Autonomous technical systems, such as intelligent production facilities and household robots, have to plan sequences of actions in advance. This doesn't allow to exploit current observations and, in particular, to completely account for system faults. Therefore, the aim of this work is to obtain most probable faults during execution of a plan and to monitor the success probabilities of individual plan goals during runtime. For this computational problem of plan assessment we develop two approaches that translate probabilistic, hierarchical automata models of a system to constraint nets or Bayes nets, in order to then apply generic algorithms from model-based diagnosis or probabilistic reasoning. Theoretical and empirical results show that both approaches are equally well suited for plan assessment and that the method can be a building block for more robust autonomous systems.     «

Autonomous technical systems, such as intelligent production facilities and household robots, have to plan sequences of actions in advance. This doesn't allow to exploit current observations and, in particular, to completely account for system faults. Therefore, the aim of this work is to obtain most probable faults during execution of a plan and to monitor the success probabilities of individual plan goals during runtime. For this computational problem of plan assessment we develop two approach...     »

Autonome technische Systeme, wie beispielsweise intelligente Produktionsanlagen oder Haushaltsroboter, müssen Aktionssequenzen im Voraus planen; dabei können jedoch aktuelle Beobachtungen und insbesondere Fehler des Systems nicht vollständig berücksichtigt werden. Das Ziel dieser Arbeit ist deshalb, während der Ausführung eines Plans wahrscheinlichste Fehler zu ermitteln und die Erfolgswahrscheinlichkeit einzelner Planziele zur Laufzeit zu überwachen. Für dieses Berechnungsproblem des "Plan Assessment" entwickeln wir zwei Ansätze, die probabilistische, hierarchische Automatenmodelle eines Systems in Constraint- oder Bayes-Netze übersetzen, um dann generische Algorithmen der modellbasierten Diagnose oder des probabilistischen Schließens anzuwenden. Theoretische und experimentelle Ergebnisse zeigen, dass beide Ansätze zur Planbewertung gleichermaßen geeignet sind und das Verfahren einen Baustein für robustere autonome Systeme bilden kann.     «

Autonome technische Systeme, wie beispielsweise intelligente Produktionsanlagen oder Haushaltsroboter, müssen Aktionssequenzen im Voraus planen; dabei können jedoch aktuelle Beobachtungen und insbesondere Fehler des Systems nicht vollständig berücksichtigt werden. Das Ziel dieser Arbeit ist deshalb, während der Ausführung eines Plans wahrscheinlichste Fehler zu ermitteln und die Erfolgswahrscheinlichkeit einzelner Planziele zur Laufzeit zu überwachen. Für dieses Berechnungsproblem des "Plan Ass...     »