Vai alla Home Page About me Courseware Federica Living Library Federica Federica Podstudio Virtual Campus 3D Le Miniguide all'orientamento Gli eBook di Federica La Corte in Rete
 
I corsi di Scienze Matematiche Fisiche e Naturali
 
Il Corso Le lezioni del Corso La Cattedra
 
Materiali di approfondimento Risorse Web Il Podcast di questa lezione

Ernesto Burattini » 10.Animal Behavior - 3


Behavior concorrenti

Da quanto descritto nella lezione precedente si evince che i behavior spesso operano indipendentemente e in concorrenza.

Quella che appare essere una sequenza fissa può essere il risultato di una normale serie di eventi. Comunque alcuni behavior possono violare o ignorare la sequenza implicita quando l’ambiente presenta stimoli conflittuali.

Nel caso dell’agente genitori il behavior fuggire da un predatore era mutuamente esclusivo con i behavior: nutrirsi, accudire, dormire.

Possono capitare cose interessanti se due o più behavior sono rilasciati contemporaneamente anche se questo in genere non accade.

Behavior concorrenti (segue)

Si ha che queste strane interazioni cadono nelle seguenti categorie:

  • Equilibrium: i behavior sembrano bilanciarsi l’uno con l’altro. Si consideri nutrirsi e fuggire per uno scoiattolo quando il cibo è vicino ad una persona su un sedile nel parco. Lo scoiattolo appare visibilmente indeciso se andare a prendere il cibo o scappare via. (v. filmati lezione precedente).
  • Dominance: uno vince su tutti. Se si è affamati e assonnati solo uno dei due behavior verrà attivato.
  • Cancellation: i behavior si annullano l’un l’altro. I maschi dello spinarello quando hanno territori in comune con altri pesci sono combattuti tra la necessità di difendere il loro territorio e attaccare quello degli altri. In alcuni casi i maschi fanno un altro nido! Allora apparentemente gli stimoli aggressivi si annullano, lasciando solo lo stimolo associato con la costruzione del nido.

Behavior concorrenti (segue)

Sfortunatamente non è sempre chiaro quando questi differenti meccanismi, per behavior conflittuali, vengono applicati.

E’ chiaro che non c’è un solo metodo.

I robotici devono fare attenzione all’interazione tra i differenti behavior.

Da qui sono scaturite, come vedremo le architetture reattive e il paradigma ibrido.

Percezione nei behavior

Mentre Lorenz e Tinbergen forniscono una serie di idee circa i behavior è chiaro che questi dipendono dalle percezioni.

Ulrich Neisser che introdusse il termine “cognitive psychology” nel suo libro Cognition and Reality intuì che percezione e azione non possono essere considerate separatamente.

J.J. Gibson, discusso psicologo cognitivo, spese la sua carriera nell’approccio ecologico alla percezione.
Questo approccio è giusto l’opposto del modello top-down basato sul ragionamento introdotto da Neisser.

Ciclo Azione-Percezione

Il ciclo azione-percezione, mostra che la percezione è fondamentale per ogni agente intelligente. Una semplice interpretazione di questo ciclo è: “quando un agente agisce esso interagisce con il suo ambiente essendone parte integrale”.
Così non appena fa un’azione esso cambia l’ambiente o comunque il modo di percepirlo (per esempio lo vede da un nuovo punto di osservazione).
Da qui la percezione del mondo per l’agente è modificata. Questa nuova percezione è usata per una varietà di funzioni incluse quelle cognitive come la pianificazione di cosa fare dopo, o quelle reattive.

Ciclo Azione-Percezione (segue)

Il termine attività cognitiva include i concetti di controllo, feedback e feedforward in cui l’agente rileva un errore in quello che ha cercato di fare e quello che è realmente accaduto.

Una equivalente attività cognitiva di base è stabilire cosa dovrebbe percepire successivamente (percezione attesa).

Questa attività può a volte essere semplice come la attivazione di processi per la ricerca di releaser, o tanto complicata come cercare una certa faccia in una folla di persone.

Ciclo azione-percezione

Ciclo azione-percezione


Ciclo Azione-Percezione (segue)

A seconda se c’è un processo conscio esplicito di elaborazione delle percezioni oppure l’estrazione di uno stimolo o di un releaser, l’agente è ora visto come qualcosa che va a percepire un nuovo aggiornamento.

Questa è una forma di attenzione selettiva o focus dell’attenzione.

Non appena riceve una percezione l’agente la cattura.
Se al momento l’agente è in una situazione di ricevere più percezioni, prima di continuare con la sua azione primaria, man mano che percepisce, fa dei test nel mondo.

Quando un agente agisce in modo da raccogliere più percezioni prima di continuare con la sua azione primaria, si parla di percezione attiva.

Parte del processo di campionamento serve a determinare la potenzialità per una azione.

Ciclo Azione-Percezione (segue)

Lorenz e Tinbergen pensavano a questo processo come dovuto ad un agente che ha un insieme di releasers per un certo task e ora si guarda attorno per verificare se essi ci sono o meno. Se una percezione prevede un’azione l’agente la compie. L’azione modifica l’ambiente circostante ma questo a sua volta modifica la valutazione della situazione da parte dell’agente. In qualche maniera il ciclo azione-percezione sembra sostenere una qualche rassomiglianza superficiale al paradigma gerarchico SENSE-PLAN-ACT.

Ciclo azione-percezione

Ciclo azione-percezione


Ciclo Azione-Percezione (segue)

Comunque si noti che:

  1. non vi è nessun box che contiene ACT;
  2. il ciclo non richiede la necessità di un planning ad ogni aggiornamento. L’azione è implicita nell’agente.

L’aspetto interessante di un ciclo è capire a che punto percezione e cognizione intervengono.
L’agente può sia dover acquisire più percezioni che portare a termine un compito. Infine un agente può o meno avere la necessità di pianificare un azione ad ogni aggiornamento.

Ciclo azione-percezione

Ciclo azione-percezione


Due funzioni della percezione

In entrambi i ruoli di releaser e guida per il behavior, la percezione filtra gli stimoli che arrivano a seconda del goal da perseguire. Questo è spesso riportato come percezione action-oriented dai robotici, quando vogliono distinguere un approccio percettivo dal paradigma gerarchico globale.

Molti animali hanno sviluppato dei sensori specializzati per i loro behavior. Ad esempio alcune rane che sono accovacciate nell’acqua tutto il giorno hanno gli occhi rivolti verso l’alto e una retina di divisione in cui la metà più bassa serve per vedere in acqua, la metà superiore in aria.

Gibson: approccio ecologico

Il dogma centrale dell’approccio di Gibson è: “il mondo è la migliore rappresentazione di se stesso”.

Il lavoro di Gibson è interessante perché complementa il ruolo della percezione nell’IRM ed è consistente con il ciclo azione-percezione.
Gibson postulò (e provò) l’esistenza di affordances.

Le affordances sono potenzialità percepibili dell’ambiente per un’azione.

Per esempio, per un piccolo di rondine artica, il colore rosso è percepibile e rappresenta il potenziale per l’alimentazione.

Gibson: approccio ecologico (segue)

Quindi una affordance può essere un modo più formale di definire lo stimolo esterno come IRM.
Ma come gli IRM, un affordance è solamente un potenziale, non conta finché tutte le altre condizioni non sono soddisfatte (il piccolo di rondine ha fame).

Un affordance può essere anche il percetto che guida il behavior. La presenza di rosso ad un piccolo di rondine artica affamato rilascia il behavior del cibo. Ma il behavior del cibo consiste nel beccare l’oggetto rosso. Quindi in questo caso, rosso è anche il percetto che è usato per guidare l’azione, così come per rilasciarlo.

Gibson: approccio ecologico (segue)

Gibson si riferì al suo lavoro come ad un “approccio ecologico” perché credeva che la percezione evolvesse per sostenere le azioni, e che è sciocco tentare di discutere la percezione indipendentemente dall’ambiente di un agente, e dai suoi comportamenti di sopravvivenza.
Per esempio, esiste una specie di api (le scavatrici) che preferisce un tipo speciale di papavero. Per molto tempo, gli scienziati non riuscivano a capire come le api riconoscessero quel tipo di papavero perché quando cambiava colore, diveniva indistinguibile da un altro tipo di papavero che cresceva nella stessa area. Odori, magnetismo? Niente. Allora guardarono il papavero sotto i raggi UV e IR e scoprirono che nelle bande non-visibili dell’IR quel tipo di papavero si distingueva dall’altra specie di papavero.

Gibson: approccio ecologico (segue)

E quindi gli scienziati furono capaci di localizzare nelle api le componenti retiniche sensibili a quelle bande.
L’ape e il papavero erano co-evoluti, quando il colore del papavero mutava verso una banda unica, alla stessa maniera la retina dell’ape si specializzava a rilevare quel colore.
Con una retina “accordata” con il papavero, l’ape non doveva fare alcun ragionamento su se c’era un papavero in vista, e, in tal caso, se esso era la specie di papavero giusta. Se quella radiazione IR era presente allora il papavero era là.

Gibson: approccio ecologico (segue)

I pescatori hanno sfruttato affordances fin dall’antichità.
Un’esca per la pesca tenta di enfatizzare quegli aspetti del cibo desiderato da un pesce, presentando lo stimolo il più forte possibile: se il pesce ha fame, lo stimolo dell’esca provocherà il nutrirsi.
In realtà le esche artificiali non sembrano ad un uomo molto simili al cibo che esse imitano ma ai pesci sì.

Quello che Gibson dice di interessante per i robotici è che un affordance è direttamente percepibile. Percezione diretta vuole dire che il processo che sente non richiede memoria, inferenza, o interpretazione. Questo significa un minimo calcolo che di solito si traduce in un tempo di esecuzione molto rapido quasi istantaneo su un computer o robot.

Affordance di esche per la pesca

Affordance di esche per la pesca


Gibson: approccio ecologico (segue)

Ma un agente davvero può percepire qualsiasi cosa di significativo senza fare uso della memoria, dell’inferenza, o dell’interpretazione?

Bene, certamente i piccoli di rondine artica non hanno bisogno di memoria o inferenza per ottenere cibo da un genitore. E loro sicuramente non interpretano il rosso nel senso di:

“oh, c’è una macchia rossa. È un piccolo ovale che è la forma corretta per Mamma ma quell’altra è quadrata, allora deve essere uno studente di etologia che tenta di imbrogliarmi.”

Per il piccolo di rondine artica , è semplicemente:
rosso = cibo, rosso più grande = meglio.

Gibson: approccio ecologico (segue)

Questo funziona per le creature umane?

Si consideri il camminare per una sala e qualcuno che getta qualche cosa verso di noi. Noi probabilmente ci abbassiamo. E’ anche probabile che chiniamo la testa senza riconoscere l’oggetto, anche se più tardi potremmo verificare che era solo una bolla di sapone.

La risposta è troppo veloce per qualunque ragionamento:
“Oh guarda, qualche cosa sta muovendosi verso me. Deve essere una pietra. Le pietre sono di solito dure. Io dovrei chinare la testa.”

Gibson: approccio ecologico (segue)

Noi probabilmente facciamo ricorso, invece, a un fenomeno così di base da non accorgercene, chiamato flusso ottico.

Il flusso ottico è un meccanismo neurale per determinare il movimento. Gli animali possono con esso determinare il tempo di contatto piuttosto facilmente. Noi probabilmente abbiamo familiarità con il flusso ottico quando guidiamo una macchina.

Quando guidiamo o stiamo in una macchina, gli oggetti davanti sembrano essere a fuoco chiaramente mentre il lato della strada è alquanto indistinto a causa della velocità. Il punto dello spazio dal quale la macchina si sta muovendo è il fuoco di espansione. Da questo punto esterno, c’è un effetto di sfocatura. Più è sfocato sui lati, e più veloce la macchina sta andando. (Questo effetto viene usato nei film di fantascienza per simulare viaggi più veloci della luce.)

Gibson: approccio ecologico (segue)

Questo pattern sfocato è noto come campo di flusso (perché può essere rappresentato da vettori, come un campo gravitazionale o magnetico).

E’ semplice, per una rete neurale, estrarre il tempo di contatto, rappresentato nella letteratura cognitiva dal simbolo τ, tra il sistema di visione e l’oggetto visto in movimento.

Gibson: approccio ecologico (segue)

I gannets (uccelli artici) e i saltatori con l’asta usano entrambi il flusso ottico per fare movimenti all’ultimo minuto, precisi come riflessi.
I gannets sono grandi uccelli che si tuffano da grandi altezze verso un pesce.
Poiché si tuffano da centinaia di metri nell’aria, essi devono usare le ali come superfici di controllo per dirigere il tuffo verso il pesce designato come bersaglio. Ma essi cadono a piombo così veloci che se colpissero l’acqua con le ali aperte le ossa cave si fracasserebbero.

Il gannet piega le ali poco prima di colpire l’acqua. Il flusso ottico trasforma il tempo di contatto, τ, in uno stimolo: quando il tempo di contatto diminuisce sotto una certa soglia, il gannet piega le ali!

Gibson: approccio ecologico (segue)

I saltatori con l’asta fanno a volte piccole rettifiche su dove piantare l’asta man mano che si avvicinano alla sbarra. Questa operazione è alquanto difficile dato che il saltatore con l’asta sta correndo alla velocità massima. Sembra che i saltatori con l’asta usino il flusso ottico piuttosto che la ragione (troppo lenta) su quale sia il posto migliore in cui piantare l’asta.

Il saltatore con l’asta non è l’unico esempio di creatura umana che usa il flusso ottico, è solo un caso che è stato ben documentato.

Gibson: approccio ecologico (segue)

In molte applicazioni, un programma di computer veloce può estrarre un affordance. Comunque, questo non è il caso (finora) del flusso ottico. I meccanismi neurali della retina si sono evoluti in maniera tale da fare il calcolo molto rapidamente.

Si sa che i ricercatori di computer vision stanno lottando da anni per duplicare la generazione di un campo di flusso ottico per un’immagine di una macchina fotografica.

Solo recentemente sono stati introdotti alcuni algoritmi che funzionano in tempo reale su computer normali. Il punto è che siamo ancora alquanto lontani dal poter simulare su un computer le affordances e i sensori specializzati.

Gibson: approccio ecologico (segue)

Le affordances non sono limitate alla visione.

Un affordance comune è quella della conoscenza di quando un contenitore è riempito quasi fino in cima.

Si pensi al riempimento di una brocca con acqua o al serbatoio di combustibile di una macchina.

Senza essere capace di vedere la cavità, una persona sa, quando il serbatoio è quasi pieno dal cambio del suono. Il cambio del suono è direttamente percepibile; la persona non ha bisogno di conoscere quale sia la taglia o la forma del volume che è riempito o anche quale sia il liquido.

Gibson: approccio ecologico (segue)

Una applicazione particolarmente affascinante di affordances in robotica, che serve anche ad illustrare che cosa sia un affordance, è la ricerca di Louise Stark e Kevin Bowyer.

Un problema apparentemente insormontabile in computer vision è riconoscere un oggetto in un’immagine. Letteralmente, il computer dovrebbe dire, “quella è una sedia” se è l’immagine di una sedia.

Un modo tradizionale di avvicinarsi al problema è stato quello di usare modelli strutturali. Un modello strutturale tenta di descrivere un oggetto in termini di componenti fisici: “Una sedia ha quattro gambe, un piano, ed uno schienale.”

Ma non per tutte le sedie va bene lo stesso modello strutturale. Una sedia per dattilografa ha solo una gamba, con un appoggio al fondo. Canestri appesi non hanno affatto gambe. Una panca non ha uno schienale.

Sistema GRUFF

Di qui si capisce chiaramente che l’approccio strutturale ha il problema che il computer deve avere accesso a molti modelli diversi.

Ai modelli strutturali manca anche la flessibilità. Se al robot è presentato un genere nuovo di sedia (per esempio un water che sembra una sedia o un secchio dell’immondizia rovesciato), il robot non è capace di riconoscerlo senza che qualcuno non costruisca esplicitamente un altro modello strutturale.

Stark e Bowyer esplorarono un’alternativa all’approccio strutturale chiamato GRUFF.

GRUFF identifica le sedie sulla base della funzione piuttosto che della forma.

Gibson: approccio ecologico (segue)

Per la percezione Gibsoniana, una sedia dovrebbe essere una sedia perché ci permette di sedere, o soddisfa la funzione del sedersi.
E queste affordance di sedibilità dovrebbero essere caratteristiche che possono essere estratte da un’immagine purchè siano:
Senza memoria (l’agente non ha bisogno di memorizzare tutte le sedie del mondo).
Senza inferenza (il robot non ha bisogno di ragionare: “se ha 4 gambe, ed un piano ed uno schienale, allora è una sedia; noi siamo in un’area che dovrebbe avere molte sedie, così questo aumenta la probabilità che sia una sedia”).
Senza un’interpretazione dell’immagine (il robot non ha bisogno di ragionare: c’è un pezzo di bracciolo, ed un cuscino,… “).
Un computer dovrebbe essere solo capace di guardare un’immagine e dire se c’è qualche cosa in quella immagine su cui è possibile sedersi o non.

Stark e Bowyer

Stark e Bowyer rappresentano la sedibilità come una superficie continua a un ragionevole livello da terra che abbia almeno la taglia del sedere di una persona a un’altezza pari a quella media delle ginocchia. (Qualunque cosa utilizzabile come appoggio serve a specificare un tipo di sedia.)

Stark e Bowyer scrissero un programma di computer che accettava disegni CAD/CAM di studenti che tentarono di mettere giù cose non-intuitive che potessero servire come sedie (come water, cesti capovolti, secchi per l’immondizia). Il programma di computer era capace di identificare correttamente superfici sedibili che erano sfuggite anche agli studenti.

Stark e Bowyer

Bisogna osservare che Stark e Bowyer erano esitanti nel fare dichiarazioni circa quello che questo ci dice sulla percezione Gibsoniana.

L’algoritmo di computer vision può comunque essere accusato di fare delle inferenze ed interpretazioni (“quello è il sedile, quella è l’altezza corretta”). Ma d’altra parte questo livello di inferenza ed interpretazione è significativamente diverso che quello utilizzato nel tentare di determinare la struttura delle gambe, ecc. e la relazione tra taglia del sedile ed altezza potrebbe essere rappresentata in una rete neurale speciale che potrebbe essere evocata ogni qualvolta il robot o l’animale sono stanchi e vogliono sedersi.

Il robot comincerebbe a osservare che potrebbe sedersi su una sporgenza o una grande pietra se una sedia o una panca non fossero nei dintorni.

Sistema GRUFF

Affordance di sedie. Fonte: catalogo Ikea.

Affordance di sedie. Fonte: catalogo Ikea.


  • Contenuti protetti da Creative Commons
  • Feed RSS
  • Condividi su FriendFeed
  • Condividi su Facebook
  • Segnala su Twitter
  • Condividi su LinkedIn
Progetto "Campus Virtuale" dell'Università degli Studi di Napoli Federico II, realizzato con il cofinanziamento dell'Unione europea. Asse V - Società dell'informazione - Obiettivo Operativo 5.1 e-Government ed e-Inclusion