模糊本体中的结构场景增量引导与分类

我们预见到机器人会对知识表示进行自主引导，并用于对相关情境进行分类以做出基于未来观察的决策。特别对于辅助机器人而言，引导机制可能由人类监督，人类不应重复进行多次训练阶段，也应能够细化所教导的表示。我们考虑机器人对结构化表示进行自主引导，以分类某些可理解的类别。这种结构应是增量式自主引导的，即在考虑新增类别时，不会使已识别类别模型失效。为解决这一情景，我们提出了场景识别和标记（SIT）算法，该算法在 crisp OWL-DL 本体中对结构化知识进行自主引导。随着时间的推移，SIT 会对表示场景、子场景和相似场景的图进行自主引导。然后，SIT 可通过基于逻辑的推理将新场景分类到自主引导的图中。然而，SIT 对于感知数据存在问题，因为其 crisp 实现对感知噪声不够稳健。本文提出了将 SIT 在模糊域中的重新表述，利用模糊 DL 本体来克服稳健性问题。通过比较模糊和 crisp SIT 实现的性能，我们表明模糊 SIT 稳健、保留其 crisp 版本的特性，并增强了自主引导的表示。相反，模糊 SIT 的实现会导致比在 crisp 域中自主引导的表示更少的可理解性。