico frente às incertezas.

– Parâmetros estáticos: uma vez obtidas as distribuições das amostras elas não são alteradas.

– Vantagem: simplicidade do modelo que exige poucas informações (3 parâmetros).

– Desvantagem: dificuldade de obtenção das amostras (valores probabilísticos a priori).

(24)

–

Sentimento de ausência e vazio.

–

Sistemas Distribuídos de Realidade Virtual.

–

Multi-usuário (Avatares).

–

E quando não existir usuários suficientes?

–

Agentes, Personagens, Humanos Virtuais!?

●

Comportamento autônomo.

(25)

(26)

–

Epistemologia, Top-Down, VA Fraca.

–

Comportamento Social e Adaptação.

–

Características do Ambiente

●

Parcialmente Observável, Estocástico, Episódico

●

Dinâmico, Discreto, “Multi-Agente”, Competitivo

●

Framework

Proposto

(27)

Modelo de Comportamento

–

Percepção

●

Detecção de colisão (área de influência).

●

Criação de Fatos (Evidências).

●

Registrado em uma Lista de Fatos.

–

Cognição

●

Interpretação e Decisão (2 planos).

●

Atualização do Repertório (cálculo das crenças).

●

Atualização da Roleta de Monte Carlo (ações);

(28)

Processo Cognitivo

Fatos Crenças Ação

Repertório Interpretador (Inferência) Decisor (Escolha) %

(29)

Modelo de Comportamento

–

Interpretador (Atualização do Repertório)

●

Modelagem Bayesiana

– Cálculo dos níveis de certeza das crenças (probabilísticas).

– Uso de funções para conciliar o conhecimento a priori com o dinamismo da simulação (alteração dos estados do ambiente). Vf(t), Vc(t).

– Notação:

● evento (e) → fato (f)

(30)

●

Modelagem Bayesiana

– Conhecimento a priori e estático: P(f), P(C).

● Obtido no nascimento e invariável.

● Pseudo-personalidade (pré-disposição).

● Precisa ser modelado (condições ideais p/ simulação).

– Fator de memória. Vf(t-1), Vc( t-1).

– Aspectos de freqüência de uso e relevância dentro do repertório.

H2 H1

Interpretador F1

(31)

Modelo de Comportamento

–

Decisor (Seleção da Ação)

●

Sistema de tomada de decisão: Monte Carlo.

●

Cada fato possuí uma distribuição com as probabilidades das

ações (roleta).

●

Mecanismo probabilístico (sorteio).

●

Atualização da distribuição com base na crença dominante (+

significativa). A fatia correspondente é ponderada com base no

nível de certeza.

●

A ação é selecionada e disparada enquanto o Decisor aguarda

um retorno de sucesso ou não. Correção do parâmetro I(f/c) com

base na constatação decorrente da ação executada.

(32)

NC(c/f) Assistente 36% Interpretador fato + | -I(f/c) Decisor ação _? êxito crença utilizada crença dominante ?

(33)

Modelo de Comportamento

–

Problemas encontrados:

●

Perda de integridade dos valores probabilísticos (parâmetros).

– Exemplo: ∑C C1 + C2 +...+ Cn = 100%

●

Numerador mais significativo que o denominador.

– Numerador: I(f/c) e Vc(t). – Denominador: Vf(t).

●

Convergência prematura das distribuições das ações com base

nas crenças (Mínimo Local).

– Aumento da Fatia.

– Aumento da Participação (sorteio da ação). – Aumento do Vc(t).

(34)

●

Normalização probabilística a cada alteração.

●

?!?

– Recomendável que se tenha xF → yC. Onde (y>x).

– Aumento da incerteza no ambiente que incide diretamente no parâmetro que mensura tal ruído: I(f/c).

– Melhor modelagem das distribuições a priori.

●

Diminuir a temperatura do sistema (simulação).

– Admissão de outros fatores de incerteza.

(35)

(36)

(37)

Simulação do Projeto

(38)

(39)

Simulação do Projeto

(40)

(41)

Simulação do Projeto

(42)

(43)

Considerações Finais

–

Contribuições Científicas

●

Vida Artificial

– Desenvolvimento na linha epistemológica (desenvolvimento cultural). – Contexto “Bottom-Up” para I(f/c), onde o personagem aprende a

relacionar Fatos com Crenças.

– Adaptação às alterações de estado do ambiente (ruídos e incertezas).

●

Inteligência Artificial

– Dinamismo na mensurização das incertezas (Bayes).

● Reavaliação dos níveis de certeza.

● Em sistemas especialistas o comportamento das distribuições

(44)

●

O método bayesiano se mostrou satisfatório em aplicações

dinâmicas e cumpriu o objetivo de permitir aos personagens se

adaptar em um ambiente parcialmente observável. Contudo,

sua modelagem mostrou-se frágil e muito sensível.

●

Métrica da incerteza do ambiente:

– O parâmetro alterado pela adaptação, I(f/c), após uma janela de tempo, reflete efetivamente a quantidade de ruído presente no relacionamento F/C.

(45)

Considerações Finais

–

Trabalhos Futuros

●

Extensão da pesquisa para um modelo que comporte Múltiplas

Hipóteses Múltiplas Evidências (MHME).

●

Incorporação de Algoritmos Genéticos para obter amostras

mais robustas dos valores a priori (Bayes).

– É possível que a personalidade das pessoas (parte dela) esteja presente no material genético.

– Em determinados cenários, uma personalidade pode ser mais interessante que outra, resultando na seleção natural dos mesmos.

(46)

●

Confrontar os recursos bayesianos com outras técnicas de

manipulação de incertezas dentro de um escopo epistemológico.

●

Ampliar a modelagem do raciocínio lógico a aspectos cognitivos

utilizando a arquitetura BDI (Belief, Desire and Intention).

●

Expandir os personagens humanos à representações 3Ds (aumento

de informações contidas nas ações).

●

Estender a simulação à Caverna Digital.

(47)

Considerações

–

Trabalhos Futuros

●

Desenvolver o conceito de sociedades bem como a migração

entre seus membros para análise de adaptação.

●

Migrar o projeto para um sistema multi-agentes, aumentando

assim o tamanho das populações. Ex: SACI (LTI).

●