Моделируемое рассуждение

Роботы и динамические системы управляются программным обеспечением. Обычно программа реализуется как стандартное приложение с использованием операторов «if-then», циклов и подпрограмм. Задача программиста — подобрать алгоритм, способный управлять роботом для выполнения поставленной задачи. В истории робототехники и оптимального управления было разработано множество парадигм^[2]. Одной из них стали экспертные системы, которые предназначены для ограниченных предметных областей^[3]. Экспертные системы стали предшественниками моделируемых систем.

Основная причина, по которой моделируемое рассуждение активно изучается с 1990-х годов, заключается в возможности создания различных слоёв для моделирования и управления системой^[4]. Это позволяет решать более сложные задачи и переиспользовать существующие программы для решения новых проблем. Модельный слой используется для мониторинга системы и оценки корректности действий, а управляющий слой отвечает за выбор действий и приведение системы в целевое состояние^[5].

Типичные методы построения модели основаны на декларативных языках программирования, таких как Prolog^[6] и Golog. С математической точки зрения декларативная модель близка к исчислению положений для логического описания системы^[7], а на практике она часто реализуется как симуляция на игровом движке. Игровой движок принимает признак на вход и формирует управляющий сигнал на выходе. Иногда игровой движок называют предсказательным модулем, который симулирует окружающий мир.

В 1990 году появилась критика моделируемого рассуждения. Представители направления Nouvelle AI утверждали, что символические модели изолированы от физических систем и не способны эффективно управлять роботами^[8]. По мнению приверженцев робототехники, основанной на поведении, реактивная архитектура способна преодолеть эти ограничения. В такой системе действия напрямую связаны с сигналами от датчиков, которые основаны на реальном окружении, и не требуется символическая модель.

В моделируемых рассуждающих системах знания могут быть представлены с помощью каузальных правил. Например, в медицинской экспертной системе база знаний может содержать следующее правило:

${\displaystyle \forall }$ пациентов: Stroke(patient) ${\displaystyle \rightarrow }$ Confused(patient) ${\displaystyle \land }$ Unequal(Pupils(patient))

В то время как в диагностической системе знаний информация описывается через диагностические правила, например:

${\displaystyle \forall }$ пациентов: Confused(patient) ${\displaystyle \rightarrow }$ Stroke(patient)

${\displaystyle \forall }$ пациентов: Unequal(Pupils(patient)) ${\displaystyle \rightarrow }$ Stroke(patient)

Кроме каузальных и диагностических, могут применяться и другие типы моделей. Модели бывают количественными (например, основанными на математических уравнениях) или качественными (на причинно-следственных зависимостях). В моделях можно учитывать неопределённость, описывать поведение системы во времени, как нормальное, так и аномальное (как в приведённых примерах). Типы моделей и их применение в моделируемом рассуждении подробно обсуждаются в источнике^[1].