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

AI ¡Cogni9ve ¡Systems ¡ Robots ¡ Goal-­‑directed ¡ Situated ¡ • Commanded ¡by ¡goals. ¡ • Responsive ¡to ¡environment. ¡ • Closes ¡loop ¡on ¡goals. ¡ • Robust ¡in ¡a ¡noisy ¡con9nuous ¡world. ¡ • “Its ¡turtles ¡all ¡the ¡way ¡down.” ¡ Situated, ¡Goal-­‑directed ¡Teams ¡ • Decisions ¡must ¡be ¡highly ¡responsive. ¡ Cogni9ve ¡Robots ¡ • 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. ¡ 01/12/2015 ¡ Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡ 1 ¡

What ¡I’m ¡learning ¡from ¡Robo9cs ¡ ¡ and ¡Beyond ¡ • 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. ¡ 01/12/2015 ¡ Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡ 2 ¡ ¡

What ¡I’m ¡learning ¡from ¡Robo9cs ¡ ¡ and ¡Beyond ¡ • 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. ¡ 01/12/2015 ¡ Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡ 3 ¡ ¡

Cogni9ve ¡“ROS”: ¡Goals, ¡Models ¡ and ¡Trust, ¡All ¡the ¡Way ¡Down ¡& ¡Back ¡ Cognitive Executive Goals & models “Cocktails ¡at ¡6, ¡ ¡ Dinner ¡at ¡7.” ¡ Samantha ¡ Control Commands Sketches out task plan • Layered, ¡goal-­‑directed ¡ execu9on ¡architectures. ¡ • Goal-­‑directed ¡ ¡ control ¡& ¡es9ma9on. ¡ • Learning ¡rich ¡models. ¡ “Safely ¡navigate ¡ R2D2 ¡ ¡ appe9zers ¡to ¡ ¡ • Risk-­‑aware ¡execu9on. ¡ Jane ¡and ¡Francois.” ¡ • Goal-­‑directed, ¡risk-­‑aware ¡ ¡ Plans motions in support of goals. teams. ¡ Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡ 01/12/2015 ¡ 4 ¡

Goal-­‑directed ¡Risk-­‑aware ¡Language ¡ with ¡Execu9ves ¡All ¡the ¡Way ¡Down ¡ Enterprise Executive User Goals & “Scout ¡out ¡fires ¡every ¡hour.” ¡ models Kirk ¡ in RMPL Sketches mission and assigns tasks “Have ¡vehicles ¡A ¡and ¡B ¡ ¡ return ¡pictures ¡of ¡ Burton ¡ regions ¡R1, ¡R2 ¡& ¡R3.” ¡ Plans actions “Send ¡A ¡to ¡R1; ¡take ¡ picture; ¡send ¡A ¡to ¡Base; ¡ Pike ¡ download ¡picture.” ¡ Coordinates and monitors tasks “Start ¡with ¡heading ¡ Control towards ¡R1, ¡turn ¡lef ¡ Commands Sulu ¡ 15% ¡to ¡avoid ¡weather ¡ storm ¡. ¡. ¡.” ¡ Plans motion Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡ 01/12/2015 ¡ 5 ¡

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

Driven ¡by ¡a ¡Grand ¡Challenge ¡ Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡ 01/12/2015 ¡ 8 ¡

Embedded ¡in ¡simula9ons ¡and ¡ hardware ¡ Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡ 01/12/2015 ¡ 9 ¡

Course ¡is ¡About ¡ • 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. ¡ Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡ 01/12/2015 ¡ 10 ¡

We ¡don’t ¡expect ¡ • Any ¡previous ¡programming ¡experience. ¡ • Special ¡knowledge ¡of ¡algorithms. ¡ • Special ¡knowledge ¡about ¡robots. ¡ • Specialized ¡hardware. ¡ Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡ 01/12/2015 ¡ 11 ¡

Driven ¡by ¡a ¡Grand ¡Challenge ¡ Week ¡1: ¡Tradi9onal ¡Programming ¡ Reac9ve ¡ Weeks ¡2 ¡& ¡3: ¡“Cogni9ve” ¡Programming ¡ Model-­‑based ¡ Programming ¡ Language ¡ (RMPL) ¡ + ¡Python ¡ Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡ 01/12/2015 ¡ 12 ¡

Modules ¡and ¡Units ¡ Module ¡1: ¡Sequencing ¡in ¡the ¡Real ¡World ¡ Unit ¡1: ¡ Unit ¡2: ¡ Sequence ¡Execu9on ¡ ¡ Vehicle ¡Localiza9on ¡ Module ¡2: ¡Planning ¡ Unit ¡3: ¡ Unit ¡4: ¡ Path ¡Planning ¡ Task ¡Planning ¡ Module ¡3: ¡Coordina9on ¡ Unit ¡5a: ¡ Unit ¡5b: ¡ Scheduling ¡ Assignment ¡ Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡ 01/12/2015 ¡ 13 ¡

Typical ¡ Unit: ¡Hello ¡World ¡ è Intui9ons ¡ è ¡ Modeling ¡ è ¡Sim ¡ è HW ¡ è Performance. ¡ Day ¡1 ¡ Day ¡2 ¡ 10 ¡am ¡ “Hello ¡World” ¡ Modeling ¡Laboratory: ¡ Drone ¡Test ¡bed ¡ QED-­‑like ¡Basic ¡ ¡ Reasoning ¡Lecture ¡ 12 ¡noon ¡ Lunch ¡ ¡ 1 ¡pm ¡ Rocket ¡Science ¡ Modeling ¡Walkthrough ¡ Reasoning ¡Lecture ¡ Modeling ¡Laboratory: ¡ Performance ¡Laboratory ¡ Drone ¡Simulator ¡ 3 ¡pm ¡ Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡ 01/12/2015 ¡ 14 ¡

Driven ¡by ¡a ¡Grand ¡Challenge ¡ Crash ¡Course ¡in ¡Autonomy ¡-­‑ ¡Introduc9on ¡ 01/12/2015 ¡ 15 ¡