Abstract
På starten av 1970-tallet var store deler av forskningsområdet innen kunstlig intelligens preget av avgrensede problemstillinger i forenklede verdener. Ideen var at dersom det fantes en god løsning på et problem i en forenklet verden, kunne denne videreføres til vår komplekse virkelighet. Viktig forskning ved Massachusetts Institute of Technology ble lagt ned i problemstillinger knyttet til en tenkt verden bestående av klosser med ulik form. Terry Winograds SHRDLU-program er det mest kjente fra denne epoken.
I denne masteroppgaven beskriver jeg utviklingen av en klosseverden, basert på SHRDLU sin verden, med en robot som har en kunnskapsrepresentasjon slik at den kan resonnere seg frem til løsningen på ulike problem den blir stilt ovenfor.
Klosseverden består av en serverapplikasjon utviklet i CLISP som simulerer verdenen. Verden visualiseres ved bruk av en Java- eller Flash-klient. Standardiserte grensesnitt i klosseverdenen gjør det enkelt å teste ut ulike roboter.
Som kunnskaps- og planleggingssystem benytter roboten i klosseverdenen et egetutviklet språk, Closlog. Det benytter en objektorientert kunnskapsrepresentasjon, som muliggjøres ved bruk av CLISP sitt objektorienterte system.
I oppgaven viser jeg hvordan et enkelt problem, som å finne en mulig vei mellom klossene i klosseverden, kan gi et svært stort søkerom. Ulike søkestrategier i Closlog viser hvordan roboten er i stand til å løse enkle, men også mer komplekse oppgaver som 8-spillet.
Avslutningsvis diskuterer jeg fremtidige bruksområder for klosseverdenen. Roboten kan utvides med en modul som forstår naturlig språk. Jeg viser også hvordan Closlog sin representasjon av kunnskap gjør roboten i stand til å lære av tidligere erfaring.
Vedlagt til oppgaven er en CD med dokumentasjon, kildekode og en kjørbar versjon av klosseverden.