Skip to main content

Interaktive Planung in Assistenzszenarien mit unsicherer Information

  • Chapter
  • First Online:
Planbasierte Mensch-Maschine-Interaktion in multimodalen Assistenzsystemen

Part of the book series: Xpert.press ((XPERT.PRESS))

  • 4118 Accesses

Zusammenfassung

Die Übersetzung von Concurrent Task Trees in GOLOG-Programme dient letztlich dem Zweck, während der Durchführung einer Assistenzaufgabe zu überprüfen, ob einzelne Schritte, die zur Lösung eines Tasks unternommen werden, mit den im Concurrent Task Tree vorhergesehenen kompatibel sind.

Eine effektive Überprüfung ist Voraussetzung dafür, die Anforderungen an Assistenzsysteme aus Abschn. 2.4 umzusetzen. Da GOLOG, aber auch allgemeiner der Situationskalkül alleine dazu nicht ausreicht, ist eine Neukonzeption eines an konkrete Domänen adaptierbaren Assistenzsystems erforderlich. Sie soll die oben aufgeworfenen Fragen beantworten und erfolgt in vier Schritten:

  1. 1.

    Erweiterung von GOLOG um die Fähigkeit, unvollständige Information zu verarbeiten. GOLOG kann daher nach wie vor als theoretisches Fundament für die Semantik der Interpretation von Concurrent Task Trees dienen.

  2. 2.

    Erweiterung von GOLOG um die Fähigkeit, formallogisch gleichwertige Alternativen bewerten und nach dieser Bewertung auswählen zu können.

  3. 3.

    Reformulierung der GOLOG-Spezifikation einer Assistenzdomäne als Planungsproblem, so dass das Assistenzsystem eigene, auf die Lösung eines Tasks bezogene Schritte planen kann. Auf dieser Basis können dann unterschiedliche Planungsverfahren dahingehend verglichen werden, ob sie die Anforderungen an Assistenzsysteme erfüllen können.

  4. 4.

    Diskussion der Frage, wie bei der Planung Tasks trotz nichtdeterministischer Ergebnisse zur zielführenden Assistenz herangezogen werden können.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 49.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever
Hardcover Book
USD 49.99
Price excludes VAT (USA)
  • Durable hardcover edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Notes

  1. 1.

    Das Anwendungsspektrum ist groß – einige Beispiele sind Experten-Systeme auf Grundlage von Bayes-Netzen, Lokalisierungsaufgaben in der Robotik (siehe [1]) oder auch Dialogmodelle (siehe [2]).

  2. 2.

    Eine allgemeine Typisierung der Vorgänge findet sich in Abschn. 3.3.

  3. 3.

    Dazu sei angenommen, dass meet impliziert, dass der Nutzer nicht weiter den Navigationsanweisungen folgt, und in dem Moment, in dem er eine Person trifft, nicht gleichzeitig ein Gebäude betritt.

  4. 4.

    Die Problematik, wie diese Verteilung ermittelt werden kann, wurde bereits angesprochen.

  5. 5.

    Die dafür notwendige Wahrscheinlichkeitsverteilung muss auch in der GOLOG-Domäne für das Anwendungsszenario spezifiziert werden.

  6. 6.

    Vergleiche dazu auch später den Abschn. 7.7.

  7. 7.

    Concurrent Task Trees sind also eine Art „Erwartungswert“ über viele typische Abläufe zu verstehen.

  8. 8.

    Fluenten zur Beschreibung des Status eines in GOLOG formulierten Tasks sind in Abschn. 5.5 diskutiert worden.

  9. 9.

    Systemaktionen werden in das Modell integriert, indem die Liste u i der primitiven Aktionen um die (deterministischen Realisierungen nichtdeterministischer) Systemaktionen erweitert wird.

  10. 10.

    \(x^{t}\in\{x_{1},..,x_{N}\}\) ist der zum Zeitpunkt t eingenommene Zustand (vgl. siehe Abb. 6.8).

  11. 11.

    Endzustand der Planung ist derjenige Endzustand der optimalen Aktion, in dem die Bewertung am höchsten war. Ist die Aktion deterministisch, ist der Endzustand durch die Zustandsüberführungsrelation eindeutig festgelegt.

  12. 12.

    Es ist ja auch der Zusammenhang zwischen Aktion und Beobachtung nichtdeterministisch.

  13. 13.

    Korrekte Trainingsdaten sind aber in der Praxis nicht immer gegeben; sofern sie nicht durch Nachbearbeitung korrigiert werden können, bleibt nur die Hoffnung, dass sie statistisch irrelevant sind.

  14. 14.

    Verschiedene Ansätze zur Approximation des Suchraums sind bei [1] in Kap. 16 ausführlich erläutert.

  15. 15.

    Dabei wird die Identität \(p^{2}_{2}=1-p^{2}_{1}\) benutzt. Überdies sind alle Terme mit Übergangswahrscheinlichkeit 0 eliminiert.

  16. 16.

    Dieser Effekt ist aufgrund der Formel \(\sum_{X^{T-}1}P(Z^{T}|X^{T})\cdot P(X^{T}|U^{T},X^{T-1})\) schwer auf einzelne Ursachen zurückführbar.

  17. 17.

    Siehe dazu auch die Diskussion dieses Themas aus Sicht eines Assistenzmodells in Abschn. 2.3.3.

  18. 18.

    Die Frage nach der Repräsentation eines Assistenzziels für eine Aufgabe in einer konkreten Situation und ihrer Auswirkungen auf Algorithmen, die den Anforderungen an Assistenzsysteme gerecht werden können, wird auch noch Thema in Abschn. 6.7.4 sein.

  19. 19.

    Die Erklärung der Korrektur ist allerdings, wie oben besprochen, sehr schwierig.

  20. 20.

    Vergleiche dazu auch die Diskussion des Zusammenhangs zwischen Prozessalgebren und Prozessgraphen in [14].

  21. 21.

    Damit dies überhaupt effektiv ist, ist von einer endlichen Domäne, d. h. insbesondere von einer endlichen Zahlen an Funktionstermen, auszugehen. In Assistenzszenarien ist diese Voraussetzung realistisch.

  22. 22.

    Das gilt, solange Aussagen über eine Situation nur aus variablenfreien Literalen bestehen dürfen. Lässt man allgemeinere first order-Formeln zu, charakterisiert dieselbe Menge an Formeln i. a. mehrere Situationen.

  23. 23.

    Bei der Domänenmodellierung für Assistenzsysteme ergibt sich die Endlichkeit des Vokabulars aus der Task-Analyse. Zur Liste der Objektnamen wird später bei der Diskussion der closed world assumption festzuhalten sein, dass sie – um Effektivität zu garantieren – zwar nicht unendlich sein kann, aber – um den Anforderungen an Assistenzsysteme gerecht zu werden – eben auch nicht unveränderlich.

  24. 24.

    Vgl. dazu Abschn. 6.3

  25. 25.

    Dazu müssen – wie bei Prolog – die Variablen in den Vorbedingungen konsistent mit der Belegung der Parameter der Aktion durch tatsächliche Argumente ersetzt werden.

  26. 26.

    Siehe dazu auch [15], Kap. 2 und [6], Kap. 4.

  27. 27.

    Die Analogie zu \(\text{Do}(\delta^{\ast},s)\) in Abschn. 5.2.4 ist nicht zu übersehen.

  28. 28.

    Da der Graph kein Baum sein muss, kann es mehrere Aktionssequenzen von f nach g geben.

  29. 29.

    Dieser Sinnspruch wird dem chinesischen Philosophen Lao Tse zugeschrieben.

  30. 30.

    Vom lateinischen Verbum regredi: zurückgehen.

  31. 31.

    Die Suche kann noch stark beschleunigt werden, wenn nicht irgendwelche variablenfreien Aktionsterme a betrachtet werden, sondern nur solche, die mit den Fluenten unifiziert werden können.

  32. 32.

    Wer könnte auch garantierten, dass Aktionen weniger Vorbedingungen als Effekte haben?

  33. 33.

    Zwischen s und F 1 existieren Kanten, die mit enter markiert sind, aber auch mit follow markierte Kanten.

  34. 34.

    D. h. also: soll eine Lösung zum Planungsproblem für s und g gefunden werden.

  35. 35.

    Dazu nehmen wir an dass es in der Domäne keine andere Aktion gebe, die \(\text{{isFollowing}}(u)\) als positiven oder negativen Effekt hat.

  36. 36.

    Natürlich kann auch eine einzige Aktion eines der Fluenten-Paare als Effekt haben.

  37. 37.

    Vergleiche dazu auch [6].

  38. 38.

    Siehe [6] zu Details der Rückwärtssuche.

  39. 39.

    Auf die dazu notwendigen Modellierungsannahmen kommen wir später in diesem Kapitel zu sprechen.

  40. 40.

    Der negative Fluent kann ja in einem späteren Schritt wieder positiver Effekt einer Aktion sein. Diese Information ist aber bei der Bewertung der aktuellen Aktion nicht bekannt.

  41. 41.

    Eine ausführliche Diskussion des A\({}^{\ast}\)-Algorithmus gibt [17].

  42. 42.

    Daher wird in der Literatur zur Planung statt von negativen Effekten meist von DELETE-Effekten gesprochen: bei der Definition von \(\gamma(.,.)\) werden sie explizit entfernt (siehe oben).

  43. 43.

    Siehe dazu das ausführliche Skriptum von Malte Helmert: http://www.informatik.uni-freiburg.de/~ki/teaching/ws0809/aip/aip07-handout4.pdf (letzter Aufruf der Seite: 19.03.2015)

  44. 44.

    Siehe dazu [6].

  45. 45.

    Siehe [6], S. 203

  46. 46.

    Siehe [6], S. 205 und [19, 20, 21]

  47. 47.

    Ghallab et al. [6] gibt darüber einen ausführlichen Überblick.

  48. 48.

    Die Mengen S und A wurden in Abschn. 6.6 eingeführt.

  49. 49.

    Siehe dazu Abb. 6.3.

  50. 50.

    Ein Beispiel aus dem Navigationsszenario: Eine Frau, die abends alleine unterwegs ist, möchte Nebenstraßen und einsame Haltestellen vermeiden.

  51. 51.

    Zu den observe-aktionen siehe Abschn. 6.3.

  52. 52.

    Siehe dazu beispielsweise [6], Kap. 12.

  53. 53.

    Details zu Algorithmen und Komplexität des Konformanten Planens sind in [22] oder in [23] dargestellt.

  54. 54.

    Wandke [25] versteht unter Effektkontrolle, dass ein Assistenzsystem dem Nutzer Rückmeldung über die Auswirkungen einer Handlung – im Bezug auf ein Ziel – geben und bewerten kann, inwieweit die Lösung der aktuellen Aufgabe erreicht ist.

  55. 55.

    Diese Planungssprache ist in [27] definiert.

  56. 56.

    Da sich Beobachtungen, die mit Hilfe diskreter Sensoren durchgeführt werden, immer als Fluent formulieren lassen, stellt diese Form der Beobachtung keine Einschränkung dar.

  57. 57.

    Die Details zu diesem Vorgang sind in [32] erläutert.

  58. 58.

    Dabei verwendet er unter Umständen verschiedene Algorithmen: er klassifiziert verrauschte Messwerte, er berechnet Werte mit Hilfe numerischer Modelle für physikalische Vorgänge, er verarbeitet symbolische Daten über seine Umgebung usw.

  59. 59.

    Über die in diesem Abschnitt skizzierten Grundlagen zu Hierarchischen Task-Netzwerken hinaus gehende Information findet sich z. B. in Kap. 11 von [6].

  60. 60.

    Die folgende Definition ist aus [36] entnommen.

  61. 61.

    Die Interpretation von GOLOG-Prozeduren wurde in Abschn. 5.4 beschrieben.

  62. 62.

    Die Darstellung ist adaptiert von [6].

  63. 63.

    Vergleiche dazu die Definition einer Methode in [36].

  64. 64.

    Die Notwendigkeit zur Interaktion von Planen und Ausführen von Plänen wurde in Abschn. 6.6.11 erörtert.

  65. 65.

    Siehe dazu beispielsweise [45].

  66. 66.

    Sie wird Thema des folgenden Kapitels sein.

  67. 67.

    Die Tatsache, dass ein Benutzer einige Parameter eines Druckertreibers einstellen kann, weist ihm einen gewissen Grad an Interaktivität zu; damit kann aber weder die Aufgabe noch der Ablauf der Assistenz modifiziert werden.

  68. 68.

    Siehe dazu das Beispiel in Abschn. 3.2.2.

  69. 69.

    Während der Ausführung des Plans müssen eventuell Entscheidungen (z. B. über die vorzuschlagende Verbindung) revidiert werden, um die Erfüllbarkeit der Aufgabe sicherzustellen.

  70. 70.

    Details hierzu in z. B. in [46] beschrieben.

  71. 71.

    Dies geschieht unter Zuhilfenahme der Operatoren, die in Abschn. 6.7.2 erläutert worden sind.

  72. 72.

    Im Rahmen dieser Arbeit soll gar nicht erst der Versuch gemacht werden, Algorithmen anzugeben, die diese Abbildung leisten könnten. Diese Frage kann sinnvollerweise erst bearbeitet werden, nachdem auf der technischen Seite geklärt ist, wie Ziele beschrieben werden können, und welche Lösungsalgorithmen dafür zur Verfügung stehen – genau dadurch ist der Fokus dieser Arbeit beschrieben.

  73. 73.

    Der Algorithmus liefert dann eine Lösung, wenn aus den vom Benutzer als interessant gekennzeichneten Veranstaltungen eine Teilmenge gefunden werden kann, die innerhalb des durch die Lange Nacht vorgegebenen Zeitrahmens und mit minimalem Aufwand für Ortswechsel besucht werden kann.

  74. 74.

    Dieses Konzept der Hierarchisierung der für die Unterstützung des Nutzers durchzuführenden (Assistenz-)Funktionen wird in Kap. 7 genau besprochen.

  75. 75.

    Die Informationen sind den aktuellen Bedienungsanleitungen entnommen, die auf der Webseite https://www.loewe.de/de/support/allgemeine-support-themen/bibliothek-bedienungsanleitungen.html abrufbar sind (letzter Aufruf der Seite: 19.06.2010).

  76. 76.

    Natürlich setzt dies voraus, dass die formale Sprache und das benutzte Vokabular mit denen des TV-Geräts konsistent ist.

  77. 77.

    Die Autoren benutzen die Planungssprache PDDL, die für die zu übersetzenden HTN hinreichend ausdrucksstark ist.

Literatur

  1. S. Thrun, W. Burgard, D. Fox, Probabilistic Robotics (MIT Press, 2005)

    Google Scholar 

  2. J.D. Williams, in Proc Interspeech 2008 (Brisbane, Australia, 2008), S. 1173–1176

    Google Scholar 

  3. R. Reiter, Knowledge in Action: Logical Foundations for Specifying and Implementing Dynamical Systems (MIT Press, 2001)

    Google Scholar 

  4. H. Jungermann, H.R. Pfister, K. Fischer, Die Psychologie der Entscheidung – Eine Einführung, 2nd edn. (Elsevier Spektrum Akademischer Verlag, 2009)

    Google Scholar 

  5. C. Gonzalez, J.F. Lerch, C. Lebiere, Cogn. Sci. 27, 591 (2003)

    Google Scholar 

  6. M. Ghallab, D. Nau, P. Traverso, Automated Planning – Theory and Practice (Elsevier, 2004)

    Google Scholar 

  7. M.L. Puterman, Markov Decision Processes: Discrete Stochastic Dynamic Programming (Wiley-Interscience, 1994)

    Google Scholar 

  8. C. Watkins, Learning from delayed rewards. Ph.D. thesis, University of Cambridge,England (1989)

    Google Scholar 

  9. R.S. Sutton, A.G. Barto, Reinforcement Learning: An Introduction (MIT Press, 1998)

    Google Scholar 

  10. C. Linnhoff-Popien, H. König, Nachrichtentechnik/Elektronik (1990)

    Google Scholar 

  11. C. Linnhoff-Popien, H. König, Syst. Anal. Model. Simul. 8(4) (1990)

    Google Scholar 

  12. J.C.M. Baeten, T. Basten, M.A. Reniers, Process Algebra: Equational Theories of Communicating Processes (Cambridge University Press, 2010)

    Google Scholar 

  13. J.E. Hopcroft, R. Motwani, J.D. Ullman, Introduction to Automata Theory, Languages, and Computation, 3rd edn. (Addison Wesley, 2006)

    Google Scholar 

  14. W.J. Fokkink, Introduction to Process Algebra, 2nd edn. EATCS (Springer, 2007)

    Google Scholar 

  15. J. Hertzberg, Planen – Einführung in die Planungsmethoden der Künstichen Intelligenz (BI-Wissenschaftsverlag, 1989)

    Google Scholar 

  16. A. Blum, M. Furst, Artif. Intell. 90, 281 (1997)

    Google Scholar 

  17. N. Nilsson, Principles of Artificial Intelligence (Morgan Kaufmann, San Francisco, 1980)

    Google Scholar 

  18. M. Helmert, Understanding Planning Tasks: Domain Complexity and Heuristic Decomposition, Lecture Notes in Artificial Intelligence, vol. 4929 (Springer, Heidelberg, 2008)

    Google Scholar 

  19. C. Betz, M. Helmert, in Proceedings of the 32nd Annual German Conference on Artificial Intelligence (KI 2009) (Springer, 2009), S. 9–16

    Google Scholar 

  20. G. Röger, M. Helmert, in Proceedings of the 20th International Conference on Automated Planning and Scheduling (ICAPS 2010) (2010)

    Google Scholar 

  21. G. Röger, M. Helmert, The more, the merrier: Combining heuristic estimators for satisficing planning. Tech. rep., Albert-Ludwigs-Universität Freiburg, Institut für Informatik (2010)

    Google Scholar 

  22. B. Bonet, H. Geffner, in Proc. 5th Int. Conf. on AI Planning and Scheduling (AIPS 2000) (AAAI Press, Colorado, 2000), S. 52–61

    Google Scholar 

  23. J. Hoffmann, R.I. Brafman, Artif. Intell. 170(6-7), 507 (2006)

    Google Scholar 

  24. J. Hoffmann, R.I. Brafman, in Proceedings of ICAPS’05 (AAAI, 2005), S. 71–80

    Google Scholar 

  25. H. Wandke, Theor. Issues Ergonomics Sci. 6(2), 129 (2005)

    Google Scholar 

  26. G. Röger, M. Helmert, B. Nebel, in KR, ed. by G. Brewka, J. Lang (AAAI Press, 2008), S. 544–550

    Google Scholar 

  27. M. Fox, D. Long, J. Artif. Intell. Res. (JAIR) 20, 61 (2003)

    Google Scholar 

  28. H. Palacios, H. Geffner, in Proc. 17th Int. Conf. on Planning and Scheduling (ICAPS-07) (Providence, 2007)

    Google Scholar 

  29. A. Albore, H. Palacios, H. Geffner, in Proc. IJCAI-09 (Pasadena, 2009)

    Google Scholar 

  30. A. Albore, H. Palacios, H. Geffner, in Proc. 12th Conf. Spanish AI (CAEPIA-07), no. 4788 in Lecture Notes in Computer Sciencs (Springer, Salamanca, 2007), S. 1–10

    Google Scholar 

  31. R.I. Brafman, J. Hoffmann, in ICAPS, ed. by S. Zilberstein, J. Koehler, S. Koenig (AAAI, 2004), S. 355–364

    Google Scholar 

  32. T. Bauereiß, Automatische Übersetzung von ctt in pddl. Master’s thesis, Lehrstuhl für Künstliche Intelligenz, Universität Erlangen-Nürnberg (2009)

    Google Scholar 

  33. M. Lekavy, P. Navrat, in Agent and multi-agent Systems. Technologies and applications. 1st KES International Symposium, KES-AMSTA 2007, Lecture Notes in Artificial Intelligence, vol. 4496 (Springer, Wroclaw (Poland), 2007), Lecture Notes in Artificial Intelligence, vol. 4496, S. 121–130

    Google Scholar 

  34. H. Palacios, H. Geffner, in Proc. 21st Nat. Conf. on Artificial Intelligence (AAAI-06) (Boston, 2006)

    Google Scholar 

  35. H. Palacios, H. Geffner, JAIR S. 623–675 (2009)

    Google Scholar 

  36. O. Ilghami, Documentation for jshop2. Tech. rep., Department of Computer Science, University of Maryland, College Park, MD 20742, USA (2006)

    Google Scholar 

  37. A. Tate, in Proceedings of the International Joint Conference on Artificial Intelligence (1977), S. 888–893

    Google Scholar 

  38. A. Tate, B. Drabble, R. Kirby, in Intelligent Scheduling (Morgan Kaufmann, 1994), S. 213–239

    Google Scholar 

  39. A. Tate, in Research and Development in Intelligent Systems XVII, Proceedings of ES2000, The Twentieth British Computer Society Special Group on Expert Systems International Conference on Knowledge Based Systems and Applied Artificial Intelligence (Springer, Cambrige, UK, 2000), S. 3–16

    Google Scholar 

  40. D.E. Wilkins, Comput. Intell. 6(4), 232 (1990)

    Google Scholar 

  41. K. Erol, J. Hendler, D.S. Nau, in Proc. International Conference on AI Planning Systems (AIPS) (1994), S. 249–254

    Google Scholar 

  42. D.S. Nau, Y. Cao, A. Lotem, H. Munoz-Avila, in IJCAI’99: Proceedings of the 16th international joint conference on Artificial intelligence (Morgan Kaufmann, San Francisco, 1999), S. 968–973

    Google Scholar 

  43. D. Nau, O. Ilghami, U. Kuter, J.W. Murdock, D. Wu, F. Yaman, J. Artif. Intell. Res. 20, 379 (2003)

    Google Scholar 

  44. K. Erol, J. Hendler, D.S. Nau, in Annals of Mathematics and Artificial Intelligence (1995), S. 69–93

    Google Scholar 

  45. F.Y. N. Fazil Ayan, Ugur Kuter, R. Goldman, in Proceedings of the ICAPS-07 Workshop on Planning and Plan Execution for Real-World Systems – Principles and Practices for Planning in Execution (2007)

    Google Scholar 

  46. R. Schaller, M. Harvey, D. Elsweiler, in Advances in Information Retrieval, Lecture Notes in Computer Science, vol. 8416, ed. by M. de Rijke, T. Kenter, A. de Vries, C. Zhai, F. de Jong, K. Radinsky, K. Hofmann (Springer, 2014), S. 681–686. 10.1007/978-3-319-06028-6_76. http://dx.doi.org/10.1007/978-3-319-06028-6_76

  47. B. Ludwig, B. Zenker, in IMC 2009, CCIS, vol. 53, ed. by D. Tavangarian, T. Kirste, D. Timmermann (Springer, Rostock, 2009), CCIS, vol. 53, S. 97–107

    Google Scholar 

  48. R. Schaller, M. Harvey, D. Elsweiler, in Proceedings of the 36th International ACM SIGIR Conference on Research and Development in Information Retrieval (ACM, New York, 2013), SIGIR ’13, S. 953–956. 10.1145/2484028.2484119. http://doi.acm.org/10.1145/2484028.2484119

  49. A. Gerevini, U. Kuter, D.S. Nau, A. Saetti, N. Waisbrot, in M. Ghallab, C.D. Spyropoulos, N. Fakotakis, N.M. Avouris (eds.). ECAI 2008 - 18th European Conference on Artificial Intelligence, Patras, Greece, July 21-25, 2008, Proceedings, Frontiers in Artificial Intelligence and Applications, vol. 178 (IOS Press, 2008), S. 573–577

    Google Scholar 

  50. R. Alford, U. Kuter, D.S. Nau, in C. Boutilier (ed.).IJCAI 2009, Proceedings of the 21st International Joint Conference on Artificial Intelligence, Pasadena, July 11–17, 2009 (2009), S. 1629–1634

    Google Scholar 

  51. J. Hoffmann, B. Nebel, J. Artif. Intell. Res. (JAIR) 14, 253 (2001)

    Google Scholar 

  52. R. Schaller, in STAIRS 2014 - Proceedings of the 7th European Starting AI Researcher Symposium, Prague, Czech Republic, August 18-22, 2014 (2014), S. 260–269. 10.3233/978-1-61499-421-3-260. http://dx.doi.org/10.3233/978-1-61499-421-3-260

  53. R. Schaller, D. Elsweiler, in Proceedings of the 5th Information Interaction in Context Symposium (ACM, New York, 2014), IIiX ’14, S. 185–194. 10.1145/2637002.2637024. http://doi.acm.org/10.1145/2637002.2637024

Download references

Author information

Authors and Affiliations

Authors

Corresponding author

Correspondence to Bernd Ludwig .

Rights and permissions

Reprints and permissions

Copyright information

© 2015 Springer-Verlag Berlin Heidelberg

About this chapter

Cite this chapter

Ludwig, B. (2015). Interaktive Planung in Assistenzszenarien mit unsicherer Information. In: Planbasierte Mensch-Maschine-Interaktion in multimodalen Assistenzsystemen. Xpert.press. Springer Vieweg, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-44819-9_6

Download citation

  • DOI: https://doi.org/10.1007/978-3-662-44819-9_6

  • Published:

  • Publisher Name: Springer Vieweg, Berlin, Heidelberg

  • Print ISBN: 978-3-662-44818-2

  • Online ISBN: 978-3-662-44819-9

  • eBook Packages: Computer Science and Engineering (German Language)

Publish with us

Policies and ethics