ИМИТАЦИОННАЯ МОДЕЛЬ ФУНКЦИИ РАСПОЗНАВАНИЯ И ПОНИМАНИЯ СТАТИЧЕСКИХ ОБЪЕКТОВ САМООБУЧАЮЩИМСЯ РОБОТОМ НА ОСНОВЕ МУЛЬТИАГЕНТНЫХ НЕЙРОКОГНИТИВНЫХ АРХИТЕКТУР

  • И.А. Пшенокова Институт информатики и проблем регионального управления КБНЦ РАН
  • О.В. Нагоева Институт информатики и проблем регионального управления КБНЦ РАН
  • З.А. Сундуков Институт информатики и проблем регионального управления КБНЦ РАН
Ключевые слова: Cамообучающийся робот, мультиагентные системы, нейрокогнитивная архитектура, имитационная модель, распознавание образов

Аннотация

Цель работы состоит в разработке имитационной модели на основе мультиагент-ных нейрокогнитивных систем, которая позволит создать эффективный инструментарий для решения задач распознавания и понимания роботом неструктурированных потоков входных данных. Задача исследования состоит в разработке имитационной модели функ-ции распознавания статических объектов, показанных на камеру. Представленная имита-ционная модель функции распознавания и понимания статических объектов самообучаю-щимся роботом на основе мультиагентных нейрокогнитивных архитектур позволяет в автономном режиме создавать понятия и категории, используя многомодальные потоки входной информации и интерактивное взаимодействие с пользователями расширять сис-тему этих понятий и категорий и уточнять связи между ними. На этой основе могут быть разрешены проблемы формализации семантики естественного языка для лингвисти-ческих комплексов, ограниченных предметной областью, что позволит использовать диа-логовую систему для решения проблемы постановки роботам сложных миссий. Формали-зация семантики «здравого смысла» на основе самоорганизации мультиагентных нейро-когнитивных архитектур позволит разработать имитационные модели понимания есте-ственно-языковых высказываний. Это, в свою очередь, снимет ограничение на создание диалоговой системы, позволяющей операторам с использованием естественно-языкового описания формировать постановку задачи и изложение ее существенных условий.

Литература

1. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. – М.: Эдиториал УРСС, 2002. – 352 с.
2. Рассел С., Норвиг П. Искусственный интеллект. Современный подход. – 2-е изд. – Изд. дом "Вильямс", 2006. – 1408 с.
3. Wooldridge M. An Introduction to MultiAgent Systems Second Edition. – Wiley, 2009. – 484 p. – ISBN: 0470519460.
4. Multiagent Systems: A Modern Approach to Distributed Artificial Intelligence / ed. by G. Weiss. – The MIT Press, 1999. – 643 p. – ISBN: 0262232030.
5. Shoham Y., LeytonBrown K. Multiagent Systems: Algorithmic, GameTheoretic, and Logical Foundations. – Cambridge University Press, 2008. – 504 p. – ISBN: 05.
6. Lesser V.R. and Erman L.D. Distributed interpretation: a model and experiment // IEEE Trans. Computers. – 1980. – Vol. 29 (12). – P. 1144-1163.
7. Xewitt C. Viewing Control Structures as Patterns of Message Passing // Artificial Intelligence. – 1977. – Vol. 8, No. 3. – P. 323-364.
8. Lenat D. BEINGS: Knowledge as Interacting Experts // Proc. of the 1975 IJCAI Conference. – 1975. – P. 126-133.
9. Smith R.G. The Contract Net Protocol: High Level Communication and Control in a Distributed Problem Solver // IEEE Transactions on Computers. – 1980. – Vol. 29, No. 12. – P. 1104-111.
10. Rzevski G. Modelling large complex systems using multi-agent technology // In Proc. of 13th ACIS International Conference on Software Engineering, Artificial Intelligence, Networking, and Parallel/Distributed Computing (SNPD2012), August 8-10, Kyoto, Japan, 2012. – P. 434-437.
11. Chen Yao et al. Multi-agent systems with dynamical topologies: Consensus and applications // IEEE circuits and systems magazine. –2013. – Vol. 13, No. 3. – P. 21-34.
12. Chen M., Athanasiadis D., Al Faiya B., McArthur S., Kockar I., Lu H. & De Leon F. Design of a multi-agent system for distributed voltage regulation //19th International Conference on Intelli-gent Systems Application to Power Systems (ISAP), 19 Oct 2017. Piscataway, NJ.: IEEE. – 6 p.
13. Granichin Oleg, Khantuleva Tatjana, Amelina Natalia. Adaptation of Aircraft’s Wings Ele-ments in Turbulent Flows by Local Voting Protocol // IFAC Proceedings. – 2017.
14. Городецкий В.И., Карсаев О.В., Самойлов В.В., Серебряков С.В. Прикладные много-агентные системы группового управления // Искусственный интеллект и принятие ре-шений. – 2009. – № 2.
15. Nagoev Z.V. Multiagent recursive cognitive architecture // Biologically Inspired Cognitive Architectures 2012, Proceedings of the third annual meeting of the BICA Society, in Advances in Intelligent Systems and Computing series. – Springer, 2012. – P. 247-248.
16. Нагоев З.В. Интеллектика, или мышление в живых и искусственных системах. – Наль-чик: Изд-во КБНЦ РАН, 2013. – 211 с.
17. Анохин П.К. Системный анализ интегративной деятельности нейрона // Успехи физиол. наук. – 1974. – Т. 5, № 2. – С. 5-92.
18. Нагоев З.В. Мультиагентные экзистенциальные отображения и функции // Известия КБНЦ РАН. – 2013. – № 4 (54). – С. 64-71.
19. Ivanov P., Nagoev Z., Pshenokova I., Tokmakova D. Forming the Multi-Modal Situation Con-text in Ambient Intelligence Systems on the Basis of Self-Organizing Cognitive Architectures // 5th World Congress on Information and Communication Technologies (WICT), 14-16 De-cember, Morocco. – 2015.
20. Nagoev Z., Nagoeva O., Tokmakova D. System Essence of Intelligence and Multi-agent Exis-tential Mappings // 15th International Conference on Hybrid Intelligent Systems (HIS 2015), Seoul, South Korea, Springer International Publishing Switzerland 2016, A. Abraham et al. (eds.), Hybrid Intelligent Systems, Advances in Intelligent Systems and Computing. 420. – 2016. – P. 67-76. – DOI 10.1007/978-3-319-27221-4_6.
21. Nagoev Z., Gurtueva I., Lutikova L. Model of automatic speech recognition using multi-agent recursive cognitive architecture // Biologically Inspired Cognitive Architectures 2018, Meeting of the BICA Society. – Springer, 2018. – P. 156-163.
Опубликован
2019-05-07
Выпуск
Раздел
РАЗДЕЛ I. ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ РОБОТОТЕХНИЧЕСКИХ КОМПЛЕКСОВ