О некоторых проблемах разработки автономных роботов

Александр Гермогентович Ложкин; Константин Николаевич Майоров

doi:10.22213/2413-1172-2017-4-114-116

Авторы

А. Г. Ложкин ИжГТУ имени М. Т. Калашникова
К. Н. Майоров ИжГТУ имени М. Т. Калашникова

DOI:

https://doi.org/10.22213/2413-1172-2017-4-114-116

Ключевые слова:

автономный робот, стохастическая матрица, нейронная сеть, автоморфизм, прагматика

Аннотация

Кратко проанализированы основные методы проектирования автономных роботов, в том числе автоматная модель, классифицирующий автомат, обучение с подкреплением на основе прямонаправленной модели, метод гомеокинеза для управления поведением робота. Выделены недостатки методов, не позволяющие создать автономный робот, работающий в режиме реального времени. Упомянуты некоторые важные для темы статьи работы в области когнитивных исследований и биохимии. Показан недостаток общей точки зрения на мыслительный процесс человека. Предложено рассматривать автономный робот и среду его работы как текст на языке математики. Выдвинута концепция рассмотрения робота на основе прагматического и семантического анализов как части семиотического анализа. Выдвинуты основные постулаты данного подхода. Сформулирована четырехуровневая структура анализа автоморфизмов для принятия решений роботом.

Биографии авторов

А. Г. Ложкин, ИжГТУ имени М. Т. Калашникова

доктор технических наук, доцент, профессор кафедры «Программное обеспечение»

К. Н. Майоров, ИжГТУ имени М. Т. Калашникова

аспирант

Библиографические ссылки

Der R., Pantzer T. Emergent robot behavior from the principle of homeokinesis. Technical report, Universität Leipzig, Institut für Informatik, 1999. 256 p.

Verwer S., Eyraud R., Higuera C. PAutomaC: a probabilistic automata and hidden Markov models learning competition. Mach. Learn. 96, 1-2 (July 2014), pp. 129-154.

Fatès N. Stochastic Cellular Automata Solutions to the Density Classification Problem: When Randomness Helps Computing. Theory of Computing Systems; New York, vol. 53, iss. 2 (Aug 2013), pp. 223-242.

Kober J., Bagnell J., Peters J. Reinforcement learning in robotics: A survey. The International Journal of Robotics Research, 32(11), 2013, pp. 1238-1274.

Bostrom N. Superintelligence: Paths, Dangers, Strategies. OUP Oxford, 2016, 432 p.

Kuniaki N., Hiroaki Ar., Yuki S., Tetsuya Og. Multimodal integration learning of robot behavior using deep neural networks. Robot. Auton. Syst. 62, 6 (June 2014), pp. 721-736.

Orsinia C. A., Moorman D. E,. Young J. W., Setlow B., Floresco S. B. Neural mechanisms regulating different forms of risk-related decision-making: Insights from animal models. Neuroscience & Biobehavioral Reviews, vol. 58, 2015, pp. 147-167.

Slioussar N., Kireev M. V., Chernigovskaya T. V., Kataeva G. V., Korotkov A. D., Medvedev S. V. An ER-fMRI study of Russian inflectional morphology. Brain Lang, vol. 130, 2014, pp.33-41. DOI: 10.1016/ j.bandl.2014.01.006.

Chesler A. T., Szczot M., Bharucha-Goebel D. and others. The Role of PIEZO2 in Human Mechanosensation N Engl J Med, vol. 375, pp.1355-1364, October 6, 2016. DOI: 10.1056/NEJMoa1602812.

Ложкин А., Дюкина Н. Структурирование аналитической геометрии на основе симметрий. Saarbrucken: LAP Lambert Academic Publishing, 2012. 176 с.

Ложкин А. Г. Симметрия как единое свойство пространства и живого организма // Тиетта. 2010. № 3(13). С. 23-32.

Lozhkin A., Shubin V., Suslov Y., Bimakov E. In the issue of robots design. Proceedings of the 2017 IEEE Russia Section Young Researchers in Electrical and Electronic Engineering ElConRus 2017, 3 February 2017, pp. 930-933.