Reasoning about Noisy Sensors and Effectors in the Situation Calculus
与一个不完全已知的世界交互的智能体需要能够推理其行为的影响，并且为了获得关于该世界的进一步信息，他们需要使用某种传感器。不幸的是，动作的效果和从传感器返回的信息都容易出错。为了应对这种不确定性，智能体可以保持对世界状态的概率信念。有了概率信念，智能体将能够量化其行动的各种结果的可能性，并能够更好地利用从其易出错的行动和传感器收集的信息。在本文中，我们提出了一个模型，在该模型中，我们可以推理代理的概率程度的信念和这些信念的变化方式，作为各种行动的执行。我们建立在一个一般的逻辑理论的行动开发的赖特和其他人，形式化的情况演算。我们提出了一个简单的公理化，捕捉代理的信念状态和这些信念的方式改变时，执行的行动。我们的模型显示了一些直观合理的属性。
1998-09-09 cs.AI cs.LO
Bounded Situation Calculus Action Theories
Sapienza Università di Roma（罗马第一大学）；York University（约克大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）
本文研究了情境演算中的有界作用理论。有界作用理论是这样一种理论，它要求在每一种情况下，流的扩展中的对象元组的数量由给定的常数限制，尽管这种扩展在无限多的情况下通常是不同的。我们认为，这样的理论在应用中是常见的，要么是因为事实不会无限期地持续下去，要么是因为代理人最终忘记了一些事实，因为新的学习。我们讨论各类有界作用理论。然后，我们证明了验证一个强大的一阶变种的μ演算是可判定的，这样的理论。值得注意的是，这种变体支持跨情况的受控形式的量化。我们还表明，通过验证，我们实际上可以检查是否任意行动理论保持有界性。
2015-09-07 cs.AI
Abstraction of Nondeterministic Situation Calculus Action Theories -- Extended Version
Ronin Institute（罗宁研究所）；University of Oxford（牛津大学）；York University（约克大学）
基于非确定性情境演算和ConGolog，提出一个通过细化映射连接抽象与具体动作理论的智能体行为抽象框架，支持策略推理与综合，并证明了抽象层面的强FOND计划可细化为具体层面的有效计划。
2023-05-20 cs.AI cs.LO
Belief change with noisy sensing in the situation calculus
Queen’s University Belfast（贝尔法斯特女王大学）
情境演算在人工智能中被广泛应用于对动态系统中的行为和变化进行建模和推理。由于Agent的行为会引起Agent信念的不断变化，如何管理这些变化是一个非常重要的问题。Shapiro等人[22]是考虑这个问题的研究之一。然而，在这个框架中，没有考虑在现实世界的应用中经常出现的噪声感测的问题。因此，在这个框架中，嘈杂的感知行动将导致代理面临不一致的情况，随后代理不能继续前进。在本文中，我们探讨如何嘈杂的感知行动可以处理迭代信念变化的情况演算形式主义。我们扩展了[22]中提出的框架，具有管理噪声感知的能力。我们证明了一个代理仍然可以检测到的实际情况时，嘈杂的传感动作与准确的传感动作的比例是有限的。我们证明了当所有感知动作都是准确的时，我们的框架包含了[22]中的迭代信念改变策略。此外，我们证明了我们的框架可以充分处理信念内省，错误信念，信念修正和信念更新，即使有噪声感知，如[22]中仅使用准确的感知动作。
2012-02-14 cs.AI
Hybrid Temporal Situation Calculus
York University（约克大学）；Sapienza Università di Roma（罗马第一大学）；Ryerson University（瑞尔森大学）
赖特的时间情境演算行动理论对连续变化的建模能力引起了人们的极大兴趣。在本文中，我们提出了一个新的发展，他的方法，这是直接启发的混合系统在控制理论。具体来说，在保持赖特的公理化的基础上，我们提出了一个优雅的扩展他的方法，增加了一个时间参数，代表连续变化的所有流畅。因此，我们确保变化不仅会因为行动而发生，而且会因为时间的推移而发生。我们提出了一个系统的方法来推导，从简单的前提，一组新的公理，指定如何连续流畅度随时间变化的情况。我们研究回归我们的新的时间基本行动理论，并证明什么推理问题可以解决。最后，我们正式表明，我们的时间基本行动理论确实捕获混合自动机。
2018-07-12 cs.AI
Situation Calculus for Synthesis of Manufacturing Controllers
Sapienza Università di Roma（罗马大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）；University of Nottingham（诺丁汉大学）；RMIT University（皇家墨尔本理工大学）
制造业正在从大规模生产模式过渡到制造即服务模式，其中制造设施“投标”生产产品。为了决定是否对复杂的、先前看不见的产品进行投标，制造设施必须能够“在运行中”综合工艺计划控制器，该工艺计划控制器将所提供的工艺配方中的抽象制造任务委托给适当的制造资源，例如，数控机床，机器人等以前的工作中应用人工智能行为合成工艺规划控制器只考虑有限状态的特设表示。在这里，我们研究的问题，在关系设置的情况演算。通过利用最近的工作抽象的情况演算，工艺配方和可用的资源表示ConGolog程序，分别是一个抽象的和具体的行动理论。这使我们能够在一个正式的，一般的框架中捕捉问题，并显示有界行动理论的情况下的可判定性。我们还提供了实际合成控制器的技术。
2018-07-12 cs.AI
A Situation Calculus-based Approach To Model Ubiquitous Information Services
提出了一种基于增强情境演算的泛在信息服务自主计算模型。为了使其实用的商业开发和更容易支持无处不在的信息服务所施加的自治范式，我们在Reiter的标准情境演算的基础上进行了改进。首先，我们探讨了流与演化的内在联系：由于并非所有流都对系统的演化有贡献，而且某些流可以由另一些流导出，因此，我们将那些足以决定系统演化势的流定义为决定流，并证明了决定流的后继状态满足马尔可夫性质。然后，在我们建立的演算框架内，我们引入有效性理论来模拟具有特定应用有效性要求的自治服务，包括：有效性流来公理化有效性要求，启发式的多个替代服务选择，从完全接受，部分接受，完全拒绝，和有效性保证的政策，将这些替代服务选择组成有机的，可计算的服务。我们的方法是证明了一个无处不在的服务，ACS，在整个文件。
2004-04-02 cs.AI cs.HC
A Framework for Decision-Theoretic Planning I: Combining the Situation Calculus, Conditional Plans, Probability and Utility
University of British Columbia（不列颠哥伦比亚大学）
本文展示了我们如何将行动的逻辑表示和决策理论以一种对两者来说都很自然的方式结合起来。特别是，我们假设一个公理化的域的情况演算，使用什么基本上是赖特的解决方案的框架问题，在完成的公理定义的状态变化。不确定性是根据独立选择逻辑来处理的，独立选择逻辑允许独立的选择和给出选择结果的逻辑程序。作为结果的一部分，是（最终）状态效用的规范。机器人采用机器人计划，类似于GOOGLE程序设计语言。在这个逻辑中，我们可以根据行动、不确定性和效用的公理化来定义条件计划的预期效用。什么？规划问题就是要找到期望效用最高的方案。这与POMDPs最近的结构化表示有关;在这里，我们使用随机情景演算规则来指定状态转移函数和奖励/价值函数。最后，我们表明，与随机框架公理，行动表示在概率BCPPS是指数大于使用这里提出的表示。
2013-02-13 cs.AI
Abstracting Situation Calculus Action Theories
IGDORE；University of Oxford（牛津大学）；Sapienza University of Rome（罗马第一大学）；York University（约克大学）
本文基于情境演算与ConGolog提出智能体抽象框架，通过细化映射和互模拟定义可靠/完全抽象，并给出验证条件与约束，使高层推理可细化到低层执行，同时支持对低层行为的高层跟踪与解释。
2024-10-09 cs.AI cs.LO
A Logical Semantics for PDDL+
York University（约克大学）；Ryerson University（瑞尔森大学）
PDDL+是PDDL2.1的扩展，它包含了全功能的自治过程，并允许更好地建模混合离散-连续域。与PDDL2.1不同，PDDL+缺乏逻辑语义，而是依赖于状态转换语义，并为连续状态提供了混合自动机语义。这种复杂的语义使得分析和比较其他动作形式主义困难。在本文中，我们提出了一个自然的扩展赖特的情况演算理论的启发混合自动机。PDDL+和混合自动机之间的亲属关系，使我们能够开发一个直接的映射PDDL+和情况演算，从而提供PDDL+的逻辑语义和情况演算与现代方式表示自治进程。我们概述了映射的潜在好处，提出了一种新的方法来有效规划PDDL+。
2021-11-23 cs.AI cs.LO
Logic, Probability and Action: A Situation Calculus Perspective
University of Edinburgh（爱丁堡大学）；Alan Turing Institute（艾伦·图灵研究所）
逻辑和概率的统一是人工智能中长期关注的问题，更广泛地说，是科学哲学中的问题。从本质上讲，逻辑提供了一种简单的方法来指定必须在每个可能世界中保持的属性，概率允许我们进一步量化必须满足属性的世界的权重和比例。为此，已经进行了许多开发，最终提出了诸如概率关系模型之类的建议。虽然这一进展是值得注意的，一个通用的一阶知识表示语言的原因概率和动态，包括在连续设置，仍然是出现。在本文中，我们调查最近的结果有关集成的逻辑，概率和行动的情况演算，这可以说是最古老和最知名的形式主义之一。然后，我们探讨减少定理和编程接口的语言。这些结果是在认知机器人的背景下（正如Reiter和他的同事所设想的那样）为了具体化而产生的。总的来说，证明这种通用语言的结果的优点是，可以使它们适应任何特殊用途的片段，包括但不限于流行的概率关系模型。
2020-06-17 cs.AI cs.LG cs.LO
Logical foundations of Smart Contracts
School of Electrical Engineering；Computer Science University of Ottawa Ottawa, Canada
针对智能合约实现需复杂形式化方法的问题，提出以情景演算为逻辑基础，用其衍生语言Golog实现智能合约，以解决动态复杂系统的形式化描述难题。
2025-02-13 cs.AI cs.LO
Validating Generalist Robots with Situation Calculus and STL Falsification
Key Laboratory of Software System, ISCAS, China（软件系统重点实验室，中国）；Carl von Ossietzky Universität Oldenburg, Germany（奥尔登堡卡尔·冯·奥西特齐大学，德国）
本文提出结合情况演算和STL反例检验的两层框架，用于验证通用机器人，通过抽象推理和具体模拟揭示失败案例，提升机器人自主性验证效果。
2026-01-06 cs.AI cs.RO
A Counterfactual Cause in Situation Calculus
State Key Laboratory for Novel Software Technology \& School of Artificial Intelligence, Nanjing University, China School of Informatics, The University of Edinburgh, UK
本文提出基于反事实分析的原因概念，扩展到成就原因，并分析其与Batusov和Soutchanski的成就原因及Halpern和Pearl的实际因果性理论的关系。
2026-07-24 cs.AI
Artificial chemistry experiments with chemlambda, lambda calculus, interaction combinators
Institute of Mathematics, Romanian Academy（罗马尼亚科学院数学研究所）
给定一个图重写系统，如果图G的左重写模式的非冲突匹配的最大集合是非空的，使得在并行应用重写之后，我们得到一个与图G同构的图，则G是Quine图.这样的图表现出新陈代谢，当通过随机重写算法减少时，它们可以繁殖或死亡。这些是使用chemlambda、λ演算或相互作用组合子进行人工化学实验的页面的介绍性注释，可从入口页面https://chemlambda.github.io/index.html获取。这些实验被捆绑成页面，所有这些都基于一个程序库，一个包含数百个图形的数据库，一个包含大约150页文本评论和200多个动画的数据库，其中大多数可以通过程序重新制作。这些实验的其他贡献者的公共资源库有链接，这些程序的版本有python、haskell、awk或JavaScript。
2020-03-31 cs.AI cs.IT math.IT
cc-Golog: Towards More Realistic Logic-Based Robot Controllers
现实领域中的高级机器人控制器通常处理并发操作的过程，不断改变世界，并且其中动作的执行是事件驱动的，如“电压电平一低就给电池充电”。虽然基于非逻辑的机器人控制语言非常适合表达这样的场景，但当以一种明显的方式投影世界如何在执行动作时演变时，它们表现得很差。另一方面，像\congolog这样的基于逻辑的控制语言，基于情境演算，非常适合后者。但是，它在表达事件驱动的行为时存在问题。在本文中，我们将展示如何克服这些问题，首先扩展的情况演算，以支持连续变化和事件驱动的行为，然后提出\ccgolog，一个变种的\congolog，这是基于扩展的情况演算。\ccgolog的一个好处是，与非基于逻辑的控制语言相比，它缩小了表达能力的差距，同时保留了语义上良好的投影机制。
2000-03-08 cs.AI
