МУЛЬТИАГЕНТНАЯ АРХИТЕКТУРА СИСТЕМЫ РЕПРЕЗЕНТАЦИИ СОСТОЯНИЯ ВНЕШНЕЙ СРЕДЫ ДЛЯ АВТОНОМНОГО РОБОТА СЕЛЬСКОХОЗЯЙСТВЕННОГО НАЗНАЧЕНИЯ
Аннотация
Актуальность исследования обусловлена необходимостью создания эффективных систем управления автономными роботами, способных функционировать в условиях неопределенности и динамически изменяющейся среды. Система репрезентации внешней среды должна решать задачи локализации, картографирования, обнаружения и классификации объектов, прогнозирования динамики и семантическую интерпретацию. Для того чтобы автономный робот мог передвигаться и выполнять целенаправленные действия в окружающей среде, ему необходимо понимать, в какой среде он находится – без этого он не сможет эффективно планировать движения, избегать препятствий и достигать пунктов назначения. Существующие методы репрезентации внешней среды имеют ограничения при адаптации к незнакомым неструктурированным средам. Целью работы является разработка концепции и архитектуры системы репрезентации внешней среды на основе мультиагентной нейрокогнитивной архитектуры для управления автономными роботами в рамках гетерогенного человеко-машинного коллектива. Научная новизна работы заключается в разработке мультиагентной нейрокогнитивной архитектуры системы репрезентации состояния внешней среды. Предложенный подход позволяет создавать гибкие модели мира, способные к самоорганизации и масштабированию при увеличении объема знаний. Методика исследования основана на применении мультиагентных технологий и нейрокогнитивных моделей. Разработана мультиагентная нейрокогнитивная архитектура, включающая механизмы сбора данных с сенсоров, представления об объектах и субъектах среды, формирование механизма построения причинно-следственных связей, обмен знаниями между участниками гетерогенного человеко-машинного коллектива. Разработанная архитектура обеспечивает возможность масштабирования систем принятия решений и упрощает обмен знаниями между участниками коллектива. Перспективным направлением дальнейших исследований является совершенствование механизмов безопасности системы. Результаты исследования могут быть использованы при разработке автономных робототехнических комплексов нового поколения
Список литературы
1. Rakhmatillaev J., Bucinskas V., Kabulov N. An integrative review of control strategies in robotics, Ro-botic Systems and Applications, 2025, Vol. 5, No. 2, pp. 50-74. Available at: https://doi.org/10.21595/ rsa.2025.25014.
2. Cao C., et al. Representation granularity enables time-efficient autonomous exploration in large, complex worlds, Science Robotics, 2023, Vol. 8, No. 80, eadf0970. Available at: https://doi.org/10.1126/ sciro-botics.adf0970.
3. Lluvia I., Lazkano E., Ansuategi A. Active mapping and robot exploration: A survey, Sensors, 2021, Vol. 21, No. 7, pp. 2445. Available at: https://doi.org/10.3390/s21072445.
4. Magalhães S.A., Moreira A.P., Santos F.N.D., Dias J. Active perception fruit harvesting robots - A systematic review, Journal of Intelligent & Robotic Systems, 2022, Vol. 105, No. 1, pp. 14. Available at: https://doi.org/10.1007/s10846-022-01595-3.
5. Verkholantsev D.V. Algoritmy aktivnogo vospriyatiya vneshney sredy dlya avtonomnogo mobil'nogo robota [Algorithms for active perception of the external environment for an autonomous mobile robot], Sistemnaya inzheneriya i infokommunikatsii [Systems Engineering and Infocommunications], 2025, No. 1(1), pp. 11-16. Available at: https://doi.org/10.5281/zenodo.15110923.
6. Belyakov M.E., Diane S. Algoritmy vizual'nogo analiza vneshney sredy avtonomnym mobil'nym robot-om v zadache uborki territorii [Algorithms for visual analysis of the external environment by an autono-mous mobile robot in the task of cleaning the territory], Russian Technological Journal, 2023, Vol. 11(4), pp. 26-35. Available at: https://doi.org/10.32362/2500-316X-2023-11-4-26-35.
7. Warutumo D., et al. Perceptual Distortions and Autonomous Representation Learning in a Minimal Robotic System, arXiv preprint arXiv:2507.07845, 2025. Available at: https://doi.org/10.48550/arXiv.2507.07845.
8. Joo S.-H.,Manzoor S., Rocha Y.G., Bae S.-H., Lee K.-H., Kuc T.-Y., Kim M. Autonomous navigation framework for intelligent robots based on a semantic environment modeling, Applied Sciences, 2020, Vol. 10, No. 9, pp. 3219. Available at: https://doi.org/10.3390/app10093219.
9. Pavelina Yu.A., Popov I.Yu. Metod kollektivnogo analiza vneshney sredy avtonomnymi agentami v usloviyakh nepolnoty dannykh na osnove algoritma zhukov-usachey [Method of collective analysis of the external environment by autonomous agents under conditions of incomplete data based on the long-horn beetle algorithm], Nauchno-tekhnicheskiy vestnik informatsionnykh tekhnologiy, mekhaniki i optiki [Scientific and Technical Bulletin of Information Technologies, Mechanics and Optics], 2025, Vol. 25, No. 6,
pp. 1160-1167. Available at: https://doi.org/10.17586/2226-1494-2025-25-6-1160-1167.
10. Chen C., et al. A comprehensive survey of convergence analysis of beetle antennae search algorithm and its applications, Artificial Intelligence Review, 2024, Vol. 57, No. 6, pp. 141. Available at: https://doi.org/10.1007/s10462-024-10789-0.
11. Shan X., et al. Hybrid Strategy Improved Beetle Antennae Search Algorithm and Application, Applied Sciences, 2024, Vol. 14, No. 8, pp. 3286. Available at: https://doi.org/10.3390/app14083286.
12. Mamedova B.A.G., Ibadov S.S. Nechetkaya logika v upravlenii mobil'nymi robotami metody [Fuzzy logic in the control of mobile robots], Natsional'naya assotsiatsiya uchenykh [National Association of Scientists], 2022, No. 75-2, pp. 27-29.
13. Khairudin M., et al. The mobile robot control in obstacle avoidance using fuzzy logic controller, Indone-sian Journal of Science and Technology, 2020, Vol. 5, No. 3, pp. 334-351.
14. Riman C.F., Abi-Char P.E. Fuzzy logic control for mobile robot navigation in automated storage, Inter-national Journal of Mechanical Engineering and Robotics Research, 2023, Vol. 12, No. 5, pp. 313-323.
15. Wei Q., et al. Copeft: Fast adaptation framework for multi-agent collaborative perception with parameter-efficient fine-tuning, Proceedings of the AAAI Conference on Artificial Intelligence, 2025, Vol. 39, No. 22, pp. 23351-23359.
16. Nagoev Z.V. Intellektika, ili myshlenie v zhivykh i iskusstvennykh sistemakh [Intelligence, or thinking in living and artificial systems]. Nal'chik: Izd-vo KBNTS RAN, 2013, 211 p.
17. Bzhikhatlov K.Ch., Pshenokova I.A., Makoev A.R. Kontseptsiya sozdaniya sistemy upravleniya mul'tia-gentnoy robototekhnicheskoy sistemoy sel'skokhozyaystvennogo naznacheniya na baze neyrokogni-tivnykh algoritmov [Concept of creating a control system for a multi-agent robotic system for agricultural purposes based on neurocognitive algorithms], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2024, No. 3(239), pp. 6-18.
18. Nagoev Z., Bzhikhatlov K., Pshenokova I., Unagasov A. Algorithms and Software for Simulation of Intelligent Systems of Autonomous Robots Based on Multi-agent Neurocognitive Architectures, In: Ronzhin, A., Savage, J., Meshcheryakov, R. (eds), Interactive Collaborative Robotics. ICR 2024. Lec-ture Notes in Computer Science, 2024, Vol. 14898. Springer, Cham. DOI: https://doi.org/10.1007/978-3-031-71360-6_29.
19. Pshenokova I.A., Bzhikhatlov K.Ch., Unagasov A.A., Abazokov M.A. Mul'tiagentnyy algoritm sbora dannykh s meteostantsii dlya prognozirovaniya urozhaynosti i sostoyaniya posevov [Multi-agent algo-rithm for collecting data from a weather station to forecast crop yields and conditions], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2022, No. 1(225), pp. 91-101.
20. Pshenokova I.A., Nagoeva O.V., Apshev A.Z., Enes A.Z. Formirovanie dinamicheskikh prichinno-sledstvennykh zavisimostey pri upravlenii povedeniem intellektual'nogo agenta na osnove formalizma mul'tiagentnykh neyrokognitivnykh arkhitektur [Formation of dynamic cause-and-effect dependencies in controlling the behavior of an intelligent agent based on the formalism of multi-agent neurocognitive ar-chitectures], Izvestiya Kabardino-Balkarskogo nauchnogo tsentra RAN [News of the Kabardino-Balkarian Scientific Center of the RAS], 2022, No. 5(109), pp. 73-80. DOI: 10.35330/1991-6639-2022-5-109-73-80.
