ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В РОБОТОТЕХНИКЕ

Рис. 4.1. Схема системы управления разумного робота

131

зирует его обобщенную функциональную схему, приведенную на рис. В.2 в соответствии со структурой новой коры.

Всхеменарядусканаломосвоенноговербальногоинтеллекту- альногоуправленияпредставленканал, оперирующийобразнойин- формацией. Обаканалавживоморганизмедействуютсогласованно последовательноипараллельно, включаяусловнопоказанную(на рис. 4.1 внизу слева) внутреннюю обратную связь, реализующую процесс периодической передачи задачи в ходе ее решения с вер- бальногоуровнянаобразный. Схемасодержит11 функциональных блоков, которыефункционируютодновременно, обмениваясьпри этоминформацией. Каждыйизнихимеетнесколькоуровней(как показано на рис. 4.1 для блока 2). Блоки связаны друг с другом по этимуровням. Всхемеодновременновразномтемпеосуществля- етсянесколькоинформационныхпроцессов, решающихразличные задачи, инициируемые блоком 9.

Материальной средой описанной системы должна быть ней- роннаяструктура. Однакосоставляющиееетехническиенейроны должны существенно отличаться от используемых в настоящее времяформальныхнейроноввсторонуусложненияиприближения к естественным нейронам.

4.2. Представление и преобразование образов

Как было показано в главе первой, хотя образное мышление возниклопервым, авербальноеразвилосьнаегоосновекакобоб- щение, образноемышлениенетольконеуступаетвербальномупо уровню обобщения (модель атома, вселенной, генома и т.п.), но

иимеетопределяющеезначениевпроцессемышления. Этоопреде- ляетизначениеразвитияролиобразнойинформациивформиро- ванииискусственногоразума. Приэтом, сознаваяпревалирование видеоинформации надо помнить, что помимо нее существуют

идругиеисточникиобразнойинформации– звук, запах, осязание. Изучение образной информации и работы с ней находится

в самом начале, по существу, на этапе постановки проблемы. На этом первом этапе освоения образной информации должны

132

быть решены задачи ее представления и преобразования, а затем определения путей использования при анализе внешней среды

ипринятиярешенийобадекватномповедении. Должныбытьвы- работаны методы описания образов и их взаимодействия, а также необходимыйдляэтогоматематическийаппаратсиспользованием

игеометрии, стереометрии, топологииидругихсмежныхразделов математики. Затем на этой основе предстоит приступить к техни- ческой реализации, безусловно, на нейросетевой основе методов образного мышления человека, выявленных психологами и опи- санных в параграфе 1.3.

Первые систематические исследования исходного понятия образ и попыток создания соответствующей теории относятся

кконцу 1960-х годов и началу 1970-х. Так, в 1972 году У. Гренан- дер организовал группу исследователей в университете Брауна вСтокгольмепоисследованиюпроблемыописаниявнешнейсре- ды в образной форме. Предложенная ими статистическая теория образов позволяет осуществлять их классификацию, описывать их структурно и лингвистически и преобразовывать. В отличие от других подходов в искусственном интеллекте эта теория изна- чально не была рассчитана на разработку алгоритмов и методов распознавания и классификации образов, а имела целью дать только словарь для преобразования образов. При этом использо- вались два подхода – алгебраический и статистический, которые определялиматематикувосприятия, т.е. описаниепреобразования

ираспознаванияобразов. Фактическиэтатеорияобразовпозволяла проводитьанализлюбыхобразовсостатистическойточкизрения, генерируемыхокружением, какиебыонинебыли– изображения, звуки и пр. Основная идея – определить классы стохастических моделей, которые могут охватывать все типы образов, которые человек может воспринять в природе. В рамках этой теории была проведена каталогизация образов, введен язык для их описания, разработаныметодыанализа, позволяющиевыполнятьгенерацию

ипреобразование образов [9].

Предлагаютсяидругиенестатистическиеподходыкрешению этойпроблемы. Предложенорельефноепредставлениеобразов, где

133

подрельефомпонимаетсясовокупностьвозбужденийрецепторов сенсорного поля для выработки управлений по типу условных рефлексов в биологических системах [10]. На основе такого под- ходапредлагаетсястроитьобучаемыесистемыуправления, преоб- разующие сигналы рецепторов в сигналы управления приводами.

Предложено строить образные представления на базе ассоци- ативной иерархической нейроподобной среды [11]. При переме- щении информации к верхним уровням происходит ее обобще- ние вплоть до представления в абстрактных понятиях. В нижних уровнях образы разлагаются на составные части. Ассоциативное воспроизведение информации означает восстановление образа по частям и, наоборот, выявление этих частей по распознанному образу.

Из перечисленных подходов статистическая теория образов можетбытьполезнадляработысобобщеннымипредставлениями образов в виде классов стохастических моделей, не зависящих от природы образа. При моделировании образного мышления в си- стемах искусственного разума эта теория позволяет осуществлять представлениеипреобразованияобразовнавысшихуровняхобоб- щения, накоторыхсистемаманипулируетабстрактнымиобразами (структурированными конструкциями, символьным описанием ситуаций, сцен, событийипр.). Рельефноепредставлениеобразов может быть полезным на низших уровнях работы с информаци- ей, получаемой непосредственно от сенсорных полей системы, например для прямого рефлекторного управления приводами робота. Подход с использованием ассоциативной иерархической нейроподобнойсредыпредставляетсянаиболееэффективнымдля реализации образного мышления именно в системах искусствен- ногоразума, позволяяреализовыватьвсюцепочкупреобразований образовотсенсорныхдоабстрактныхуровнейиобратную«раскрут- ку» образов в режиме воспроизведения, а также необходимые для процесса мышления ассоциативные операции с частями образов.

Однако несмотря на существующие подходы пока решение проблемы работы с образной информацией все еще находится в стадии научного поиска.

134

4.3.Нейросетевые и нейроморфные методы и средства работы

собразной информацией

Технические нейронные сети – основное, а может быть без- альтернативное, средство работы с образной информацией хотя бы потому, что они, пусть пока еще очень упрощенные, но анало- ги «элементной базы» мозга. Накопление, хранение и обработка образной информации могут быть реализованы с помощью ней- росетевых средств, в основе которых лежат сети из формальных нейроновстрадиционнымпорогово-логическимвычислительным базисом. Однако традиционные варианты нейронных сетей типа многослойныхперсептронов, сетейХопфилдаилиКохоненамало эффективны при работе со сложными динамически изменяющи- мися образами с неопределенностями, что особенно характерно для систем управления роботами.

В последнее время разработаны более перспективные нейро- сетевые средства типа динамических нейронных полей, которые приспособленыдляобработкидинамическиизменяющейсяобраз- нойинформацииприрешениизадачробототехники. Развиваются такжеинейрологическиесредства, восновекоторыхлежатсетииз формальных нейронов с гибридными базисами, использующими нечеткуюивероятностнуюлогику. Начинаютразвиватьсяисовсем новые, такназываемые, нейроморфныесредстваработысобразной информации, восновекоторыхлежатспециализированныесетииз неформальныхнейронов. Такиесетимоделируютнекоторыефунк- циональные компоненты мозга, такие как мозжечок, гиппокамп и некоторые отделы коры мозга. Эти средства могут эффективно решать задачи управления роботами, поскольку способны обра- батывать образную информацию подобно тому, как это делается в биологической нервной системе.

Рассмотрим некоторые из перечисленных средств и их воз- можности при работе с образной и прежде всего, конечно, видео информации.

Динамическиенейронныеполя. Впоследниегодывозникинтерес кподходувискусственноминтеллекте, связанномусдинамической

135

теорией полей. В основе этого подхода лежит гипотеза о том, что естественная обработка образной информации и принятие ре- шений реализуются в ходе сложных внутренних взаимодействий

внейронных структурах мозга. Для понимания этих процессов быларазработанадинамическаятеорияполей, котораядаеттеоре- тическую основу для построения и анализа динамики нейронных полей. Этот подход инициирован исследованиями физиологов и психологов динамического поведения нейронных популяций дажеприотсутствиивнешнихсигналов. Такаядинамикапопуляций служитнервнойсистеме, чтобыуправлятьповедением, котороене можетбытьреализованопростымотображениемвходовнавыходы. Втакихнейронныхсистемахвозникаютинепрерывноподдержива- ютсяволнывозбуждений, входечегореализуетсясоревновательный кооперативный принцип принятия решений [12].

Впоследнее время такой подход позволил получить инте- ресные результаты в робототехнике при реализации образных сенсомоторных управлений. При этом в динамических нейрон- ных полях ассоциациативно строятся и отслеживаются образы целенаправленных движений. В такой модели локализация об- раза в виде пика активности в нейронном поле изменяется при движении объекта управления на основании чего организуется процесс управления.

Нейрологическиесредства. Недавниеисследованияпонейрофи- зиологиипозволилиуточнитькакимобразомнекоторыефункции и процессы реализуются в нейронных структурах мозга. Так, ис- следования мозжечковых структур показали, что информация на входах в нейронные структуры кодируется путем своеобразного квантования, грануляции и затем обрабатывается ассоциативно. На этом основании были разработаны так называемые нейроло- гические средства, основанные на слиянии принципов обучения

внейронных сетях и ассоциативной обработки информации

Грануляция – это декомпозиция конкретного образа на части – гранулы. На этом основана дальнейшая обработка об- разной информации о внешней среде с учетом ее нечеткости. Каждая гранула в свою очередь разбивается на еще более мелкие

136

части. Обработка таких иерархических образов осуществляется ассоциативно.

Нейрологическаясетьсостоитизэлементарныхячеек, имити- рующихестественныенейроны. Каждаятакаяячейкаобрабатывает информацию о некотором образе с разбиением его на гранулы. Ячейки объединяются в слои, а они – в иерархическую структуру, подобную естественным нейронным сетям. Элементом входной информации такой структуры являются отдельные образы. С по- мощью подобных нейрологических структур моделируются про- цессывголовноммозгечеловекаиотрабатываютсяихтехнические аналоги. По аналогии с нервной системой главным принципом формирования таких нейрологических структур является само- организация, включающая самосборку, самообучение и самосо- вершенствование. Самосборкаможетбытьорганизовананаоснове процедур поиска в заданном топологическом пространстве воз- можныхэлементовструктурыисвязеймеждуними. Самообучение являетсяоптимизационнойпроцедурой, использующейвкачестве критерияоптимизациинекоторуюфункциюцели. Такаяпроцедура должна обеспечить подбор структуры и настройку ее параметров для того, чтобы обеспечить целенаправленное поведение объекта управлениявменяющейсясреде. Самосовершенствованиеявляется процессомкоррекцииидополненияначальнойструктурысистемы. Системаиспользуетэтуинформациюприсамосборкеисамообуче- нии, чтобынаправлятьпоисковыеиоптимизационныепроцессы.

Процесссамоорганизацииможетбытьреализованпо-разному. Возможна централизованная организация, когда система органи- зуетсяоднимнейрологическимкомпонентом, содержащиминфор- мацию о структуре всей системы и обеспечивающим мониторинг текущегокачествасостояниясистемывтерминахцели. Децентра- лизованнаяорганизацияозначает, чтоотдельныенейрологические компонентысистемыдолжныиметьинформациюососедяхвструк- туре и получать информацию о текущем состоянии всей системы. При этом каждый компонент сам определяет свое поведение. Возможна, конечно, и комбинированная организация, как ком- бинация централизованной и децентрализованной организации.

137

Здесьвсенейрологическиекомпонентыимеютинформациюосво- их соседях в структуре и сами определяют свое поведение, однако наряду с этим имеется и центральный компонент, который может корректироватьповедениелюбогокомпонентаструктурысистемы управления с целью повышения качества системы в целом [13].

Такие нейрологические средства могут использоваться для работы с образной информацией на всех уровнях систем искус- ственного разума. Здесь образ рассматривается как главный ин- формационный элемент, который представляется как вектор или матрица со связанными координатами. Преобразование образов является основным операционным компонентом при реализации процессовобразногомышленияввидепоследовательностейтаких преобразованийвструктурахтипалокальныхилираспределенных сетей. Локальная сеть, состоящая из связанных нейрологических ячеек, рассматривается как самостоятельный модуль обработки образов с полносвязной или слоистой организацией. Локальные сети с полносвязной организацией используются для ассоциа- тивного запоминания образов подобно рекурентным нейросетям с обратными связями. Локальные сети со слоистой организацией предназначены для классификации образов или аппроксимации заданных преобразований образов. Распределенная сеть имеет кустовую организацию со слабыми связями между кустами, кото- рые строятся как локальные сети, обрабатывающие образы в со- ответствии с компонентными функциями процессов образного мышлениявсистеме. Распределенныесетипозволяютреализовы- вать сложные динамические (замкнутые) процессы цепочечного преобразования образов.

Нейрологическиесредствапозволяютрешатьзадачибыстрой адаптивной функциональной аппроксимации, т.е. формирова- нияфункцийпреобразованияобразов. Ввиденейрологических отображений эти функции могут храниться кратковременно при их частом использовании. Для долговременного хранения большого числа разных функций предполагается «перекачка» информации в более компактные структуры ассоциативных нейронных сетей. Поэтому в системах искусственного разума

138

нейрологическиесредствамогутбытьэффективноиспользованы каксвоеобразнаяоперативнаяассоциативнаяпамятьрешающей части системы.

Нейроморфные системы. Такое название получили нейронные системы, основанные на моделях наиболее изученных структур мозга(мозжечек, гиппокамп, отделыкорымозга). Рассмотримдве таких разработки.

Система Albus – нейроморфная система, разработанная на основемоделимозжечка, которыйкоординируетсложныесенсомо- торныедвижения. Приуправлениисенсомоторнымидвижениями манипуляторароботавходнойвекторсоставляетсяизвекторамо- торныхкоманд(достань, оттяни, толкайипр.) ивектораобратных связей(поперемещениюзвеньевманипулятора). Выходнойвектор состоит из сигналов управления приводами манипулятора. В со- ответствии со структурой мозжечка в системе имеется три уровня обработкиинформации. СистемаAlbus былапримененадляуправ- лениясемистепеннымманипуляторомисоответственноимеласемь выходов на приводы и 18 входов, из которых четыре кодировали входные команды, а остальные – были обратными связями от датчиковприводовманипулятора. Системаобучаласьоператором правильному управлению путем подбора весов в функции от рас- хождения траектории схвата с желаемой. Развитие этой системы предполагает реализацию самообучения. Система Albus показала свою работоспособность и получила применение в некоторых адаптивных роботах [14].

СистемаDarwin – тоженейроморфнаясистема, котораямоде- лируетобластимозга, отвечающиезавосприятиеиформирование поведения. В ней смоделированы уровни обработки сенсорной информации, описанные в первой главе. Один из вариантов Darwin построен на моделях гиппокампа и базального отдела мозгаивключаетсистемыоценкипоощренияивыборадействий. Визуальнаясистемапозволяетраспознаватьобъектыиопределять их позиции, обеспечивая целенаправленные траекторные пере- мещения мобильного робота. Система включает 1100 нейронов с 8400 синаптическими связями [15].

139

Подобные нейроморфные системы наиболее интересны для системискусственногоразума, посколькуониявляютсяпопыткой моделированияосновныхотделовмозга. Хорошоизученнаямодель мозжечка (система Albus) уже практически используется в мани- пуляционнойробототехникедляреализацииобразныхпроцессов координированного сенсомоторного управления. Требуемой координации приводов манипулятора система может обучаться супервизорно учителем при пробных отработках нужных траек- торий. Развитиеэтойсистемыпредполагаетсамообучениезахвату

ипереносу объектов по информации от видеокамеры (система глаз-рука) с автоматическим формированием сигналов подкре- пления на основе вычисления параметров взаимного положения объекта и схвата. Более широкое применение для реализации самосовершенствующихся систем искусственного разума робо- та могут иметь нейроморфные средства, моделирующие разные функциональныечастимозгаинервнойсистемы(системаDarwin). Эти средства под общим названием BBD (Brain-based Devices ) болееадекватномоделируютструктурумозга, чемискусственные нейронныесети. Внастоящеевремяониреализуютмоделифунк- циональных частей мозга и нервной системы в виде компьютер- ных программ, но наибольший эффект ожидается от разработки

иприменения специализированных цифровых и аналоговых микросхем. СредстваBBD позволяютпроводитьэкспериментыпо реализации нейросетевых механизмов для разных видов памяти, распознавания и управления, включая эволюционное развитие поведенческихфункций. Этопозволитвперспективереализовать сложноечеловекоподобноеповедениеразумныхроботовнаоснове взаимодействия этих нейронных механизмов с сенсомоторными компонентами роботов.

4.4. Распознавание визуальных образов

Видеоинформация – важнейшая сенсорная информация втехникевцелом, включая, конечно, иробототехнику. Длясоз- дания разумных роботов важно, что эта информация является

140