ЕСТЕСТВЕННО-ЯЗЫКОВОЕ УПРАВЛЕНИЕ СТРОИТЕЛЬНЫМИ РОБОТЕХНИЧЕСКИМИ СИСТЕМАМИ
Аннотация
Исследование нацелено на исследование потенциала систем управления строительными роботами посредством естественного языка. Именно отсутствие надежных систем обработки естественного языка служит тем сдерживающим фактором, что не дает интеллектуальной робототехнике в полной мере раскрыть свои потенциал. Работа дает обзор современных роботизированных строительных систем, которые используются для облегчения и улучшения строительных и инженерных процессов и задач. Объединяет эти все системы отсутствие естественно-языкового управления. В настоящей статье мы представляем принципы, алгоритмы и методы, позволяющие интеллектуальному агенту проникать в суть контекста ситуации, разворачивающейся на поле строительных и инженерных задач. В основе подхода лежит мультиагентная нейрокогнитивная архитектура, служащая своеобразным инструментом для моделирования процесса автоматической интерпретации фраз, взятых из ограниченного подмножества естественного языка. Чтобы интеллектуальный агент смог верно интерпретировать входящее сообщение, ему необходимо безошибочно определить условия, действия, свойства и отношения, имеющие место в системе «интеллектуальный агент – окружающая среда». Только после этого агент обретает способность интерпретировать контекст текущего диалога и генерировать высказывания, необходимые для проектирования кооперативного поведения, направленного на совместное преодоление технических преград. Одной из наиболее распространенных задач, требующих своего решения в быстроразвивающейся области робототехники, является разработка диалоговой системы управления, способной координировать совместное человеко-машинное поведение и интерпретировать цели и условия миссий, изложенные на естественном языке. Система управления, опирающаяся на естественный язык, является неотъемлемой частью интеллектуальной системы, фундаментом которой служит самоорганизующаяся мультиагентная нейрокогнитивная архитектура. Ее главная цель – наладить беспрепятственное общение между человеко-машинными коллективами, для того чтобы они могли совместно ставить, описывать и успешно выполнять сложные строительные задачи. Основополагающим элементом подхода является мультиагентность, позволяющая системе принятия решений робота быть гибкой, адаптивной и непрерывно расширять диапазон своих знаний, генерируя вопросы, необходимые для дальнейшей работы.
Список литературы
1. Liu Y. et al. Robotics in the construction sector: Trends, advances, and challenges, Journal of Intelligent & Robotic Systems, 2024, Vol. 110, No. 2, pp. 72.
2. Rathore M.M. et al. The role of AI, machine learning, and big data in digital twinning: A systematic literature review, challenges, and opportunities, IEEE Access, 2021, Vol. 9, pp. 32030-32052.
3. Aghimien D.O. et al. Mapping out research focus for robotics and automation research in construction-related studies: A bibliometric approach, Journal of Engineering, Design and Technology, 2020,
Vol. 18, No. 5, pp. 1063-1079.
4. Li G. et al. Skin-inspired quadruple tactile sensors integrated on a robot hand enable object recognition, Science Robotics, 2020, Vol. 5, No. 49, pp. eabc8134.
5. Suzumori K., Faudzi A.A. Trends in hydraulic actuators and components in legged and tough robots: a review, Advanced Robotics, 2018, Vol. 32, No. 9, pp. 458-476.
6. Zhang J., Wang M. A survey on robots controlled by motor imagery brain-computer interfaces, Cogni-tive Robotics, 2021, Vol. 1, pp. 12-24.
7. Akinlolu M. et al. A bibliometric review of the status and emerging research trends in construction safety management technologies, International Journal of Construction Management, 2022, Vol. 22, No. 14, pp. 2699-2711.
8. Akinosho T.D. et al. Deep learning in the construction industry: A review of present status and future innovations, Journal of Building Engineering, 2020, Vol. 32, pp. 101827.
9. Gharbia M. et al. Robotic technologies for on-site building construction: A systematic review, Journal of Building Engineering. 2020. Vol. 32. [[. 101584.
10. Maskuriy R. et al. Industry 4.0 for the construction industry: Review of management perspective, Econ-omies, 2019, Vol. 7, No. 3, pp. 68.
11. Forcael E. et al. Construction 4.0: A literature review, Sustainability, 2020, Vol. 12, No. 22, pp. 9755.
12. Biswal P., Mohanty P.K. Development of quadruped walking robots: A review, Ain Shams Engineering Journal, 2021, Vol. 12, No. 2, pp. 2017-2031.
13. Yogesh G. Construction Robotics: Revolutionizing the Building Industry, Journal of Architectural Engi-neering Technology, 2024, Vol. 13, No. 418.
14. Available at: https://cdn.thomasnet.com/ccp/00142951/263811.pdf (accessed 10 September 2024).
15. Available at: https://iconbuild.com/robotics (accessed 19 October 2024).
16. Available at: https://apis-cor.com/ (accessed 10 February 2025).
17. Available at: https://www.fronius.com/en/welding-technology/product-information/welding-automation/robotic-welding (accessed 15 December 2024).
18. Available at: https://www.brokk.kz/ (accessed 23 November 2024).
19. Stenman M. Automatic speech recognition. An evaluation of Google Speechб 2015.
20. "Cloud Speech-to-Text," Google. Available at: https://cloud.google.com/speech-to-text/ (accessed 19 January 2022).
21. Reis A., Paulino D., Paredes H., Barroso I., Monteiro M.J., Rodrigues V. Using intelligent personal assistants to assist the elderlies an evaluation of Amazon Alexa, Google Assistant, Microsoft Cortana, and Apple Siri, 2-nd International Conference on Technology and Innovation in Sports, Health and Wellbeing (TISHW), 2018, pp. 1-5.
22. Brill T., Munoz L., Richard J. Siri, Alexa, and other digital assistants: A study of customer satisfaction with artificial intelligence applications, Journal of Marketing Management, 2019, Vol. 35, No. 15-16, pp. 1401-1436.
23. Tulshan A.S., Dhage S.N. Survey on Virtual Assistant: Google Assistant, Siri, Cortana, Alexa, Commu-nications in Computer and Information Science, 2019, 968, pp. 190-201.
24. Gavrilovich N.V., Seytvelieva S.N. Analiz kommercheskikh sistem raspoznavaniya rechi s otkrytym API [Analysis of commercial speech recognition systems with an open API], Tavricheskiy nauchnyy oboz-revatel' [Tavrichesky Scientific Observer], 2016, No. 6 (11). Available at: https://cyberleninka.ru/article/n/analiz-kommercheskih-sistem-raspoznavaniya-rechi-s-otkrytym-api (accessed 23 January 2022).
25. Microsoft Corporation. Exploring New Speech Recognition and Synthesis APIs in Windows Vista. Microsoft. Available at: https://learn.microsoft.com/en-us/archive/msdn-magazine/2006/january/exploring-speech-recognition-and-synthesis-apis-in-windows-vista (accessed 24 April 2022).
26. Rodemann T. Towards Speech Acquisition in Natural Interaction on ASIMO, Journal of the Robotics Society of Japan, 2010, 28.1, pp. 18-22.
27. Heracleous P., Yoneyama A. A comprehensive study on bilingual and multilingual speech emotion recognition using a two-pass classification scheme, PloS one, 2019, Vol. 14, No. 8, pp. 220-386.
28. Bogdanov A., Dudorov E., Kutlubaev I., Permyakov A., Pronin A. Control System of a Manipulator of the Anthropomorphic Robot FEDOR, 12th International Conference on Developments in e-Systems En-gineering. IEEE, INSPEC Accession Number 9557273, 2019, pp. 449-453.
29. Stolcke A., Droppo. J. Comparing Human and Machine Errors in Conversational Speech Transcription, Interspeech, 2017, pp. 137-141.
30. Saon G., Kurata G., Sercu T., Audhkhasi K.,Thomas S., Dimitriadis D., Cui X., Ramabhadran B., Picheny M., Lim L.-L., Roomi B., Hall P. English Conversational Telephone Speech Recognition by Humans and Machines, INTERSPEECH, 2017
31. Glenn M.L. et al. Transcription Methods for Consistency, Volume and Efficiency, LREC, 2010.
32. Marti A., Cobos M., Lopez J. Automatic Speech Recognition in Cocktail-Party Situations: A specific Training for Separated Speech, The Journal of the Acoustical Society of America, 2012, pp. 1529-1535.
33. Golumbic E.M. Z. et al. Mechanisms underlying selective neuronal tracking of attended speech at a “cocktail party”, Neuron, 2013, Vol. 77, No. 5, pp. 980-991.
34. Nagoev Z., Gurtueva I., Malyshev D., Sundukov Z. Multi-agent Algorithm Imitating Formation of Pho-nemic Awareness, In: Samsonovich A. (eds) Biologically Inspired Cognitive Architectures BICA 2019. Advances in Intelligent Systems and Computing, 2020, pp. 364-369.
35. Nagoev Z., Gurtueva I., Anchekov M. Generalized Structure of Active Speech Perception Based on Mul-tiagent Intelligence, Studies in Computational Intelligence, 2022, pp. 319-326
36. Nagoev Z., Nagoeva O., Pshenokova I., Bzhikhatlov K., Gurtueva I., Kankulov S. Multi-agent neural-like models for the integration of multimodal medical examination data, BECB, 2022.
37. Nagoev Z.V., Nagoeva O.V. Obosnovanie simvolov i mul'tiagentnye neyrokognitivnye modeli semantiki estestvennogo yazyka Obosnovanie simvolov i mul'tiagentnye neyrokognitivnye modeli semantiki estestvennogo yazyka [Justification of Symbols and Multi-Agent Neurocognitive Models of Natural Language Semantics. Justification of Symbols and Multi-Agent Neurocognitive Models of Natural Lan-guage Semantics]. Nal'chik: Izd-vo KBNTS RAN, 2022, 150 p.
38. Makoeva D., Nagoeva O., Gurtueva I. Formal Representation of natural language elements in multi-agent system based of self-organization of distributed neurocognitive architectures, Procedia Computer Science, 2022, Vol. 213, pp. 631-635.
39. Anchekov M.I., Bzhikhatlov K.Ch., Kankulov S.A., Nagoev Z.V., Nagoeva O.V. Mul'tiagentnyy algoritm obosnovaniya simvolov konventsional'nogo yazyka na osnove situativno obuslovlennogo razvitiya ney-rokognitivnoy arkhitektury [Multi-agent algorithm for substantiating conventional language symbols based on situationally determined development of neurocognitive architecture], Izvestiya Kabardino-Balkarskogo nauchnogo tsentra RAN [Bulletin of the Kabardino-Balkarian Scientific Center of the Rus-sian Academy of Sciences], 2022, No. 6 (110), pp. 48-60.
40. Anchekov M.I., Bzhikhatlov K.CH., Nagoev Z.V., Pshenokova I.A. Ontoepisotsiofilogeneticheskoe razvi-tie sistem obshchego iskusstvennogo intellekta na osnove mul'tiagentnykh neyrokognitivnykh arkhitektur [Ontoepisociophylogenetic development of general artificial intelligence systems based on multi-agent neurocognitive architectures], Izvestiya Kabardino-Balkarskogo nauchnogo tsentra RAN [Bulletin of the Kabardino-Balkarian Scientific Center of the Russian Academy of Sciences], 2022, No. 6 (110), pp. 61-75.
41. 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, pp. 16.
42. Pshenokova I.A., Bzhikhatlov K.Ch., Ksalov A.M., Zammoev A.U. Intellektual'naya sistema prinyatiya resheniy dlya aktivnoy zashchity rasteniy [Intelligent Decision-Making System for Active Plant Protec-tion], Informatsionnoe obshchestvo [Information Society], 2023, No. 3, pp. 38-46.
