Планирование целенаправленной деятельности автономным интеллектуальным роботом с обновлением знаний в кратковременной памяти

Обозначены основные проблемы, связанные с созданием автономных интеллектуальных роботов, способных выполнять различные сложные задания в априори неописанных нестабильных проблемных средах, опираясь на обработку абстрактным образом представленных знаний. Для хранения типовых элементов абстрактной модели представления знаний в статье рекомендовано использовать долговременный и кратковременный виды памяти. Долговременная память с ассоциативным поиском и выборкой данных предназначена для хранения на постоянной основе сведений, необходимых для планирования разнообразной целенаправленной деятельности, обеспечивающей роботу возможность решения различных сложных задач поведения. В кратковременную память заносятся из долговременной памяти подмодели представления знаний, необходимые для решения в краткосрочном периоде текущей задачи определенного вида, связанной с выполнением сформулированного автономному интеллектуальному роботу задания. При этом с каждой сменой вида текущей решаемой автономным интеллектуальным роботом задачи поведения одновременно осуществляется и соответствующее обновление знаний, хранящихся в кратковременной памяти.

Разработаны оригинальные конструкции типовых элементов модели представления абстрактных знаний в виде различных навыков поведения, заданных безотносительно к конкретной предметной области. Такой подход к построению модели представления знаний позволяет автономным интеллектуальным роботам адаптироваться к текущим условиям функционирования и на этой основе организовать целенаправленную деятельность в сложных нестабильных проблемных средах. Предложены различные инструментальные средства и правила обработки абстрактных знаний, наделяющие автономных интеллектуальных роботов способностью устранять различия, имеющиеся между текущей и целевой ситуациями проблемной среды, как по значениям структурно эквивалентных одноименных в них отношений, так и по текущим состояниям находящихся в среде объектов. Это, в свою очередь, позволяет создавать интеллектуальные решатели задач для автономных интеллектуальных роботов различного назначения, способных выполнять сложные задания в нестабильных априори неопределенных условиях проблемной среды.

1. Курпатов А. В. Мышление. Системное исследование. М.: Капитал, 2022. 672 с.

2. Потапов А. С. Искусственный интеллект и универсальное мышление. СПб.: Политехника, 2012. 711 с.

3. Демкин В. И., Луков Д. А. Искусственный интеллект в робототехнике // Вестник современных исследований. 2018. № 6.3(21). С. 456—458.

4. Иванько А. Ф., Иванько М. А., Ибрагимов А. А. Интеллектуальные мобильные роботы и анализ их применения // Научное обозрение. Технические науки. 2020. № 1. С. 32—38.

5. Russell S., Norvig P. Artificial Intelligence: A Modern Approach. Pearson, 2020, 1216 p.

6. Kelly A. Mobile Robotics: Mathematics, Models, and Methods. Cambridge: Cambridge University Press, 2013. 808 p.

7. Бодин О. Н., Безбородова О. Е., Спиркин А. Н., Шерстнев В. В. Бионические системы управления робототехническими комплексами. Пенза: ПГУ, 2022. 236 с.

8. Редько В. Г. Проблемы интеллектуального управления — общесистемные, эволюционные и нейросетевые аспекты // Труды научно-технической конференции "Нейроинформатика — 2002". М.: МИФИ, 2003. С. 8—39.

9. Каляев А. В., Чернухин Ю. В., Носков В. Н., Каляев И. А. Однородные управляющие структуры адаптивных роботов. М.: Наука, 1990. 147 с.

10. 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.

11. Kilani Y., Bsoul M., Alsarhan A., Al-Khasawneh A. A. Survey of the Satisfiability Problems Solving Algorithms // Intern. J. Advanced Intelligence Paradigms. 2013. Vol. 5, N. 3. P. 332—256.

12. Мелехин В. Б., Хачумов М. В. Принцип конкретизации абстрактных знаний автономным интеллектуальным роботом в процессе планирования поведения в условиях неопределенности // Морские интеллектуальные технологии. 2023. № 1—1(59). С. 181—190.

13. Галушкин А. И. Нейронные сети: основы теории. М.: РиС, 2015. 496 с.

14. Редько В. Г. Эволюция, нейронные сети, интеллект: Модели и концепции эволюционной кибернетики. М.: Ленанд, 2019. 224 с.

15. Kober J., Peters J. Learning Motor Skills: From Algorithms to Robot Experiments. Cham: Springer, 2014. 201 p.

16. Боддли А., Айзенк М., Андерсон М. Память. СПб.: Питер, 2011. 560 с.

17. Болонский П. П. Память и мышление. СПб.: Питер, 2001. 288 с.

18. Мелехин В. Б., Хачумов М. В. Классификация и структурированное описание образов проблемной среды в модели представления знаний автономных интеллектуальных мобильных систем // Морские интеллектуальные технологи. 2022. № 4—1(58). С. 177—184.

19. Мелехин В. Б., Хачумов М. В. Планирование поведения автономных интеллектуальных мобильных систем в условиях неопределенности: Под ред. проф. В. М. Хачумова. СПб.: ПОЛИТЕХНИКА, 2022. 276 с.

20. Melekhin V. B., Khachumov M. V. Fuzzy semantic networks as an adaptive model of knowledge representation of autonomous intelligent systems // Scientific and Technical Information Processing. 2021. Vol. 48, N. 5. P. 333—341.

21. Кахонен Т. Ассоциативная память. М.: Мир, 1980. 238 с.

22. Филимонов А. Б., Филимонов Н. Б. Ситуационный подход в автоматизации управления техническими объектами // Мехатроника, автоматизация, управление. 2018. Т. 19, № 9. С. 562—178.

23. Заде Л. Понятие лингвистической переменной и его применение для принятия приближенных решений: пер. с англ. М.: Мир, 1976. 168 с.

24. Мелехин В. Б., Хачумов М. В. Процедуры самообучения автономных интеллектуальных систем в нестабильных априори неописанных проблемных средах // Мехатроника, автоматизация, управление. 2022. Т. 23, № 7. С. 356—366.