Содержание к диссертации
Введение
1. Основные понятия: «робот» и «эмоция». Формальные модели эмоций и различные теории эмоций. Возможные подходы к моделированию эмоций 8
1.1. Понятие «робот» 8
1.2. Понятие «эмоция» 10
1.3. Теории эмоций и формальные модели эмоций 13
1.3.1. Информационная теория эмоций П.В. Симонова 14
1.3.2. Модель KARO 16
1.3.3. Модель ЕМА 18
1.3.4. Модель Affective Computing 19
1.3.5. Модель Фоминых-Леонтьева 19
1.3.6. Выводы 20
1.4. Возможные подходы к моделированию эмоций 21
1.4.1. Теория множеств 21
1.4.2. Теория вероятностей и математическая статистика 23
1.4.3. Теория нечетких множеств 24
1.4.4. Когнитивные подходы 25
1.4.5. Искусственные нейронные сети 26
1.4.6. Выводы 27
2. Псевдоэмоциональные характеристики робота 29
2.1. Модель псевдоэмоций робота 29
2.2. Модель псевдовоспитания робота 32
2.2.1. Основные понятия 32
2.2.2. Модели перспектив псевдовоспитания робота 34
2.2.3. Обобщение модели псевдовоспитания робота 36
2.3. Модель суммарной псевдоэмоции робота 43
2.4. Модель эквивалентного псевдовоспитательного процесса 47
2.4.1. Случай совпадение тактов эквивалентного и реального псевдовоспитательных процессов. 49
2.4.2. Случаи несовпадение тактов реального и эквивалентного псевдовоспитательных процессов 54
3. Математическая модель достижения цели псевдовоспитательного процесса и ее приложения 58
3.1. Модель достижения цели псевдовоспитательного процесса 5 8
3.2. Модель работы по псевдовоспитанию робота 64
4. Модели и алгоритмы поведения роботов с неабсолютной памятью 66
4.1. Модель и алгоритм принятия решения роботом 66
4.1.1. Правила принятия решения роботом 66
4.1.2. Модель псевдоэмоционального ступора 68
4.2. Модели поведения роботов в группе 71
4.2.1. Параметры группы роботов 71
4.2.2. Модель контактов в группе роботов 74
5. Комплекс программ реализации моделей и алгоритмов поведения роботов с неабсолютной памятью 77
5.1. Верификация модели псевдовоспитания 77
5.2. Громкость звука, как сюжет для моделирования псевдоэмоций робота 80
5.2.1. Громкость звука и человек 81
5.2.2. Громкость звукового сигнала и сюжет 84
5.2.3. Определение функции псевдоэмоции 85
5.3. Рассматриваемые ситуации взаимодействия 88
5.4. Ситуация №1. Программа SoundBot
5.4.1. Алгоритм моделирования мимической псевдоэмоциональной реакции робота 90
5.4.2. Архитектура программной системы SoundBot 93
5.4.3. Основные возможности программы SoundBot 94
5.4.4. Принципы функционирования программы SoundBot 95
5.4.5. Визуальный интерфейс программы SoundBot 97
5.5. Ситуация №2. Программа SoundSelectBot 100
5.5.1. Алгоритм выбора робота 101
5.5.2. Архитектура программы SoundSelectBot 103
5.5.3. Объектная модель системы моделирования 106
5.5.4. Основные возможности программы SoundSelectBot 108
5.5.5. Особенности функционирования программы SoundSelectBot 109
5.5.6. Визуальный интерфейс программы SoundSelectBot 110
5.6. Ситуация №3. Программа ManySoundBots 113
5.6.1. Алгоритм псевдовоспитания группы роботов, обладающих различными характеристиками 114
5.6.2. Основные возможности программы ManySoundBots 116
5.6.3. Визуальный интерфейс программы ManySoundBots 117
5.7. Практическое применение программ моделирования роботов 121
Заключение 124
Библиографический список
- Информационная теория эмоций П.В. Симонова
- Обобщение модели псевдовоспитания робота
- Правила принятия решения роботом
- Визуальный интерфейс программы SoundBot
Введение к работе
Актуальность темы. В настоящее время использование роботов начало входить во многие сферы жизни человека. Роботы применяются в различных областях, начиная от таких традиционно высокотехнологичных областей, как полеты в космос, военное дело (разминирование и разведывательная авиация), до использования в промышленности (сборка автомобилей, конвейерная сборка устройств) и повседневной жизни. Тем не менее до сих пор отсутствуют роботы, которых можно было бы с полной долей уверенности назвать интеллектуальными, роботы похожие на людей. Одним из камней преткновения является вопрос, связанный с моделированием эмоций робота. Человек способен испытывать эмоции и распознавать эмоции окружающих, а роботы пока делают это не совсем верно. Эмоциональные роботы, то есть роботы, обладающие эмоциональным поведением - это новый шаг в развитии робототехники.
Эмоциональные роботы, в отличие от существующих, должны испытывать эмоции, аналогичные человеческим. Робот, распознающий и выражающий эмоции, сможет стать помощником для человека, учитывающим индивидуальные особенности живого существа. Важнейшей частью любого робота является его программная часть, задающая алгоритмы функционирования робота. Кроме этого, существуют программные роботы, которые функционируют в виртуальном пространстве. Таким образом, при разработке эмоциональных роботов одним из главных вопросов является именно разработка программной части робота.
Разработками эмоциональных роботов в настоящее время активно занимаются в США, Японии, Канаде, Швеции. Ученые этих государств моделируют эмоциональное поведение роботов, аналогичное поведению человека или животных с учетом абсолютной памяти роботов. В Норвежском университете Естественных наук разрабатываются модели функционирования человеческого мозга. В России разработками в этой области занимаются в Пензенском научно-исследовательском электротехническом институте. На основе исследований А.И. Иванова и его коллег разработаны 7 Государственных стандартов в области компьютерной безопасности и опубликована монография, посвященная подсознанию автоматов, автором которой является А.И. Иванов. Однако существующие разработки предусматривают наличие у роботов только абсолютной памяти. Общая математическая теория и модели поведения роботов, способных забывать прошлое, то есть обладающих неабсолютной памятью и являющихся более полными аналогами человека, и реагирующими на раздражители согласно накопленному опыту, в настоящее время не существуют. Поэтому тема диссертационной работы для моделирования таких роботов является актуальной.
Под роботом будем понимать интеллектуальную машину способную самостоятельно принимать решения. Так как психологические характеристики роботов с неабсолютной памятью не являются полными аналогами или копиями соответствующих психологических характеристик человека, то при введении терминов и понятий для роботов, аналогичных психологическим терминам и понятиям для человека, будет использоваться приставка "псевдо".
Объектом исследования являются робототехнические программные системы.
Предметом исследования является поведение роботов с неабсолютной памятью с учетом полученного ими во время функционирования опыта (псевдовоспитания).
Целью диссертационной работы является построение математических моделей поведения роботов с неабсолютной памятью в аспекте проявления роботом псевдоэмоциональных характеристик, аналогичных эмоциям человека.
Для достижения поставленной цели необходимо решить следующие задачи:
-
Определить основные характеристики роботов, аналогичные психологическим характеристикам человека.
-
Создать математические модели и алгоритмы, описывающие процесс функционирования робота с неабсолютной памятью с учетом псевдовоспитания робота.
-
Разработать комплекс программ, реализующих математические модели и алгоритмы, поставленные в задачах 1-2.
-
Привести пример применения теории роботов с неабсолютной памятью при решении задач описания их поведения с учетом псевдоэмоциональных характеристик.
В процессе исследования использовались методы математического моделирования, методы математического анализа, линейной алгебры, оптимизации, численные методы и методы программирования.
Научная новизна работы заключается в следующем:
Введены математические модели психологических характеристик роботов с неабсолютной памятью.
Предложены математические модели и алгоритмы поведения роботов с неабсолютной памятью.
Разработан комплекс программ, моделирующих психологическое поведение роботов с неабсолютной памятью в ответ на звуковые раздражители.
Достоверность и обоснованность научных положений и результатов обеспечена верификацией моделей натурными экспериментами и демонстрацией тестовых примеров.
Практическая значимость исследования заключается в разработке комплекса программ, моделирующих поведение роботов с неабсолютной памятью в ответ на звуковые раздражители, анализе и выявлении способов применения разработанного комплекса программ для решения задачи постановки голоса ораторов.
В будущем предложенные математические модели и алгоритмы могут быть использованы при создании программного обеспечения эмоциональных роботов, адаптивного программного обеспечения, интеллектуальных сервисов и агентов, мобильных приложений, систем безопасности, компьютерных игр и для анализа некоторых аспектов поведенческой деятельности человека.
Основные положения, выносимые на защиту:
-
-
Определение психологических характеристик роботов с неабсолютной памятью.
-
Математические модели псевдовоспитания робота.
-
Математическая модель эквивалентного псевдовоспитательного процесса.
-
Модель достижения цели при псевдовоспитании робота.
-
Алгоритм принятия решения роботом.
-
Комплекс программ моделирования поведения роботов с неабсолютной памятью в ответ на звуковые раздражители.
Апробация работы. Основные результаты проведенной работы докладывались на научно-практических конференциях: всероссийская научно-практическая конференция молодых ученых "Современные проблемы математики и ее прикладные аспекты" (Пермь, 12 марта 2010); III Общероссийская студенческая электронная научная конференция " Студенческий научный форум 2011"; всероссийская научно- практическая конференция с международным участием "Актуальные проблемы механики, математики, информатики - 2012" (Пермь, 30 октября - 1 ноября 2012); международная научная конференция "Актуальные проблемы науки и образования" (Дюссельдорф-Кельн 2-9 ноября 2012). Полностью диссертационная работа обсуждалась на научных семинарах кафедр Пермского государственного национального исследовательского университета: кафедра процессов управления и информационной безопасности (руководитель - д.т.н, доцент Пенский О.Г), кафедра механики сплошных сред и вычислительных технологий (руководитель - к.ф-м.н, доцент Пестренин В.М.); на научных семинарах кафедр Пермского национального исследовательского политехнического университета: кафедра математического моделирования систем и процессов (руководитель - д.ф.-м.н., профессор Трусов П.В.), кафедра механики композиционных материалов и конструкций (руководитель - д.ф.-м.н, профессор Соколкин Ю.В.); а также на научном семинаре Института механики сплошных сред УрО РАН (руководитель - д.т.н, профессор, академик РАН Матвеенко В.П.).
Публикации. Основные положения диссертации опубликованы в 19 публикациях, в том числе в 3 публикациях в изданиях из перечня ВАК, и 1 монографии. Получено 3 свидетельства Роспатента о государственной регистрации программ для ЭВМ.
Структура и объем диссертации: Диссертация состоит из введения, 5 глав, заключения, библиографического списка из 102 наименований и 1 приложения. Объем работы: 139 страниц основного текста, включающего 25 рисунков, 3 таблицы и 1 приложение.
Информационная теория эмоций П.В. Симонова
Теория вероятностей - раздел математики, изучающий закономерности случайных явлений: случайные события, случайные величины, их свойства и операции над ними. Математическая статистика - раздел математики, разрабатывающий методы регистрации, описания и анализа данных наблюдений и экспериментов с целью построения вероятностных моделей массовых случайных явлений [6, 7].
Теория вероятностей и математическая статистика также применяются учеными-психологами для описания понятия «эмоция» и формализации данного понятия [15, 24, 38].
Основной смысл использования математической статистики при решении задач моделирования эмоций заключается в том, чтобы выявить взаимосвязи (зависимости) между некими событиями, которые оказывают влияние на формирование эмоций, и непосредственно характером и типом порождаемых эмоций, по ряду проведенных наблюдений. При этом постулируется, что:
Все рассматриваемые величины стохастичны, то есть позволяют устанавливать лишь вероятностные логические отношения между изучаемыми событиями А и В, а именно соотношения типа «из факта существования события А следует, что событие В должно произойти, но не обязательно, а лишь с некоторой (как правило, близкой к единице) вероятностью Р».
Все рассматриваемые величины выявляются на основании статистического наблюдения [1,6]. Таким образом, если формально описать сложившуюся ситуацию, то мы имеем: Некий набор X - Х\,Х2,--.Хп управляющих факторов, которые оказывают влияние на формирования эмоций. Некий набор Y = Yl,Y2,...Ym откликов, которые характеризуют испытываемые субъектом эмоции.
На основании имеющихся наблюдений и методов математической статистики необходимо найти такую функцию Y = F(X) + Е(Х) - адекватно отражающую результаты наблюдений, что М[Е(X)] = 0.
Как мы видим, построение функции зависимости позволило бы нам адекватно моделировать формирование эмоций у роботов и строить алгоритмы эмоционального поведения роботов. Но построение данной функции, можно сказать, совсем недостижимая задача, в связи с возникающими проблемами:
1. Проблема формирования набора управляющих факторов. Количество управляющих факторов (если сильно не специализировать рассматриваемую предметную область) можно считать бесконечным.
2. Проблема формирования адекватных откликов (как мы будем описывать эмоцию, через какие параметры).
3. Проблема построения модели (функции зависимости), удовлетворяющей всем статистическим критериям качества.
Нечёткое множество - понятие, введённое Лотфи Заде в 1965 г. Л. Заде расширил классическое понятие множества, допустив, что характеристическая функция (функция принадлежности элемента множеству) может принимать любые значения в интервале [0,1], а не только значения 0 или 1 [16, 23].
Теория нечетких множеств позволяет оперировать с нечеткими знаниями и строить на их основе различные системы. Относительно задачи формирования эмоций роботов и моделирования их эмоционального поведения теория нечетких множеств, по нашему мнению, также может активно применяться. Это, прежде всего, связанно с тем, что большинство результатов, полученных психологами относительно вопроса измерения и формирования эмоций, по своей природе являются нечеткими. Например, рассматривая все ту же формулу эмоций Симонова Э = -П(ИН - Ис) и зная, что данная формула имеет лишь функциональный характер, мы можем предположить, что потребность - это не что иное, как некая лингвистическая переменная, с областью значений: Т = {Сильная потребность, средняя потребность, слабая потребность] Таким же образом, мы можем представить и разность информации {Ин - Ис), и эмоцию Э в виде лингвистических переменных со своими областями значений. Также мы можем определить некие правила их сопоставления (базу знаний), полученную исходя из наблюдений и знаний экспертов.
Даже сами определения понятия «эмоция» и различных типов эмоций, которые дают психологи зачастую содержат много нечеткостей. В этом легко убедиться, взглянув на определения, которые даны в разделе 1.2.
Использование нечетких множеств может предоставить ряд преимуществ, в частности - это возможность оперировать нечеткими входными данными (что актуально для задачи, связанной с моделированием эмоций), возможность нечеткой формализации критериев оценки и сравнения, возможность проведения качественных оценок как входных данных, так и выходных результатов (является важным при определении качества испытываемой субъектом эмоции).
Когнитивные подходы - это подходы, которые основываются на концепции знаний [11]. К таким подходам можно отнести подходы, описанные в моделях KARO и ЕМА. Как уже говорилось, преимущество таких подходов заключается в том, что они позволяют моделировать различные типы эмоций на основе продекларированных знаний. При этом, путем расширения базы знаний мы можем описывать новые типы эмоций и, как следствие, новые типы эмоционального поведения роботов (применительно к поставленным перед нами задачам). Проблемой использования когнитивных подходов для решения задач формирования эмоций роботов может служить их направленность на узко специализированные предметные области, а также возникновение противоречий, которые могут получаться в процессе расширения базы знаний. Также важно помнить, что когнитивный подход стоит применять только в том случае, когда задача не может быть решена традиционными методами или решение задачи традиционными методами затруднено или нецелесообразно.
Обобщение модели псевдовоспитания робота
Полученные соотношения (2.39) и (2.40) позволяют вычислить погрешность предельного псевдовоспитания при аппроксимации реального псевдовоспитательного процесса эквивалентным. Погрешность X будет определяться соотношением (2.41): Анализ неравенства (2.41) позволяет сделать вывод о том, что чем хуже память у робота, тем меньше погрешность вычисления предельного псевдовоспитания.
Рассмотрим пример построения эквивалентного псевдовоспитательного процесса при совпадении тактов с тактами реального псевдовоспитательного процесса робота.
Пусть реальный псевдовоспитательный процесс содержит три такта псевдовоспитания, при этом R0 =0,Rx=l,R2=3,R3 =4. Используя приведенные выше формулы для вычисления вид, получаем: 15-7 4=1
Таким образом, мы получили аппроксимацию реального псевдовоспитательного процесса, имеющего три такта псевдовоспитания, со значениями псевдовоспитания в узловых точках: R0 = О, R{ =l,R2 - 3, R3 = 4, эквивалентным псевдовоспитательным процессом с равноценными псевдоэмоциями, влекущими элементарное псевдовоспитание q = 2.5 и равными коэффициентами памяти в = 0.5.
Исходя из полученных значений, можно найти приближенное значение предельного псевдовоспитания: Z =
Случаи несовпадение тактов реального и эквивалентного псевдовоспитательных процессов Будем предполагать, что псевдовоспитательные такты в эквивалентном псевдовоспитательном процессе могут отличаться от тактов в реальном псевдовоспитательном процессе, то есть продолжительность тактов эквивалентного псевдовоспитательного процесса может отличаться от продолжительности тактов реального псевдовоспитательного процесса.
Как показано на рис. 2.1, конец второго такта реального псевдовоспитательного процесса может соответствовать концу четвертого такта эквивалентного псевдовоспитательного процесса.
Для аппроксимации реального псевдовоспитательного процесса эквивалентным псевдовоспитательным процессом введем целевую функцию (2.43): в результате эквивалентного псевдовоспитательного процесса после такта с номером j) (У/ 1). Заметим, что j\,...,jn - это натуральные числа. Таким образом, для решения задачи нахождения эквивалентного псевдовоспитательного процесса нельзя воспользоваться классическими методами оптимизации. Следовательно, разобьем задачу на две части: сначала произведем оптимизацию относительно параметров в и q, а затем уже методом перебора будем искать оптимальные j\,...,jn.
Очевидно, данная система относительно множителей Я имеет только тривиальное решение: Я, = 0,Я2 =0. Следовательно, условие одновременного не равенства нулю множителей Лагранжа не выполняется, следовательно данный случай не может быть принят во внимание.
Согласно следствию из теоремы Вейерштрасса [9, 12, 14], в одной из «подозрительных» точек целевая функция будет достигать своего абсолютного минимума.
После решения первой части задачи, при известных R{,і = 0,п, можно методом перебора найти оптимальные j\,...,j„. Таким образом, получим все необходимые параметры, которые определяют эквивалентный псевдовоспитательный процесс.
Как и в разделе 2.4.1, рассмотрим погрешность аппроксимации предельного значения реального псевдовоспитательного процесса эквивалентным.
Проведя такую же последовательность действий по определению погрешности, как и при рассмотрении оптимизационной задачи при совпадении тактов реального и эквивалентного псевдовоспитательных процессов, получаем также неравенство (2.41) для оценки погрешности:
В этой главе введем определения и рассмотрим математические модели, используемые для вычисления величины достижения цели псевдовоспитательного процесса, которая может быть поставлена перед роботом.
Пусть для достижения цели определено заданное количество шагов К. Определение 18. Шагом к цели с номером к назовем вектор R-k = {rk ii-/t т), определяющий состояние робота, полученное в результате одного шага с порядковым номером к при стремлении к цели. Определение 19. Вектором-состоянием робота Wk назовем вектор, соответствующий достижению цели в результате всех выполненных шагов до шага с номером к включительно и удовлетворяющий соотношению
Отклонение направления шага с номером к от направления цели будет характеризовать угол /Зк, равный углу между целью и шагом с номером к к цели. Косинус этого угла можно вычислить по формуле [22]: С05(А)=1Жг (ЗЛ) где {A,Rk) - это скалярное произведение векторов А и Rk, а \А\ и \Rk\ -соответствующие длины векторов А и Rk. При этом стоит учитывать, что, если Rk - (О,...,О), то на шаге с номером к нет продвижения к цели и угол /Зк т раз невозможно определить.
Аналогично, отклонение от направления цели в результате выполнения к шагов будет характеризоваться углом а , косинус которого равен [22]: шагов мы нисколько не продвинулись в достижении цели. Таким образом, после выполнения заданного количества шагов К можно определить величину S, характеризующую близость вектора состояний к конечной цели и определяемую как отношение длины проекции вектора Wk к длине вектора цели А, умноженной на cos ). Таким образом, величина 8 определяется, как [22]:
Правила принятия решения роботом
Таким образом, если мы будем сравнивать псевдовоспитания нескольких роботов, каждый из которых способен достичь определенно заданной цели (то есть для каждого величина 8 1), то наиболее способным для достижения такой цели будем считать того, у которого величина Т минимальная.
Также, очевидно, что успешные действия робота на шаге с номером к приближают его к достижению цели в целом. Поэтому для анализа действий робота при достижении цели необходимо отслеживать величины /Зк и Хк на каждом шаге. Чем ближе значение /Зк к 0 и чем больше значение Xk тем лучше выбрано действие робота на данном шаге, и тем ближе робот будет к цели после выполнения данного действия.
Рассмотрим цель в аспекте группы роботов.
Пусть каждый робот группы имеет шаг с номером к к своей цели, задаваемый вектором fjj =\Sj,l,k --- Sj,m,k) тогда очевидно суммарный шаг с номером к группы к достижению цели определится формулой
После введенных соотношений можно использовать для численной оценки достижения поставленной групповой цели положения, касающиеся одного робота, подразумевая при этом под роботом целую группу.
После достижения одной цели перед роботом может возникнуть другая цель, при этом новая цель может отличаться от предыдущей количеством компонент в векторе цели, но, несмотря на это, механизм для вычисления величины достижения новой цели остается прежним. Возможна также ситуация, когда перед роботом задана цель, но при этом задание цели является нечетким (то есть цель не может быть задана одним вектором). В этом случаи цель можно представить матрицей А: где каждая строка определяет отдельную ситуацию и соответствует достижению цели.
В этом случаи механизм оценки достижения цели по каждой строке матрицы после выполнения роботом К шагов будет таким же, как описано ранее. После проведения оценки по каждой строке, можно выбрать ту строку, которая достигнута больше всего.
Рассмотрим самый простой случай, соответствующий цели и к шагам к цели, являющихся скалярными величинами. В этом случае цель и шаг с номером к к цели имеют только два направления: или совпадающее с направлением числовой оси, или противоположное ей. Поэтому получаем соотношения (3.9): где А - скаляр, определяющий значение цели. При этом значения углов ак и (Зк будут следующими: ак = О, еслиAWk О, [рк = 0, еслиARk О, ак - п еслиAWk 0, Рк = ж,еслиАЯк 0, (ЗЛО) ак - неопределено,если AWk = 0. \J5k - неопределенен,если ARk = 0. Опишем способ применения индивидуальной оценки достижения цели для ранжирования роботов по псевдовоспитаниям. Для правильного ранжирования, прежде всего, необходимо поставить максимально возможную цель и ранжирование производить согласно численным величинам достижения цели. Если эти численные величины для некоторых роботов оказываются равными, то вперед в рейтинге необходимо ставить субъекта с наименьшим уклонением от направления цели. Описанный способ ранжирования псевдовоспитаний назовем ранжированием по цели.
Рассмотрим случай, когда численные значения элементов вектора цели неизвестны, но необходимо ранжировать векторы псевдовоспитаний согласно достижению этой цели в порядке близости к ней. Не нарушая общности, будем предполагать, что целью действий робота является получение наилучших результатов. Тогда цель А можно охарактеризовать вектором с т единичными элементами: А = (1,...,\). Дав каждому элементу набора векторов псведовоспитаний номер, соответствующий его близости к единице, получим для каждого псведовоспитания вектор Bj ={blj,...,bmj),
Очевидно, что векторы В і будут тем ближе к цели, чем меньше величина 8j. Поэтому эти векторы можно ранжировать в порядке возрастания 8.. Если при этом окажется 8І - 8 , іФк, то вперед необходимо ставит вектор, соответствующий большему значению cosvF/. Предположим, что робот может достигать цель поэтапно. Тогда, пусть конечная цель робота определяется вектором (3.13): подынтегральная функция - это функция величины достижения цели А. Справедлива следующая оценка для работы псевдовоспитательного процесса в одномерном случаи (цель задается скаляром): В многомерном случаи, для работы псевдовоспитательного процесса справедливо соотношение: in
Следует отметить, что КПД псевдовоспитательного процесса робота позволяет оценивать коэффициенты памяти робота, то есть «природные» характеристики, с точки зрения обеспечения наиболее эффективного псевдовоспитательного процесса. 4. Модели и алгоритмы поведения роботов с неабсолютной памятью
В данной главе предлагаются разработанные модель и алгоритм принятия решения роботом на основе псевдовоспитания [72, 75, 76, 80], а также параметры группы роботов и разработанная модель контактов в группе роботов [74, 81].
Предположим, что перед роботом возникает проблема выбора, которая заключается в следующем: робот должен принять некоторое решение относительно своих дальнейших действий или поведения. При этом робот должен учитывать свои связи и отношения с взаимодействующими с ним субъектами при принятии решения. Например, когда два человека дают роботу одновременно две взаимоисключающие команды, робот должен принять решение в пользу той или иной команды, в зависимости от его «привязанности» к каждому из людей [5, 46, 61, 96].
Пусть на робота действует п различных субъектов с последовательностями раздражителей-сюжетов: S{(t),...,S (t), где к - это порядковый номер субъекта, тк - количество раздражителей-сюжетов конкретного субъекта. Таким образом, к некоторому моменту времени функционирования робота у него сложатся псевдовоспитания Rxm,...,Rnm относительно каждого из раздражителей-сюжетов, то есть относительно каждого из воздействующих субъектов. Не нарушая общности, можем утверждать, что у робота могут сформироваться положительные, отрицательные и даже нейтральные псевдовоспитания относительно того или иного субъекта.
Будем предполагать, что если робот имеет отрицательное или нейтральное псевдовоспитание относительно некоторого субъекта, то решение в пользу данного субъекта не может быть принято в принципе. Если робот не имеет относительно всех воздействующих субъектов ни одного положительного псевдовоспитания, то решение роботом не принимается.
Пусть относительно первых / субъектов у робота сформировались положительные псевдовоспитания. Построим общий вектор псевдовоспитания и векторы псевдовоспитания для каждого конкретного субъекта по формулам (4.1):
Визуальный интерфейс программы SoundBot
Как показывает рис. 5.10, программа SoundSelectBot взаимодействует со звуковым адаптером двумя способами. Во-первых, осуществляет управление, то есть дает команды к действию. Управление реализуется при помощи драйвера звукового адаптера. Во-вторых, программа SoundSelectBot осуществляет прием необходимых для моделирования данных о звуковом сигнале. Здесь, важным моментом является то, что звуковой адаптер позволяет работать, как со звуковыми сигналами, поступающими в систему через микрофон, то есть с аналоговыми сигналами, так и со звуковыми сигналами, находящимися уже в цифровом формате и хранящимися в аудио файлах (в нашем случаи программа SoundSelectBot работает только с файлами в формате .wav).
Архитектура программы SoundSelectBot Таким образом, к основным элементам программы SoundSelectBot можно отнести следующие программные модули: 1. Модуль работы со звуком, который отвечает за взаимодействие программной системы со звуковым адаптером и снабжает систему моделирования необходимыми данными о воздействующем звуковом сигнале. 2. Модуль расчетов, который используется для проведения численных расчетов в рамках модели, заложенной в основу системы моделирования программы SoundSelectBot. Модуль расчетов взаимодействует только с системой моделирования, получает запросы на выполнение расчетов и возвращает результаты. 3. Модуль отображения. Он отвечает за отображение промежуточных и окончательных результатов моделирования, получая соответствующие запросы от системы моделирования. 4. Система моделирования - отвечает за процесс моделирования рассматриваемой ситуации взаимодействия робота с оказывающим воздействие субъектом. Система моделирования является центральным элементом программы SoundSelectBot и координирует работу всех остальных модулей. Система моделирования состоит из двух основных частей: a. Буфер данных (является хранилищем данных, необходимых для проведения процесса моделирования). b. Объектная модель (не является как таковым элементом программной системы и содержит набор взаимосвязанных классов, отвечающих за реализацию представленного ранее алгоритма). 5.5.3. Объектная модель системы моделирования Важным моментом при разработке любой программы является определение основных понятий, терминов, входящих в предметную область задачи, на решение которой направлена программа, а также определение связей между данными понятиями. Особенно полезным это может быть, если разработка программы происходит в объектно-ориентированном стиле. При этом часто разрабатывают набор взаимосвязанных классов, которые называют объектной моделью программы[13, 27, 41, 64].
Как мы видим, объектная модель содержит три основных класса: 1. Класс CModelingSystem. Является основным классом системы моделирования. Содержит список всех роботов в системе моделирования, а также буфер с данными, необходимыми для моделирования. 2. Класс CRobot. Описывает роботов, находящихся в системе моделирования. Содержит идентификатор робота в системе моделирования, информацию о наборе характеристик робота, а также список объектов CEducation. 3. Класс CEducation. Описывает псевдовоспитание полученное роботом при взаимодействии с конкретным субъектом. Содержит текущее значение псведовоспитания робота для данного субъекта, а также коэффициент памяти относительно данного субъекта. Программа SoundSelectBot реализована на языке C++ в среде Visual Studio 2008, функционирует на персональном компьютере класса IBM/PC под управлением операционной системы Windows ХР SP2 и выше. Также для работы программной системы необходим .NET Framework 2.0. Объем программы 105 Кб (exe-файл).
Программа обладает следующими основными функциями: 1. Программа SoundSelectBot позволяет задать основные параметры математической модели, лежащей в основе программы, а именно: a. Действующих на робота субъектов, включая коэффициенты памяти робота, присвоенные для данных субъектов. b. Такт возникающих у робота псевдоэмоций. c. Верхний и нижний порог отсутствия псевдоэмоций. 2. Программа SoundSelectBot позволяет задать параметры записи звуковых файлов в формате .wav, а именно: a. Длину записи. b. Частоту дискретизации. 3. Программа SoundSelectBot позволяет оказывать воздействие на моделируемого робота двумя способами: a. При помощи готовых звуковых файлов в формате .wav. b. В интерактивном режиме, через подключенный микрофон. Существует возможность сохранения звука, полученного в интерактивном режиме в звуковых файлах в формате .wav. 4. Программа SoundSelectBot визуализирует: a. Звуковую волну, оказывающую воздействие на моделируемого робота. b. Песвдоэмоции, испытываемые моделируемым роботом. 108 с. Полученные псевдовоспитания робота, относительно каждого из субъектов, оказывающих воздействие на моделируемого робота. 5. Программа SoundSelectBot позволяет промоделировать процесс выбора робота.
Функционирование модуля работы со звуком основано на использовании интерфейса низкого уровня, предоставляемого операционной системой Windows. Выбор данного средства доступа к звуковому адаптеру не случаен. Интерфейс низкого уровня позволяет полностью контролировать весь процесс воспроизведения и записи звуковых сигналов, включая получение данных о воспроизводимом или записываемом звуковом сигнале во время воспроизведения или записи. Такая возможность необходима программе SoundSelectBot для того, чтобы в реальном режиме времени (во время воспроизведения или записи звукового сигнала) производить процесс моделирования [21, 27].
Параллельная работа системы моделирования и модуля работы со звуком организованна с целью предания процессу моделирования интерактивности. Пока модуль работы со звуком получает очередные данные от звукового адаптера, система моделирования производит моделирование на уже ранее полученных данных и посредством модуля отображения выдает текущие результаты пользователю.
Похожие диссертации на Математические модели роботов с неабсолютной памятью
-
