EISSN 2071-9612

· Язык: ru

Статья: ИНТЕЛЛЕКТУАЛЬНОЕ КОГНИТИВНОЕ УПРАВЛЕНИЕ РОБОТИЗИРОВАННЫМИ СОЦИОТЕХНИЧЕСКИМИ СИСТЕМАМИ: КВАНТОВЫЕ СКВОЗНЫЕ ИТ В ОБЪЯСНИТЕЛЬНОМ СИЛЬНОМ ИИ ДЛЯ ПРОЕКТА "ИНДУСТРИЯ 5.0" (2024)

Читать

Читать онлайн

Обсуждается развитие новых видов интеллектуальной когнитивной робототехники с учетом возрастающих потребностей применения роботизированных социотехнических систем в промышленных / непромышленных сферах (особенно для применения в катастрофических ситуациях типа техногенных аварий или коронавирус) и развития квантовых сквозных ИТ. Промышленная революция «Индустрия 4.0» и третья квантовая революция «Квантовая программная инженерия» предопределили развитие нового направления - интеллектуальное когнитивное управление роботизированными социотехническими системами как основы проекта «Индустрия 5.0». Одной из основных проблем стала необходимость исследования взаимодействия человека-оператора с роботом и перераспределения зон ответственности между роботами в коллективе (толпе - swarm) роботов, человеком - оператором и роботом, а также выявления предельных возможностей допустимой работоспособности (Affordance / Kansei / Kawaii Engineering) роботов в различных проблемно-ориентированных областях. Проведен анализ развития моделей роботизированных социотехнических систем и построения образовательных процессов с нестандартной логикой подготовки ИТ-специалистов нового поколения в условиях стремительного разрыва между образовательными процессами и требованиями к базовым знаний в области квантовых сквозных ИТ. Представлена методология, разработанная в ЛИТ им. М. Г. Мещерякова ОИЯИ, по подготовки ИТ-специалистов нового поколения для управления физическими экспериментами, квантового интеллектуального управления физическими установками в мегасайнс проектах типа NICA, роботов - беспилотников радиационного контроля окружающей среды и др.

Ключевые фразы: роботизированные социотехнические производственные системы, индустрия 50, квантовые сквозные ит, квантовая программная инженерия, опережающий образовательный процесс, нестандартная немонотонная логика подготовки ит-специалистов

Автор (ы): Капков Роман Юрьевич, Тятюшкина Ольга Юрьевна, Ульянов Сергей Викторович

Журнал: СИСТЕМНЫЙ АНАЛИЗ В НАУКЕ И ОБРАЗОВАНИИ

Предпросмотр статьи

Идентификаторы и классификаторы

УДК: 512.62. Поля и многочлены
517.913.2.

Для цитирования:

КАПКОВ Р. Ю., ТЯТЮШКИНА О. Ю., УЛЬЯНОВ С. В. ИНТЕЛЛЕКТУАЛЬНОЕ КОГНИТИВНОЕ УПРАВЛЕНИЕ РОБОТИЗИРОВАННЫМИ СОЦИОТЕХНИЧЕСКИМИ СИСТЕМАМИ: КВАНТОВЫЕ СКВОЗНЫЕ ИТ В ОБЪЯСНИТЕЛЬНОМ СИЛЬНОМ ИИ ДЛЯ ПРОЕКТА "ИНДУСТРИЯ 5.0" // СИСТЕМНЫЙ АНАЛИЗ В НАУКЕ И ОБРАЗОВАНИИ. 2024. № 2

Текстовый фрагмент статьи

Технологии интеллектуальных когнитивных вычислений находятся в стадии своего становления для создания требуемой платформы программно-алгоритмической и аппаратной поддержки таких социально и экономически ответственных роботизированных социотехнических систем и разработки соответствующих учебно-образовательных университетских программ для подготовки нового поколения ИТ-специалистов. Традиционный подход к построению робототехнических систем на основе проектирования кинематики и динамики с применением, например, уравнений Лагранжа 2-го рода с многочисленными ограничениями и оптимизация интеллектуальных регуляторов на основе методов оптимального управления является необходимым, но недостаточным условием для построения интеллектуальных когнитивных роботов. Для повышения мобильности, адаптивности и работоспособности необходимо вводить (дополнительно к уровню обучения) когнитивный уровень и уровень коммуникации с внешней средой [3-5]. Технологии интеллектуальных когнитивных вычислений находятся в стадии своего становления для создания требуемой платформы программно-алгоритмической и аппаратной поддержки таких социально и экономически ответственных роботизированных социотехнических систем и разработки соответствующих учебно-образовательных университетских программ для подготовки нового поколения ИТ-специалистов [1].

Список литературы

1. Ульянов С. В., Тятюшкина О. Ю., Решетников А. Г. Интеллектуальная робототехника Ч. 2: Социо-экономико-техническая платформа когнитивного образовательного процесса // Системный анализ в науке и образовании сетевое научное издание. - 2016. - № 4. - С. 69-102. - - URL: https://sanse.ru/index.php/sanse/article/view/478. EDN: XXBRSR
2. Ulyanov S. V. Quantum Algorithm of Imperfect KB Self-organization Pt I: Smart Control-Information-Thermodynamic Bounds // Artificial Intelligence Advances. - 2021. - Vol. 3. - No 2. - Pp. 13-36. -. DOI: 10.30564/aia.v3i2.3171 EDN: ZJYTGC
3. Ulyanov S. V.Intelligent cognitive robotics. Vol. 2: Quantum self-organization of imperfect knowledge bases: quantum intelligent force control and information thermodynamic law of extracted informed useful work. - M.: Kurs, 2022. EDN: JPOUBW
4. Интеллектуальная когнитивная робототехника. Ч. 1: Технологии квантовых когнитивных вычислений / В. В Кореньков, С. В. Ульянов, А. А. Шевченко, А. В. Шевченко. - М.: КУРС, 2022. EDN: ZHQZIT
Zechmair M., Morel Y. Behavioral Manifolds: Representing the Landscape of Grasp Affordances in the Relative Pose Space // arXive.org e-Print archive. - arXiv:2405.04188v1 [cs.RO] 7 May 2024.
5. Интеллектуальная когнитивная робототехника. Ч. 3: Классический симулятор квантовых алгоритмов интеллектуального управления - самоорганизующийся квантовый регулятор и квантовые Лагранжевы ФИНС / В. В. Боровинский, А. Г. Решетников, В. С. Ульянов, С. В. Ульянов. - М.: Курс, 2024. EDN: SHYIQD
6. Tyatyushkina O. Yu., Ulyanov S. V. Quantum software industrial engineering and intelligent cognitive robotics in Industry 4.0 as control objects -prototypes of Industry 5.0 / 6.0 models: Introduction // System analysis in science and education. - 2023. - № 1. - Рр. 46-94. - - URL: https://sanse.ru/index.php/sanse/article/view/571. EDN: QIYBNU
7. Intelligent Cognitive Robotics / A. G. Reshetnikov, S. V. Ulyanov, D. P. Zrelova, P. V. Zrelov. - M.: Kurs, 2023. - 464 p. -. EDN: TMGMPY
8. Explainable Quantum Machine Learning / R. Heese, T. Gerlach, S. Mücke [et al.] // arXive.org e-Print archive. - arXiv:2301.09138v1 [quant-ph] 22 Jan 2023.
9. Charting the Sociotechnical Gap in Explainable AI: A Framework to Address the Gap in XAI / U. Ehsan, K. Saha, M. De Choudhury, M. O. Riedl // arXive.org e-Print archive. - arXiv:2302.00799v1 [cs.HC] 1 Feb 2023.
10. Rajpura P., Cecotti H., MeenaY. K. Explainable arti cial intelligence approaches for brain-computer interfaces: a review and design space // arXive.org e-Print archive. arXiv:2312.13033v1 [cs.HC] 20 Dec 2023.
11. Самоорганизация и интеллектуальное управление развитием социотехнических систем. Ч. 1: Состояние и пути решения проблемы / В. Н. Добрынин, С. В. Ульянов, М. В. Лобачева [и др.] // Системный анализ в науке и образовании. - 2010. - № 3. - С. 12-42. - - URL: https://sanse.ru/index.php/sanse/article/view/295. EDN: MUTNEL
12. Ульянов С. В., Тятюшкина О. Ю. Математическая модель информационной оценки приращения риска и управление безопасностью социотехнических систем // Системный анализ в науке и образовании. - 2011. - № 2. - С. 136-161. - - URL: https://sanse.ru/index.php/sanse/article/view/419. EDN: RXAGFD
13. Караткевич С.Г., Ульянов С.В. и др. Интеллектуальное управление социотехническими системами. - М.: ВНИИ Геосистем. - 2011.
14. Когнитивное интеллектуальное управление. Часть 2: квантовый алгоритм нечеткого вывода в интеллектуальной когнитивной робототехнике / С. В. Ульянов, Д. П. Зрелова, А. В. Шевченко, А. А. Шевченко // Робототехника и техническая кибернетика. - 2023. - Т. 11, № 2. - С. 133-146. - -. DOI: 10.31776/RTCJ.11207 EDN: KPAPAH
15. Ульянов С. В. Интеллектуальное когнитивное управление роботизированными социотехническими системами. Ч.2: Нелинейные модели интеллектуальной робототехники для проекта “Индустрия 4.0” // Системный анализ в науке и образовании: сетевое научное издание. - 2021. - № 4. - C. 1-43. - - URL: https://sanse.ru/index.php/sanse/article/view/509. EDN: WAQUKQ
16. Ульянов С. В., Ульянов В. С. Применение сквозных технологий мягких вычислений в задаче интеллектуального робастного управления одноколесным роботом - велосипедом // Робототехника и техническая кибернетика. - 2020. - Т. 8, № 2. - С. 119-138. - -. DOI: 10.31776/RTCJ.8204 EDN: YGFZUQ
17. Основы применения квантовых сквозных ИТ в робототехнике и интеллектуальном когнитивном управлении: стохастическая механика, квантовая информационная физика и информационная геометрия / П. В. Зрелов, В. В. Кореньков, О. Ю. Тятюшкина, С. В. Ульянов // Системный анализ в науке и образовании. - 2021. - № 2. - С. 83-117. - - URL: https://sanse.ru/index.php/sanse/article/view/497. EDN: ZSOYUP
18. Зрелова Д. П., Тятюшкина О. Ю., Ульянов С. В. Физические основы квантовых сквозных ит в индустрии 5.0 / 6.0 и интеллектуальном когнитивном управлении: стохастическая механика, информационная геометрия, квантовая информационная физика / термодинамика // Системный анализ в науке и образовании. - 2023. - № 1. - С. 95-141. - - URL: https://sanse.ru/index.php/sanse/article/view/565. EDN: YQSCJU
19. Ficht G., Behnke S. Bipedal Humanoid Hardware Design: A Technology Review // arXive.org e-Print archive. - arXiv:2103.04675v1 [cs.RO] 8 Mar 2021.
20. Insect-Computer Hybrid System Capable of Autonomous Navigation and Human Detection in Unknown Environments / P. T. Tran-Ngoc, D. L. Le, B. S. Chong [et al.] // arXive.org e-Print archive. - arXiv2105.10869 [cs.Gv] 14 May 2021.
21. Full-Body Torque-Level Non-linear Model Predictive Control for Aerial Manipulation /j. Martí-Saumell, J. Solà, A. Santamaria-Navarro, J. Andrade-Cetto // arXive.org e-Print archive. - arXiv:2107.03722v1 [cs.RO] 8 Jul 2021.
22. Dynamic Grasping with a “Soft” Drone: From Theory to Practice /j. Fishman, S. Ubellacker, N. Hughes, L. Carlone // arXive.org e-Print archive. - arXiv:2103.06465v1 [cs.RO] 11 Mar 2021.
23. Singularity-free Aerial Deformation by Two-dimensional Multilinked Aerial Robot with 1-DoF Vectorable Propeller / M. Zhao, T. Anzai, K. Okada, M. Inaba // arXive.org e-Print archive. - arXiv:2101.04892v1 [cs.RO] 13 Jan 2021.
24. D’antonio D. S., Cardona G. A., Saldaña D. The Catenary Robot: Design and Control of a Cable Propelled by Two Quadrotors // arXive.org e-Print archive. - arXiv:2102.12519v1 [cs.RO] 24 Feb 2021.
25. Nettekoven A., Topcu U. A 3D Printing Hexacopter: Design and Demonstration // arXive.org e-Print archive. - arXiv:2103.02063v1 [cs.RO] 2 Mar 2021.
26. Learning Agile Robotic Locomotion Skills by Imitating Animals / X. B. Peng, E. Coumans, T. Zhang [et al.] // arXive.org e-Print archive. - arXiv:2004.00784v3 [cs.RO] 21 Jul 2020.
27. RMA: Rapid Motor Adaptation for Legged Robots / A. Kumar, Z. Fu, D. Pathak, J. Malik // arXive.org e-Print archive. - arXiv:2107.04034v1 [cs.LG] 8 Jul 2021.
28. Vision-Aided Autonomous Navigation of Bipedal Robots in Height-Constrained Environments / Z. Li, J. Zeng, S. Chen, K. Sreenath // arXive.org e-Print archive. - arXiv:2109.05714v1 [cs.RO] 13 Sep 2021.
29. Underactuated Motion Planning and Control for Jumping with Wheeled-Bipedal Robots / H. Chen, B. Wang, Z. Hong [et al.] // arXive.org e-Print archive. - arXiv:2012.06156v1 [cs.RO] 11 Dec 2020.

Выпуск

№ 2 (2024)

Кол-во страниц: 97 страниц

Другие статьи выпуска

ПРОГНОЗИРОВАНИЕ СЛОЖНОСТИ КУРСА НА ОСНОВЕ ОЦЕНОК ПО ОБЕСПЕЧИВАЮЩИМ ДИСЦИПЛИНАМ С ПОМОЩЬЮ МЕТОДА ЛОГИСТИЧЕСКОЙ РЕГРЕССИИ НА ПРИМЕРЕ КУРСА ПО ПРОГРАММИРОВАНИЮ НА PYTHON (2024)

Авторы: Живетьев Александр Викторович, Белов Михаил Александрович

В статье рассматриваются методы прогнозирования сложности учебных курсов на основе логистической регрессии с использованием оценок по обеспечивающим дисциплинам. Основной объект исследования - курс «Программирование на Python», для которого ключевыми обеспечивающими дисциплинами выбраны математика, информатика и английский язык. Целью исследования является разработка модели, позволяющей адаптировать учебные задания к индивидуальным потребностям студентов, повышая эффективность образовательного процесса. Для реализации модели использованы синтетические данные, что обусловлено ограничениями доступа к реальным образовательным данным. Применение методов машинного обучения, в частности логистической регрессии, позволяет получить не только классификацию курсов по сложности (легкий, средний, сложный), но и вероятностные оценки, отражающие степень уверенности модели в своих предсказаниях. Авторы рассматривают весовые коэффициенты признаков, что позволяет понять вклад каждой обеспечивающей дисциплины в прогнозирование сложности. Прогнозирование сложности курсов и заданий способствует более точному подбору учебных материалов, что улучшает качество образования и способствует развитию персонализированных образовательных траекторий. Таким образом, статья вносит вклад в развитие методов образовательной аналитики и подчеркивает необходимость перехода от прогнозирования успеваемости студентов к прогнозированию сложности курсов, что открывает новые перспективы для персонализации образовательного процесса и повышения его эффективности.

Сохранить в закладках

ПРИМЕНЕНИЕ МЕТОДОВ ГЛУБОКОГО ОБУЧЕНИЯ В ЗАДАЧАХ СЕГМЕНТАЦИИ ТЕКСТОВЫХ ИЗОБРАЖЕНИЙ (2024)

Авторы: Бурикова Анна Георгиевна, Ершов Николай Михайлович

Работа посвящена решению задачи сегментации текстовых изображений, целью которой является выделение на изображении документа текстовых блоков, соответствующих колонкам, заголовкам, колонтитулам и т. д. Проводится обзор существующих методов сегментации изображений, в том числе предназначенных и для поиска и выделения на изображениях текстовых блоков. Анализируются как классические методы, так и методы, основанные на использовании искусственных нейронных сетей. Для решения поставленной задачи предлагается подход на основе свёрточных нейронных сетей и модели U-Net. Описывается метод автоматической генерации обучающих примеров для обучения нейронной сети. Рассматривается процессы настройки модели, её обучения и тестирования. Приводятся результаты численного исследования обученных моделей на реальных данных.

Сохранить в закладках

СИСТЕМАТИЗАЦИЯ ПРИЗНАКОВ ИДЕНТИФИКАЦИИ ТОВАРОВ ДЛЯ ТАМОЖЕННЫХ ЦЕЛЕЙ ПРИ ПОСТРОЕНИИ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ КЛАССИФИКАЦИИ (2024)

Авторы: Задорожный Александр Михайлович, Поляков Филипп Алексеевич

В работе проведен анализ текстов описаний товарных позиций ТН ВЭД для обуви, определены признаки, влияющие на классификацию. Предложена систематизация признаков, доступных для визуального распознавания и формализации из документации. Приведены возможности использования методов искусственного интеллекта для решения задач классификации, приведен опыт построения экспертной системы.

Сохранить в закладках

ИССЛЕДОВАНИЕ ПРИМЕНЕНИЯ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧ СЕМАНТИЧЕСКОЙ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ (2024)

Авторы: Ушанкова Мария Юрьевна, Широкова Вера Николаевна

Семантическая сегментация - операция в компьютерном зрении, заключающаяся в классификации и попиксельной локализации объектов на цифровом изображении. Данная статья содержит в себе обзор существующих модификаций классической архитектуры сверточной нейронной сети, направленных на решение проблемы искажения информации с исходного изображения. Проведено сравнение эффективности рассмотренных моделей в условиях бинарной и множественной семантической сегментации. Статья может быть полезной для ML/DL-разработчиков, желающих изучить проблематику сегментации изображений в рамках своей предметной области.

Сохранить в закладках

ПРИМЕНЕНИЕ ФРАКТАЛЬНОЙ ГЕОМЕТРИИ В ИССЛЕДОВАНИИ РЕЧНЫХ СИСТЕМ (2024)

Авторы: БУЛЯКОВА ИРИНА АЛЕКСАНДРОВНА, Новикова Татьяна Сергеевна

В статье представлены способы применения фрактальной геометрии при исследовании речной системы Волги. Дан обзор алгоритмов вычисления фрактальной размерности и приведены примеры расчетов, а также описаны пути трактовки и применения полученных результатов.

Сохранить в закладках

КЛАССИФИКАЦИЯ КЛЕТОК ГИППОКАМПА С ПОМОЩЬЮ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ (2024)

Авторы: Стрельцова Оксана Ивановна, Колесникова Инна Александровна, Чосич Марко, Деева Ольга Кирилловна

Автоматическая идентификация и классификация нейронов в микропрепаратах нервной ткани имеет важное значение при изучении воздействия ионизирующего излучения на головной мозг. Оценка состояния клеток ЦНС специалистом вручную является трудоемким и субъективным процессом, в то время как алгоритмы машинного обучения показали потенциал в автоматизации этой задачи. В данной работе были использованы 81 фотоизображение препаратов гиппокампа мышей, на которых выделяли клетки без видимых повреждений, легко-измененные и дистрофические. Для каждой клетки вычислялись следующие параметры: Площадь, Округлость и Структурная сложность ядра. Данные параметры использовались для обучения классификатора RandomForestClassifier с использованием библиотеки scikit learn. Точность классификации составила 68%, при этом наиболее значимым признаком оказалась структурная сложность ядра. Предложенный классификатор может служить основой для автоматической системы анализа нейронов в микропрепаратах головного мозга.

Сохранить в закладках

Издательство

Издательство: ДУБНА
Регион: Россия, Дубна
Почтовый адрес: 141980 г.Дубна Московской обл., ул.Университетская, 19
Юр. адрес: 141980 г.Дубна Московской обл., ул.Университетская, 19
ФИО: Деникин Андрей Сергеевич (ИСПОЛНЯЮЩИЙ ОБЯЗАННОСТИ РЕКТОРА)
E-mail адрес: rector@uni-dubna.ru
Контактный телефон: +8 (496) 2166001
Сайт: https://uni-dubna.ru/

Все права на тексты и товарные знаки принадлежат их законным владельцам. Подробнее...

Сайт https://scinetwork.ru (далее – сайт) работает по принципу агрегатора – собирает и структурирует информацию из публичных источников в сети Интернет, то есть передает полнотекстовую информацию о товарных знаках в том виде, в котором она содержится в открытом доступе.

Сайт и администрация сайта не используют отображаемые на сайте товарные знаки в коммерческих и рекламных целях, не декларируют своего участия в процессе их государственной регистрации, не заявляют о своих исключительных правах на товарные знаки, а также не гарантируют точность, полноту и достоверность информации.

Все права на товарные знаки принадлежат их законным владельцам!

Сайт носит исключительно информационный характер, и предоставляемые им сведения являются открытыми публичными данными.

Администрация сайта не несет ответственность за какие бы то ни было убытки, возникающие в результате доступа и использования сайта.

Спасибо, понятно.