Планирование многоэтапной деятельности интеллектуальным роботом в условиях неопределенности

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Показана актуальность создания интеллектуальных роботов различного назначения, способных эффективным образом решать сложные многоэтапные задачи целенаправленной деятельности в априори неописанных проблемных средах. Предложены оригинальные по содержанию элементы продукционной модели представления знаний безотносительно к конкретной предметной области. Построенная таким образом модель представления знаний позволяет интеллектуальным роботам автоматически планировать целенаправленную деятельность в условиях неопределенности, опираясь на обобщенное описание возможных закономерностей проблемной среды. Разработаны процедуры автоматического синтеза графа “видимости”, определяющего формальным образом воспринимаемый интеллектуальным роботом участок проблемной среды. Это, в свою очередь, позволяет роботу автоматически формировать локально-оптимальный маршрут целенаправленного перемещения в априори неописанных условиях функционирования. Синтезированы процедуры автоматического планирования интеллектуальным роботом целенаправленной деятельности, связанной с преобразованием текущей ситуации проблемной среды в заданную целевую ситуацию в условиях неопределенности.

Об авторах

В. Б Мелехин

Дагестанский государственный технический университет

Email: pashka1602@rambler.ru
Махачкала

М. В Хачумов

Институт программных систем им. А.К. Айламазяна РАН;Федеральный исследовательский центр “Информатика и управление” РАН;Российский университет дружбы народов

Email: khmike@inbox.ru
г. Переславль-Залесский;Москва

Список литературы

  1. Melekhin V.B., Khachumov M.V. Planning polyphasic behavior of autonomous intelligent mobile systems in uncertain environments // Inform. Control. Syst. 2021. V. 113. No. 4. P. 28-36.
  2. Амосов Н.М. Алгоритмы разума. Киев: Наукова думка, 1979.
  3. Kelly A. Mobile Robotics: Mathematics, Models, and Methods. Cambridge: Cambridge University Press, 2013.
  4. Давыдов О.И., Платонов А.К. Роботы и искусственный интеллект. Технократический подход // Препринт ИПМ им. М.В. Келдыша. 2017. № 112. 24 с.
  5. Гаазе-Рапопорт М.Г., Поспелов Д.А. От амебы к роботу. Модели поведения. 4 изд., стереотип. М.: URSS, 2019.
  6. Kober J., Peters J. Learning Motor Skills: From Algorithms to Robot Experiments. Cham: Springer, 2014.
  7. Абасов И.Б., Игнатьев В.В., Орехов В.В. Дизайн автономного мобильного робототехнического комплекса // Междунар. науч.-исслед. журн. 2019. № 1-1. С. 3340-3351.
  8. Russell S., Norvig P. Artificial Intelligence: A Modern Approach. 4 ed. Pearson, 2020.
  9. Вагин В.Н. Дедуктивный вывод на знаниях / Искусственный интеллект. В 3-х кн. Кн. 2. Методы и модели. Справочник: под ред. Д.А. Поспелова. М.: Радио и связь, 1990. С. 89-105.
  10. Абросимов В.К. Нейронная пространственно-временная модель движения объектов управления // Нейрокомпьютеры. Разработка, применение. 2014. № 3. С. 26-35.
  11. Бодин О.Н., Безбородова О.Е., Спиркин А.Н., Шерстнев В.В. Бионические системы управления робототехническими комплексами. Пенза: ПГУ, 2022.
  12. Редько В.Г. Эволюция, нейронные сети, интеллект: Модели и концепции эволюционной кибернетики. М.: Ленанд, 2019.
  13. Каляев А.В., Чернухин Ю.В., Носков В.Н., Каляев И.А. Однородные управляющие структуры адаптивных роботов. М.: Наука, 1990.
  14. Мелехин В.Б., Хачумов М.В. Планирование поведения автономных интеллектуальных систем в условиях неопределенности: под ред. проф. М.В. Хачумова. СПб.: Политехника, 2022.
  15. Павловский В.Е., Павловский В.В. Технологии SLAM для подвижных роботов: состояние и перспективы // Мехатроника, автоматизация, управление. 2016. Т. 1. № 6. С. 384-394.
  16. Labbe M., Michaud F. RTAB-Map as an open-source lidar and visual simultaneous localization and mapping library for large-scale and long-term online operation // Field Robotics. 2019. No. 35. P. 416-446.
  17. Носков В.П., Рубцов И.В. Ключевые вопросы создания интеллектуальных мобильных роботов // Инженер. журн.: наука и инновации. 2013. Вып. 3. С. 1-11.
  18. Заева К.А., Семенов А.Б. Метод маршрутизации с препятствиями на основе параллельных вычислений // Вестник ТвГУ. Прикладная математика. 2016. Вып. 3. С. 85-95.
  19. Tomas L.P., Michael A.W. An algorithm for planning collision-free paths among polyhedral obstacles // Commun. ACM. 1979. Vol. 22. No. 10. P. 560-570.
  20. Поспелов Д.А. Ситуационное управление: теория и практика. 2-е изд., стереотип. М.: URSS, 2022.
  21. Мелехин В.Б., Хачумов М.В. Элементы понятийного мышления в планировании поведения автономных интеллектуальных агентов // Мехатроника, автоматизация, управление. 2021. Т. 22. № 8. С. 411-419.
  22. Melekhin V.B., Khachumov M.V. Fuzzy semantic networks as an adaptive model of knowledge representation of autonomous intelligent systems // Sci. Tech. Inf. Process. 2021. Vol. 48. No. 5. P. 1-8.
  23. Заде Л. Понятие лингвистической переменной и его применение для принятия приближенных решений: пер. с англ. М.: Мир, 1976.
  24. Мелехин В.Б., Хачумов М.В. Процедуры самообучения автономных интеллектуальных мобильных систем в нестабильных априори неописанных проблемных средах // Мехатроника, автоматизация, управление. 2022. Т. 23. №7. С. 356-366.
  25. Мелехин В.Б., Хачумов М.В. Принцип построения процедур планирования поведения автономных интеллектуальных роботов на основе полипеременных условно-зависимых предикатов // АиТ. 2022. № 4. С. 140-154.

© Российская академия наук, 2023

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах