АссистентНовый вопросИсторияОбласти знаний
Партнёрские проектыСпецпроектыСтать автором
Сменить язык
О РУВИКИ

Адаптивное совместное управление

Адапти́вное совме́стное управле́ние (АСУ) — термин, описывающий два параллельно развивающихся подхода: один в сфере управления природными ресурсами, другой — в робототехнике. Исторически концепция возникла в конце 1990-х годов в контексте управления сложными социально-экологическими системами[1]. В этом значении АСУ представляет собой социально-политический процесс, объединяющий множество заинтересованных сторон для гибкого и основанного на обучении управления ресурсами с целью их долгосрочной устойчивости[2].

В робототехнике, где термин получил развитие позже, он описывает технологический подход, часто синонимичный понятию коллаборативной робототехники, и позволяет людям и роботам работать как партнёры, а не в традиционных отношениях «ведущий-ведомый». Коммерческое развитие этого направления началось в конце 2000-х годов[3]. Данная методология реализуется с помощью гибридных вычислительных моделей, сочетающих конечные автоматы с функциональными моделями в качестве подкомпонентов. Такие модели имитируют поведение многоагентных систем, в которых и человек, и робот участвуют в выполнении задач.

Одна из ранних формулировок принципов совместного управления в робототехнике была предложена Т. Фонгом, Ч. Тропом и Ч. Бауэром в конце 1990-х годов[4]. По их утверждению, роботы, функционирующие в режиме совместного управления, должны обладать тремя базовыми свойствами: быть самодостаточными (способными к самостоятельной работе), осведомлёнными (способными воспринимать и понимать окружающую обстановку и ситуацию), а также адаптивными (способными изменять своё поведение в зависимости от изменяющихся условий)[5]. Хотя термин «адаптивное» не всегда явно употребляется в литературе, этот аспект считается фундаментальным для официального определения совместного управления.

Первые реализации данного подхода были нацелены в основном на телеуправление транспортными средствами, где удалось продемонстрировать потенциал повышения эффективности дистанционного управления[4][6]. Современные применения существенно расширились: используются в учебных системах, аналитических инструментах, инженерных приложениях в различных сферах, включая телеоперации с участием людей и нескольких роботов, многороботные совместные системы, управление беспилотными транспортными средствами и разработку отказоустойчивых контроллеров.

История и развитие концепции

В управлении природными ресурсами

Концепция адаптивного совместного управления (АСУ) зародилась в конце 1990-х годов именно в сфере управления природными ресурсами и сложными социально-экологическими системами. Она объединяет два подхода: адаптивное управление, основанное на обучении в процессе деятельности для снижения неопределённости, и совместное (партисипативное) управление, предполагающее вовлечение всех заинтересованных сторон в принятие решений.

В начале 2010-х годов концепция активно развивалась теоретически и начала применяться для решения так называемых «неподатливых» (wicked) проблем, таких как управление водными ресурсами. В то же время появились и критические оценки: анализ проекта по управлению плотиной Глен-Каньон в США показал, что для успеха АСУ необходимы чётко определённые цели, эффективный сбор данных и долгосрочная институциональная поддержка. В этот период АСУ рассматривалось как перспективный метод для адаптации лесного хозяйства к изменениям климата, в том числе в России[7], и как эффективная стратегия адаптации на международном уровне.

К середине 2010-х годов подход получил более широкое признание. В 2014 году Пятый оценочный доклад МГЭИК создал благоприятный фон для продвижения гибких и партисипаторных решений[8]. Однако исследование, опубликованное в том же году, показало, что АСУ всё ещё находится на «ранней новаторской стадии», а обучение в рамках проектов чаще всего происходит внутри научного сообщества, без достаточного вовлечения внешних сторон. К 2015 году принципы АСУ были упомянуты в таких глобальных документах, как Цели устойчивого развития и Сендайская рамочная программа по снижению риска бедствий[9].

Практическое применение АСУ было продемонстрировано в Уганде, где в середине 2010-х годов подход использовался для расширения прав женщин в общинном лесном хозяйстве. В 2016 году Центр международных исследований в области лесоводства (CIFOR) выпустил руководство, обобщающее этот опыт. Проекты привели к восстановлению более 50 гектаров деградировавших лесов и сокращению гендерного разрыва в управлении ресурсами[10]. Женщины, получившие лидерский опыт в группах АСУ, стали активнее участвовать в местной политике[11].

В конце 2010-х — начале 2020-х годов начался период осмысления и обобщения накопленного двадцатилетнего опыта. Основное внимание уделялось вовлечению местных и коренных народов, а также созданию многосторонних форумов для масштабирования подхода[12]. В 2020–2021 годах вышел ряд ключевых публикаций CIFOR, анализирующих долгосрочные результаты проектов в Азии, Африке и Латинской Америке и подчёркивающих важность расширения прав и возможностей местных сообществ[13]. В этот период также развивались новые концептуальные модели, например, пятиступенчатая модель для повышения устойчивости рыболовства в Арктике (2022)[14], и происходила интеграция АСУ с другими инструментами, такими как анализ социальных сетей[15].

Сам термин также эволюционировал: в 2024 году отмечалось, что предпочтение отдаётся формулировке «адаптивное совместное управление» (adaptive collaborative management), а не «адаптивное со-управление» (adaptive co-management), чтобы признать, что влияние и права голоса у разных участников не всегда равны[16].

В России, по состоянию на 2023 год, термин «адаптивное совместное управление» не получил широкого распространения. Однако его ключевой компонент — адаптивное управление — стал центральным элементом государственной политики по адаптации к изменениям климата. Этот процесс реализуется преимущественно централизованно («сверху вниз») через национальные и региональные планы адаптации[17][18].

Обзор исследований за 2010–2024 годы показывает устойчивый рост числа публикаций по адаптивному совместному управлению. В научной литературе продолжают доминировать эмпирические работы, географически сконцентрированные в Северной Америке, Европе и Азии. При этом появляются новые актуальные темы, такие как обучение, социальные сети и партисипативная оценка, что знаменует заметный сдвиг в данной области исследований[19].

В робототехнике

История адаптивного совместного управления началась в 1999 году благодаря работам Терренса Фонга и Чарльза Тропа из Университета Карнеги-Меллон и Чарльза Бауэра из Лозаннской высшей технической школы[20]. По мнению Фонга и коллег, существующие телероботические практики, ориентированные главным образом на человека, были недостаточно эффективными для управления несколькими транспортными средствами или планетарными роверами[20]. Новый подход предполагал модель телеуправления, в центре которой был робот, рассматривающий человека как партнёра и обращающийся к нему за советом, подобно тому как человек консультируется с экспертом.

В базовой работе Фонга и соавторов совместное управление реализовывалось с использованием мобильного робота PioneerAT и рабочей станции с UNIX-системой, объединённых беспроводной связью и распределёнными сообщениями[20]. Через два года Фонг применил совместное управление в новых задачах, в том числе для взаимодействия одного оператора с несколькими мобильными роботами при наблюдении и разведке[6][21]. Примерно в то же время Голдберг и Чен представили систему адаптивного совместного управления с множеством неисправных источников. Их архитектура показала устойчивость работы даже при значительной доле отказавших источников. Понятие совместного управления было расширено и включило множество датчиков, несколько управляющих процессов и операторов-человеческих источников. Национальная лаборатория Айдахо разработала трёхмерную среду коллективной когнитивной работы для визуализации задач и обстановки, продолжая линию Фонга, использовавшего текстовые диалоги для взаимодействия.

Эффективность 3D-интерфейса подтвердила важность использования ментальных моделей для успешной работы команды[22]. В этот же период Фонг и соавторы[23] представили створённый на слиянии сенсорных данных 3D-дисплей для телеопераций. В 2010 году отмечено применение адаптивного совместного управления для конструирования отказоустойчивых систем управления с использованием анализа функции Ляпунова.

В начале 2010-х годов произошёл сдвиг в сторону безопасного взаимодействия человека и робота. Ключевым событием стала публикация в 2011 году стандартов ISO 10218-1:2011 и 10218-2:2011, которые впервые определили требования безопасности для промышленных роботов с возможностями совместной работы. В 2012 году исследования были сосредоточены на повышении эффективности взаимодействия, в частности, на изучении тактильных интерфейсов с обратной связью (haptic guidance) для обучения операторов[24] и на супервизорном управлении несколькими беспилотными системами, как было описано в отчёте НАТО. В России в 2013 году был основан научно-технический журнал «Робототехника и техническая кибернетика», ставший площадкой для публикации работ по групповому управлению мобильными роботами[25]. К 2014 году концепция перешла к практической реализации: разрабатывались системы, распознающие намерения человека, и адаптивные контроллеры на основе теории игр, позволяющие роботу динамически менять свою роль в совместной задаче.

Середина 2010-х годов ознаменовалась стандартизацией и началом коммерциализации коллаборативных роботов (коботов). В 2016 году была опубликована техническая спецификация ISO/TS 15066:2016, определившая четыре основные формы совместной работы: контролируемая остановка, ручное ведение, контроль скорости и разделения, а также ограничение мощности и усилия[26]. В 2025 году стандарты ISO 10218-1 и 10218-2 были обновлены, и правила безопасности из ISO/TS 15066 были интегрированы непосредственно в них, в результате чего спецификация перестала существовать как самостоятельный документ[27][28]. Несмотря на это, в 2017 году коботы всё ещё находились на начальном этапе внедрения, занимая менее 4 % рынка промышленных роботов[29]. Исследования в этот период были направлены на создание систем с переменным уровнем автономии, где человек-оператор остаётся в контуре управления[30]. К 2018 году рынок коботов переживал бурный рост, что стимулировало развитие алгоритмов группового управления в неопределённой среде[31] и методов распределения задач на основе аукционных моделей[32]. К 2019 году прогнозировался рост рынка коботов до 12,3 млрд долларов к 2025 году, а исследования были сфокусированы на децентрализованном управлении для совместных манипуляций и безопасности, включая алгоритмы избегания столкновений с людьми в реальном времени[33][34].

С начала 2020-х годов ключевую роль в развитии концепции стал играть искусственный интеллект. В 2020 году активно разрабатывались фреймворки для адаптивного разделения контроля (Adaptive Shared Control), которые динамически распределяли управление между человеком и роботом с учётом стабильности системы и состояния оператора[35]. В 2022 году фокус сместился на учёт «человеческого фактора», такого как когнитивная нагрузка и доверие, поскольку непредсказуемость адаптивного робота могла вызывать стресс у оператора. В России в 2023 году был утверждён национальный стандарт ГОСТ Р 60.0.0.13—2023 «Групповое управление роботами», закрепивший основные стратегии (централизованную, децентрализованную, иерархическую)[36]. К 2024 году основной тенденцией стала интеграция ИИ для создания когнитивных роботов, способных к обучению и самостоятельному принятию решений[37]. К 2025 году ведущим подходом для обучения адаптивных контроллеров стало обучение с подкреплением, а сфера применения расширилась до сложных медицинских операций, таких как ретракция головного мозга.

В 2025—2026 годах технологическим прорывом в распознавании намерений для адаптивного совместного управления стала парадигма «воплощённого агентского ИИ» (Embodied Agentic AI). В этом подходе фундаментальные модели выступают в роли интеллектуальных посредников, что позволяет роботам более естественно понимать намерения человека, управлять программными инструментами и адаптироваться к новым ситуациям без полного перепроектирования системы. Использование больших языковых моделей даёт возможность роботам реагировать на живую обратную связь от человека и динамически генерировать адаптируемое поведение на основе социального контекста[38][39]. Примером реализации такого подхода является фреймворк ROSA, связывающий агентов на базе LLM с операционной системой для роботов (ROS). ROSA демонстрирует парадигму ReAct (Reasoning and Acting), преобразуя команды на естественном языке в проверенные действия робота со встроенными механизмами безопасности[38].

Применение

Телеоперация транспортных средств

Телеоперация транспортных средств применяется много лет. Ранние версии — это роботизированные аппараты с управлением человеком по радиоканалу (обычно в пределах видимости) и часто используемые как игрушки. Современные разработки в области беспилотных систем принесли роботам относительную автономию. Адаптивное совместное управление реализует режим разделения управления: роботы и операторы обмениваются идеями и советами по выбору маршрута, обходу препятствий и принятию решений. Такое взаимодействие снижает проблемы при дистанционном управлении в опасных условиях с плохой связью[40] и необходимость постоянного ручного управления. В таких системах роботы могут запрашивать у людей рекомендации по выполнению задач или по вопросам безопасности через интерфейс, в котором видны и результаты взаимодействия, и показания датчиков робота для последующих команд и запросов[20][6]. В России примером применения технологии является проект «Беспилотные логистические коридоры» на трассе М-11. При возникновении сложных дорожных ситуаций (например, заторов или препятствий), которые автономная система не может обработать самостоятельно, удалённый оператор эпизодически перехватывает дистанционное управление грузовиком с использованием видеокамер при наличии связи 4G[41][42].

Отказоустойчивая система

На практике встречаются случаи, когда несколько подсистем сотрудничают ради общей задачи — классический пример для инженерии надёжности. Эти подсистемы должны обеспечивать отказоустойчивое поведение всей системы[43]. Стратегии устойчивости объединяют подсистемы в отказоустойчивую совместную структуру. Например, два роботизированных манипулятора могут совместно перемещать объект[44]; если один выходит из строя, второй должен уметь подстроиться и продолжить работу самостоятельно, чтобы обеспечить выполнение задачи до восстановления основного устройства. Переговоры между подсистемами ведутся для оценки статуса; при массовых или опасных ошибках вторичный агент берёт на себя управление до ремонта.

Управление природными ресурсами и адаптация к климату

Концепция АСУ применяется для решения сложных, так называемых «неподатливых» (wicked) социально-экологических проблем, где традиционные подходы неэффективны. Основными сферами применения являются управление природными ресурсами и адаптация к изменениям климата.

Лесное хозяйство

АСУ широко используется в устойчивом лесопользовании для вовлечения местных сообществ и других заинтересованных сторон в процесс управления[45]. Подход направлен на расширение прав и возможностей маргинализированных групп, повышение справедливости и устойчивости лесопользования. Практические проекты реализуются в странах Азии, Африки и Латинской Америки. Например, в Уганде в середине 2010-х годов применение АСУ для расширения прав женщин в общинном лесном хозяйстве привело к восстановлению более 50 гектаров деградировавших лесов. Женщины, получившие лидерский опыт в группах АСУ, стали активнее участвовать в местной политике. В качестве механизма для масштабирования подхода и разрешения конфликтов, в том числе по вопросам прав на землю, используются многосторонние форумы.

Водные ресурсы, рыболовство и биоразнообразие

Подход применяется для управления водными ресурсами, где он помогает вырабатывать устойчивые решения с учётом интересов широкого круга сторон. В то же время, для успеха таких проектов необходимы чётко определённые цели, эффективный сбор данных и долгосрочная институциональная поддержка, как показал анализ программы управления плотиной Глен-Каньон в США (в августе 2026 года был принят протокол Decision Framework for Colorado River Guidelines)[46][47]. В 2022 году была предложена пятиступенчатая модель АСУ для повышения устойчивости мелкомасштабного рыболовства в Арктике. Концепция также используется для сохранения биоразнообразия, например, в Кении, где совместное картирование стало первым шагом к внедрению АСУ[48], и для управления популяциями карибу в Канаде. В октябре 2025 года произошли значимые законодательные изменения в сфере управления дельтой Сакраменто-Сан-Хоакин в Калифорнии. Был подписан закон (SB 650), обновивший Закон о реформе Дельты 2009 года: установлен 90-дневный срок для оспаривания изменений в плане управления, расширены права государственных и местных органов на подачу апелляций, закреплён принцип автономности положений плана, а также введены требования к компетентности назначаемых членов профильного совета[49][50].

Адаптация к климату и снижение рисков бедствий

АСУ признаётся эффективной стратегией для адаптации к изменению климата, поскольку позволяет объединять усилия различных акторов для выработки гибких решений в условиях высокой неопределённости. Принципы АСУ были отражены в Пятом оценочном докладе МГЭИК (2014), а также в таких глобальных документах, как Цели устойчивого развития и Сендайская рамочная программа по снижению риска бедствий (2015). Практическим примером является применение АСУ для управления риском лесных пожаров в Португалии, где для анализа взаимодействия между участниками использовался анализ социальных сетей.

Применение в России

В России, по состоянию на 2023 год, термин «адаптивное совместное управление» не получил широкого распространения. Однако его ключевой компонент — адаптивное управление — является центральным элементом государственной политики по адаптации к изменениям климата. Этот процесс реализуется преимущественно централизованно («сверху вниз») через национальные и региональные планы адаптации. В то же время, в 2024 году в научной литературе АСУ рассматривалось как возможная модель для разработки новой программы адаптации к климату в России[51].

Интеллектуальные транспортные системы

К концу 2025 года 32 городские агломерации России достигли как минимум первого уровня зрелости интеллектуальных транспортных систем (ИТС). В рамках их развития активно внедряются элементы адаптивного управления. Например, в Пензенской агломерации комплексы адаптивного управления установлены на 18 светофорах, а координированное управление («зелёная волна») действует на 8 улицах и 45 светофорах. В Кировской агломерации к системе подключены 163 светофора с возможностью автоматического регулирования, а в Улан-Удэ модернизированы 92 светофора и применяется координированное управление на 12 магистральных улицах[52].[53]. Для визуализации данных и предиктивной аналитики в транспортных системах используются специализированные платформы управления (например, RITM³). Подобные системы позволяют в режиме реального времени визуализировать видеопотоки, агрегировать данные с транспортных детекторов и отображать текущую ситуацию на участках сети. В качестве предиктивной аналитики платформа рассчитывает прогноз транспортной ситуации на срок до одного часа вперёд и выдаёт рекомендации путём моделирования параметров потоков при внесении корректировок в транспортную сеть[54].[55]. При управлении роями автономных транспортных средств применяется концепция «человек-в-контуре» (human-in-the-loop) и адаптивное совместное управление. В таких системах человек работает на макроуровне, определяя общие цели, тогда как детальное планирование и исполнение делегируется самому рою. Адаптивное распределение полномочий значительно снижает когнитивную нагрузку на оператора, обеспечивая плавные переходы между задачами и предотвращая когнитивную перегрузку в сложных и динамичных условиях[56]..

Операционная структура

Подобно традиционным методам управления, адаптивное совместное управление обрабатывает входные данные системы и регулирует выходы согласно заранее определённым правилам. Однако принципиальное отличие состоит в способе применения этих правил. Ограничения действуют главным образом на стратегическом уровне, определяя высокоуровневые цели и задачи, сформулированные операторами-людьми. Низкоуровневые тактические решения остаются адаптивными и гибкими, что позволяет учитывать различные уровни автономии, схемы взаимодействия и способности разных агентов (как людей, так и роботов)[6].

В случае возникновения неопределённости при выполнении задачи, способной повлиять на стратегию, модели этой методологии могут запрашивать дополнительную информацию из внешних источников. Такое взаимодействие может привести к формированию альтернативных планов действий, если они обеспечивают большую уверенность в достижении целей. Если подходящей альтернативы не найдено или не получен ответ, модель продолжает выполнять исходный план.

В современных системах адаптивного совместного управления разделение стратегических целей человека и тактических запросов робота, а также обработка неопределённостей реализуются с помощью иерархического планирования, ансамблей больших языковых моделей (LLM) и моделей доверия. Моделирование на основе доверия позволяет роботу строить дерево возможных стратегий с учётом вероятности вмешательства человека и успешности операции, выбирая тактику с минимальным ожидаемым числом шагов. При использовании LLM-ансамблей человек-оператор задаёт стратегическую цель естественным языком, а система берёт на себя тактическую часть, выстраивая последовательность действий и перепланируя их «на лету» при возникновении препятствий. Иерархическое планирование с применением LLM обеспечивает динамическое распределение задач, где высокоуровневые цели генерируются через механизмы интерактивной рефлексии, а конкретные тактические действия предсказываются специализированными планировщиками поднавыков[57].[58][59]

Особенности реализации

При внедрении адаптивного совместного управления в симуляционных средах необходимо учесть несколько ключевых моментов. Фундаментальная задача слияния данных возникает из необходимости интеграции информации от нескольких сотрудничающих агентов. Часто требуется организация схемы приоритезации для обработки непрерывных потоков рекомендаций и входящих данных.

Степень автономии, предоставляемая роботам в сценариях взаимодействия человек-робот, и правильное распределение полномочий между роботами играют важную роль в архитектуре системы. Проектирование интерфейсов становится важнейшей задачей интеграции человеческого фактора: необходимо обеспечить, чтобы роботы точно передавали свои намерения и статус при взаимодействии с людьми, учитывая различные способы интерпретации[6].

Инициализация

Симулянт (модель) для адаптивного совместного управления строится вокруг робототехники. Таким образом, на самом базовом уровне концепция реализует положения теории управления, приложимые к робототехнике. Это означает, что состояние робота наблюдается в определённый момент и анализируется на соответствие допустимым границам. Если состояние выходит за пределы, рассчитываются ожидаемые параметры с помощью уравнений динамики и кинематики на будущее время[43]. Процесс ввода наблюдаемых данных для создания начальных условий называется инициализацией. Этот процесс различается в зависимости от среды: «только робототехника» и «человеко-роботное взаимодействие»[60]. В первом случае, когда среда только робототехническая, инициализация выполняется аналогично описанному — система, подсистема или иной не-человеческий агент замечает отклонение и, используя соответствующие модели, предлагает скорректированные значения. Для человеко-роботного взаимодействия инициализация имеет два уровня: первый — как описано выше, когда сам робот обнаруживает аномалию и обращается к человеку за советом; во втором случае инициатором выступает человек, который либо делает запрос к состоянию робота (например, о его здоровье, траектории, скорости)[6], либо выдвигает советы, которые сопоставляются с существующим тактическим методом работы робота относительно стратегии. Основные управляющие воздействия в системе — это команды на основе диалога, инициированные либо человеком, либо роботом, и они служат точкой старта совместной работы.

Сбор наблюдаемых данных для функциональных моделей может осуществляться разными способами. Самый простой — визуальное наблюдение человеком. Атрибуты самомониторинга, например встроенный тест (BIT), обеспечивают регулярные отчёты о параметрах системы. Часто применяются датчики, распределённые по системе: спидометры на транспортных средствах, акселерометры для учёта усилий у роботов с стохастическим либо циклическим движением, GPS для определения положения. Многосенсорные системы используются для сбора разнородных данных при задачах планирования путей[61].

Вычисления

Адаптивное совместное управление наиболее корректно моделируется как замкнутая контурная система управления. Замкнутый контур управления подразумевает, что выходные данные системы используются для регулирования её поведения в настоящем и будущем[62]. Такая модель задаётся набором уравнений для прогнозирования будущего состояния системы и управления её поведением. Эти уравнения и принципы теории управления позволяют описывать как собственно физические операции (диалог, планирование траектории, движение, мониторинг, манипуляции), так и их эволюцию во времени. Часто используются нелинейные уравнения в частных производных, моделируемые на непрерывной временной шкале.

Из-за сложности этих моделей для их реализации требуются мощные вычислительные системы. При этом полностью непрерывные процессы не могут быть точно вычислены; применяются численные методы, например методы Рунге — Кутты, для аппроксимации решений[63].

Инициализация уравнений происходит на основе отклика одного или нескольких источников; вычисляются скорости изменений и выходные данные, затем прогнозируется будущее состояние на небольшой шаг, называемый шагом времени. Эти новые состояния используются для пересчёта параметров, и процесс повторяется до получения нужного количества итераций. Если будущая оценка состояния выходит за рамки допустимого, симулянт обращается к оператору человеку за советом или утверждением дальнейших действий. Выходные данные используются оператором для выработки новой стратегии: если предложения оператора признаны ценными, симулянт корректирует управляющие воздействия; если команда невыгодна, вредна или отсутствует, модель ищет собственное решение.

Область определения и область значений

Область определения моделей для адаптивного совместного управления включает команды, запросы и ответы оператора-человека на уровне конечного автомата. Команды от человека предоставляют системе дополнительную информацию, особенно если человек является экспертом или обладает целостным видением задачи. Запросы человека позволяют собирать информацию о функциях агента или отслеживать успех миссий. Ответы от человека обычно инициируются запросами агента и вносят вклад в регулирование действий. На уровне функциональных моделей все принятые команды преобразуются в управляющие воздействия для реализации задач. Благодаря автономности модели, управляющие входы со стороны агента выполняют поддерживающие функции и задачи, которые человек проигнорировал либо не решил.

Область значений таких моделей составляют запросы, информативные сообщения и отклики от агента. Все эти элементы диалога реализуются на уровне конечного автомата; запросы от агента — способ получить реакцию от оператора, особенно при физических или логических затруднениях. Типы, частота и детализация запросов должны быть заранее определены и зависеть от квалификации оператора. При отклике агент отправляет информативное сообщение, чтобы уведомить человека о принятом решении; на функциональном уровне это сопровождается соответствующим действием.

Уровни автономии

Для сценариев взаимодействия человек-робот с использованием адаптивного совместного управления предложены четыре базовых уровня автономии: ручной (tele mode), «безопасный» (safe mode), совместный (shared mode) и автономный (autonomous mode)[64][65]. Адаптивное совместное управление обычно реализуется на уровнях от совместного (shared) до автономного (autonomous):

  • Совместный режим (shared mode) — робот снижает нагрузку на оператора, используя реактивную навигацию и учитывая собственные сенсорные данные; распределение ролей динамично, вмешательство оператора возможно по необходимости; поддерживается диалог через стандартные оповещения и текстовые сообщения через графический интерфейс (например, «Путь заблокирован! Продолжить влево или вправо?»).
  • Автономный режим (autonomous mode) — робот самостоятельно решает вопросы патрулирования, поиска или следования маршруту; человек вмешивается только на этапе постановки задач, а все остальные решения машина принимает без внешнего участия.

Ограничения

В робототехнике

Как и другие стратегии управления, адаптивное совместное управление имеет ограничения. Несмотря на высокий уровень автоматизации и возможность обращения к человеку по заранее предписанным случаям — задачи, требующие неструктурированного принятия решений или здравого смысла, остаются преимущественно сферой человека[66]. Традиционно слабым звеном у роботов считалось выполнение функций высокого уровня восприятия: распознавание объектов, оценка ситуации и другие[67]. К 2025—2026 годам задачи распознавания объектов в целом решены, оценка ситуации находится в процессе решения, а неструктурированное принятие решений остаётся нерешённой проблемой[68].

Человеческий фактор и командная работа

Большое число задач или сложные задания создают многочисленные вопросы и существенно усложняют структуру диалога, что затрудняет проектирование системы[6].

Для сохранения адаптивности поток информации и управления в симулянте должен меняться во времени и по событиям — это усложняет отладку, проверку и валидацию, поскольку выявить или воспроизвести ошибку становится трудно[69]. Это особенно критично для систем, эксплуатируемых в регулируемых областях, таких как атомная энергетика или очистные сооружения.

Проблемы, свойственные человеческим командам, затрагивают и адаптивное совместное управление: требуется координация действий, обмен информацией, корректная коммуникация и уменьшение взаимного влияния[6]. Важны распределение ресурсов, синхронизация, порядок выполнения, мониторинг прогресса, соблюдение процедур. Необходимы доверие между партнёрами по команде и понимание возможностей друг друга: каждому участнику важно иметь представление о компетенциях и стиле работы остальных[6]. Иногда агент должен принять или отклонить инструкции от человека, а человек — доверять принятым роботом решениям.

В управлении природными ресурсами

Согласно обзору исследований 2026 года, выделяются следующие основные препятствия для внедрения адаптивного совместного управления в природопользовании:

  • Институциональные барьеры — неадекватные системы управления, ведомственная разобщенность, бюрократические препятствия, длительные согласования и рассеивание ответственности. Сюда же относятся нехватка ресурсов, частая смена персонала, отсутствие четких мандатов, а также неблагоприятные правовые и финансовые рамки[70].[71]
  • Социальные барьеры — ограниченные возможности граждан для участия (нехватка финансов, пробелы в образовании, низкая уверенность в себе), слабая мотивация, нехватка времени и «усталость» от совместной работы. Важную роль играют скептицизм из-за игнорирования местных знаний, отсутствие эффективного диалога и растущее недоверие населения к инициаторам[70].[71]
  • Политические барьеры — дисбаланс власти, укоренившиеся властные структуры и нежелание делиться полномочиями при принятии решений. Дополнительно отмечаются формальное исполнение решений, саботаж инициатив со стороны чиновников, низкая мотивация госаппарата и отсутствие легитимности процессов[70].[71]

Примечания

  1. ↑ Упреждающее государственное управление и оценка рисков национальной безопасности. Cyberleninka. Дата обращения: 3 ноября 2025.
  2. ↑ Интегративное управление лесами. Panorama Solutions. Дата обращения: 27 августа 2026.
  3. ↑ Что такое коллаборативные роботы (коботы) и как они революционизируют производство? DCS-Module. Дата обращения: 27 августа 2026.
  4. ↑ 1 2 Collaborative Control: A robot-centered model for vehicle teleoperation (англ.). Proceedings of the AAAI Spring Symposium on Agents with Adjustable Autonomy. AAAI (1999). Дата обращения: 27 августа 2026. Архивировано 26 июня 2022 года.
  5. ↑ Collaborative Control: A Robot-Centric Model for Vehicle Teleoperation (англ.). Carnegie Mellon University (2001). Дата обращения: 27 августа 2026. Архивировано 5 июля 2012 года.
  6. ↑ 1 2 3 4 5 6 7 8 9 Collaborative Control: A Robot-Centric Model for Vehicle Teleoperation (англ.). Carnegie Mellon University (2001). Дата обращения: 27 августа 2026. Архивировано 5 июля 2012 года.
  7. ↑ Оценка влияния лесохозяйственных мероприятий на цикл углерода и разработка сценариев адаптации системы ведения лесного. Cyberleninka (2012). Дата обращения: 3 ноября 2025.
  8. ↑ Climate Change 2014: Impacts, Adaptation, and Vulnerability. IPCC (2014). Дата обращения: 27 августа 2026. Архивировано 22 октября 2025 года.
  9. ↑ WaterGuide Russian Edition. Australian Water Partnership (март 2024). Дата обращения: 27 августа 2026. Архивировано 15 ноября 2024 года.
  10. ↑ Adaptive Collaborative Management: A Simplified Guide For Practitioners. CIFOR (2016). Дата обращения: 27 августа 2026. Архивировано 1 декабря 2023 года.
  11. ↑ Adaptive Collaborative Management in Forest Landscapes. CIFOR (2022). Дата обращения: 27 августа 2026. Архивировано 21 июня 2025 года.
  12. ↑ Adaptive collaborative management in forest landscapes: villagers, bureaucrats and civil society. IUCN (22 ноября 2021). Дата обращения: 27 августа 2026. Архивировано 22 января 2025 года.
  13. ↑ Adaptive Collaborative Management in Forest Landscapes: Villagers, Bureaucrats and Civil Society. CIFOR (2021). Дата обращения: 27 августа 2026. Архивировано 26 февраля 2024 года.
  14. ↑ Resilience-based steps for adaptive co-management of Arctic small-scale fisheries. juanrocha.se (2022). Дата обращения: 27 августа 2026. Архивировано 13 мая 2025 года.
  15. ↑ Adaptive Co-Management of Wildfire Risk in Portugal. Técnico Lisboa (2022). Дата обращения: 27 августа 2026.
  16. ↑ Iterative Learning & Adaptation. Landscapes For Our Future (5 сентября 2024). Дата обращения: 27 августа 2026. Архивировано 3 декабря 2024 года.
  17. ↑ Климатическая доктрина Российской Федерации. kremlin.ru (26 октября 2023). Дата обращения: 3 ноября 2025. Архивировано 28 сентября 2025 года.
  18. ↑ Об утверждении национального плана мероприятий второго этапа адаптации к изменениям климата на период до 2025 года. government.ru (25 марта 2023). Дата обращения: 3 ноября 2025. Архивировано 27 марта 2023 года.
  19. ↑ Europe PMC. Дата обращения: 27 августа 2026.
  20. ↑ 1 2 3 4 Collaborative Control: A robot-centered model for vehicle teleoperation (англ.). Proceedings of the AAAI Spring Symposium on Agents with Adjustable Autonomy. AAAI (1999). Дата обращения: 27 августа 2026. Архивировано 26 июня 2022 года.
  21. ↑ Fong, T. (сентябрь 2001). “Multi-robot remote driving with collaborative control”. IEEE International Workshop on Robot-Human Interactive Communication [англ.]. 50: 699—704. DOI:10.1109/TIE.2003.814768. Проверьте дату в |date= (справка на английском)
  22. ↑ Cooke, N.J. (2000). “Measuring team knowledge” (PDF). Human Factors [англ.]. 42 (1): 151—173. DOI:10.1518/001872000779656561. PMID 10917151. S2CID 8428699. Архивировано из оригинала (PDF) 25 апреля 2012. Дата обращения 2026-08-27. Используется устаревший параметр |url-status= (справка)
  23. ↑ Fong, T. (2001). “Advanced Interfaces for Vehicle Teleoperation: Collaborative Control, Sensor Fusion Displays, and Remote Driving Tools” (PDF). Autonomous Robots [англ.]. 11: 77—85. DOI:10.1023/A:1011212313630. S2CID 15073729. Дата обращения 2026-08-27.
  24. ↑ The Task-Dependent Efficacy of Shared-Control Haptic Guidance Paradigms. PubMed (2012). Дата обращения: 27 августа 2026. Архивировано 4 марта 2022 года.
  25. ↑ Разработка алгоритмов группового управления мобильных роботов в средах с препятствиями. Cyberleninka (2013). Дата обращения: 3 ноября 2025.
  26. ↑ ISO/TS 15066: стандарт безопасности для коллаборативных роботов. Habr (20 августа 2018). Дата обращения: 27 августа 2026.
  27. ↑ Collaborative Robot Safety Standards 2026: ISO 10218-2025 & TS 15066. EVS Int. Дата обращения: 27 августа 2026.
  28. ↑ ISO 10218 industrial robot safety standard receives major overhaul. The Robot Report. Дата обращения: 27 августа 2026.
  29. ↑ Обзор коллаборативных робототехнических систем и юридико-системные аспекты взаимодействия с ними. Cyberleninka (2022). Дата обращения: 3 ноября 2025.
  30. ↑ Совместное управление роботами: автономное и от человека-оператора. Робототехника и техническая кибернетика (2017). Дата обращения: 3 ноября 2025. Архивировано 17 июля 2025 года.
  31. ↑ Алгоритмы группового управления мобильными роботами в среде с неизвестными препятствиями. mathnet.ru (2018). Дата обращения: 3 ноября 2025.
  32. ↑ Робототехника и техническая кибернетика. ИСТИНА МГУ (2018). Дата обращения: 3 ноября 2025. Архивировано 4 сентября 2025 года.
  33. ↑ Real-Time Collision Avoidance for Collaborative Robots Using a 2D Camera. MDPI (2 июня 2021). Дата обращения: 3 ноября 2025. Архивировано 31 октября 2022 года.
  34. ↑ Коллаборативный робот (кобот). TAdviser. Дата обращения: 3 ноября 2025. Архивировано 2 июня 2018 года.
  35. ↑ Performance-based Adaptive Shared Control for Human-Robot Collaboration. ras.papercept.net (2021). Дата обращения: 27 августа 2026.
  36. ↑ ГОСТ Р 60.0.0.13—2023 «Роботы и робототехнические устройства. Групповое управление роботами». meganorm.ru (2023). Дата обращения: 3 ноября 2025.
  37. ↑ Тенденции в области робототехники 2024. OMRON (2024). Дата обращения: 3 ноября 2025.
  38. ↑ 1 2 Embodied Agentic AI for Adaptive Control. AlphaXiv. Дата обращения: 27 августа 2026.
  39. ↑ LLM-based Adaptive Robot Behavior. Robocraft.ru. Дата обращения: 27 августа 2026.
  40. ↑ VEVI: A Virtual Environment Teleoperations Interface for Planetary Exploration (англ.). Society of Automotive Engineers 25th International Conference on Environmental Systems (1995). Дата обращения: 27 августа 2026. Архивировано 1 декабря 2008 года.
  41. ↑ Проект «Беспилотные логистические коридоры». ТАСС. Дата обращения: 27 августа 2026.
  42. ↑ Число беспилотных перевозок. Ведомости (10 февраля 2026). Дата обращения: 27 августа 2026.
  43. ↑ 1 2 Al-Bayati, A. (июль 2010). “Fault Tolerant Control for Two Collaborative Systems Using Output Regulation Scheme”. Proceedings of the 2010 International Conference on Modeling, Identification, and Control [англ.]. Okayama, Япония: 791—796. ISBN 978-1-4244-8381-5. Проверьте дату в |date= (справка на английском)
  44. ↑ Yun, X. (1989). “Dynamic Coordinated Control of Two Robot Manipulators”. Proceedings from the 28th IEEE Conference on Decision and Control [англ.]. Флорида, США: 2476—2481. DOI:10.1109/CDC.1989.70623.
  45. ↑ Научные основы устойчивого управления лесами. Центр по проблемам экологии и продуктивности лесов РАН (2013). Дата обращения: 3 ноября 2025. Архивировано 7 марта 2022 года.
  46. ↑ Decision Framework for Colorado River Guidelines: Coordinated Operations of Lake Powell and Lake Mead (2027–2036). U.S. Bureau of Reclamation. United States Department of the Interior (21 августа 2026). Дата обращения: 27 августа 2026.
  47. ↑ Interior Department Finalizes Plans for 2027-2028 Colorado River Operations. Department of the Interior. United States Department of the Interior (21 августа 2026). Дата обращения: 27 августа 2026.
  48. ↑ Обзор геопространственных инструментов и их роли в совместном управлении природными ресурсами. Cyberleninka (2013). Дата обращения: 3 ноября 2025.
  49. ↑ Delta Reform Act Update: SB 650. ArcGIS StoryMaps. California Natural Resources Agency (15 октября 2025). Дата обращения: 27 августа 2026.
  50. ↑ SB 650: Delta Reform Act Amendments. CalMatters Digital Democracy. CalMatters (1 октября 2025). Дата обращения: 27 августа 2026.
  51. ↑ Адаптация к изменению климата в России: в поисках новой правовой модели. Алтайский государственный университет (2024). Дата обращения: 3 ноября 2025.
  52. ↑ 32 городские агломерации России достигли первого уровня зрелости ИТС. Минтранс России. Министерство транспорта Российской Федерации (25 декабря 2025). Дата обращения: 27 августа 2026.
  53. ↑ В 32 агломерациях России внедрены элементы ИТС. Правительство России. Правительство Российской Федерации (25 декабря 2025). Дата обращения: 27 августа 2026.
  54. ↑ Модули RITM³. RITM³. Дата обращения: 27 августа 2026.
  55. ↑ RITM3 - Real time integration transport measurements modelling managemet. TAdviser. Дата обращения: 27 августа 2026.
  56. ↑ Cognitive Load Management in Autonomous Swarm Control. Taylor & Francis Online. Дата обращения: 27 августа 2026.
  57. ↑ Trust-Based Adaptive Autonomy for Human-Robot Teaming. PMC. National Library of Medicine. Дата обращения: 27 августа 2026.
  58. ↑ LLM Ensembles for Variable Autonomy in Robotics. Frontiers in Robotics and AI. Дата обращения: 27 августа 2026.
  59. ↑ IRoT: Interactive Reflection of Thoughts for Hierarchical Planning. Robotics: Science and Systems. Дата обращения: 27 августа 2026.
  60. ↑ Experiments in Adjustable Autonomy (англ.). Proceedings of the 2001 IEEE International Conference on Systems, Man, and Cybernetics 1624–1629 (2001). Дата обращения: 27 августа 2026. Архивировано 27 июля 2010 года.
  61. ↑ Remote driving with a multisensor user interface (англ.). Proceedings of the Society of Automotice Engineers International Conference on Environmental Systems (2000). Дата обращения: 27 августа 2026. Архивировано 15 сентября 2015 года.
  62. ↑ Franklin, G. Feedback Control of Dynamic Systems : [англ.]. — 5-е. — Аппер-Сэддл-Ривер, Нью-Джерси : Pearson Prentice Hall, 2006. — ISBN 978-0-13-149930-0.
  63. ↑ Colley, W. Modeling Continuous Systems // Modeling and Simulation Fundamentals : [англ.]. — Хобокен, Нью-Джерси : John Wiley & Sons, 2010. — ISBN 978-0-470-48674-0.
  64. ↑ Marble, J. (2003). “Lessons learned from usability tests with a collaborative cognitive workspace for human-robot teams”. Proceedings from IEEE Conference on Systems, Man, and Cybernetics [англ.]. Вайколоа, Гавайи. 1: 448—453. DOI:10.1109/ICSMC.2003.1243856. ISBN 0-7803-7952-7.
  65. ↑ Marble, J. (январь 2004). “Evaluation of supervisory vs. peer-peer interaction for human-robot teams”. Proceedings of the 37th Annual Hawaii International Conference on Systems Science [англ.]. Вайколоа, Гавайи: 9. DOI:10.1109/HICSS.2004.1265326. ISBN 0-7695-2056-1. Проверьте дату в |date= (справка на английском)
  66. ↑ Clarke, R. (январь 1994). “Asimov's Laws of Robotics: Implications for information technology”. Computer [англ.]. 27: 57—66. DOI:10.1109/2.248881. Проверьте дату в |date= (справка на английском)
  67. ↑ Milgram, P. (1993). “Applications of Augmented Reality for Human-Robot Communication”. Proceedings of International Conference on Intelligent Robots and Systems [англ.]. Йокогама: 1467—1472. DOI:10.1109/IROS.1993.583833. ISBN 0-7803-0823-9.
  68. ↑ Интеграция компьютерного зрения и искусственного интеллекта в коллаборативную робототехнику: обзор и перспективы на будущее. Diext.ru (1 июля 2026). Дата обращения: 27 августа 2026.
  69. ↑ Collaboration, Dialogue, and Human-Robot Interaction (англ.). Proceedings of 10th International Symposium of Robotics Research (ноябрь 2001). Дата обращения: 27 августа 2026. Архивировано 14 сентября 2015 года.
  70. ↑ 1 2 3 Barriers to Adaptive Co-Management. Springer Link. Дата обращения: 27 августа 2026.
  71. ↑ 1 2 3 Obstacles in Socio-Ecological Systems. RRSociology. Дата обращения: 27 августа 2026.

Литература

Ссылки

Категории