Автономні інтелектуальні безлюдні системи: методи та моделі управління, що задовольняють критерій автономності

Abstract

UA: При створенні нових поколінь безлюдних систем (БС) основна увага приділяється проблемі підвищення їхнього рівня автономності. Застосування штучного інтелекту (ШІ) для завдань управління БС у невпорядкованому оточенні є одним із напрямів підвищення їхнього рівня автономності. Сьогодні є актуальним створення третього покоління ШІ для врахування особливостей завдань управління в автономних інтелектуальних БС (АІБС). Управління в АІБС є процесом підтримки реалізації плану дій у реальному часі, на кожному етапі плану приймається рішення з урахуванням поточного стану виконання плану, поточної ситуації та можливості виконати частину плану дій, що залишилася, для досягнення мети. У статті розглянуто методи програмного управління та методи управління на основі знань у вигляді правил. Наведено структуру багатошарової розподіленої нечіткої логічної системи (НЛС), що включає множину незалежних локальних НЛС з традиційними лінгвістичними змінними (ЛЗ) і факти з контекстної пам’яті. Розглянуто модифікований механізм нечіткого виведення, який завдяки введенню нечіткого фактора впевненості отримав можливість уніфіковано обробляти як ЛЗ, так і факти. Наведено приклад застосування НЛС в АІБС і результати комп’ютерних експериментів з колісним роботом.

EN: When creating new generations of unmanned systems (US), the main attention is paid to the problem of increasing their level of autonomy. The use of artificial intelligence (AI) for control tasks of US in a disordered environment is one of the ways to increase their level of autonomy. Today, the creation of the third generation of feeling AI is relevant to take into account the specifics of control tasks in autonomous intelligent US (AIUS). Control in AIUS is a process of supporting the implementation of the action plan in real time, at each stage of the plan, a decision is made taking into account the current state of the plan's implementation, the current situation and the ability to implement the remaining part of the action plan to achieve the goal. The article examines programming control methods and knowledge-based control methods in the form of rules. The structure of a multi-layer distributed fuzzy logic system (FLS) is given, which includes a set of independent local FLSs with traditional linguistic variables (LVs) and facts from context memory. A modified fuzzy inference mechanism was considered, which, thanks to the introduction of a fuzzy certainty factor, was able to uniformly process both LV and facts. An example of the use of FLS in AIUS and the results of computer experiments with a wheeled robot are given.