Урок 19 • 7 класс STEM • 45 минут

Представьте ситуации:

• Робот-пылесос впервые попадает в новую комнату
• Беспилотный автомобиль встречает незнакомый дорожный знак
• Робот-помощник должен понять новую команду человека

Как бы вы запрограммировали робота для таких ситуаций?

Можно ли заранее предусмотреть ВСЕ возможные ситуации?

Узнаем:

• Что такое интеллектуальные алгоритмы
• Чем они отличаются от обычных программ
• Как роботы могут “учиться” и адаптироваться
• Где применяется искусственный интеллект в робототехнике

Создадим:

• Сравнительную таблицу алгоритмов
• Примеры интеллектуального поведения роботов

STEM-интеграция:

• Математика: вероятности и статистика
• Информатика: алгоритмы и структуры данных
• Физика: датчики и обратная связь

• Детерминированность - одинаковый вход → одинаковый выход
• Предсказуемость - заранее известна реакция на ситуацию
• Жесткая логика - четкие правила “если-то”
• Полная программируемость - все ситуации предусмотрены программистом

1ЕСЛИ цвет = красный ТО
2    переместить в контейнер А
3ИНАЧЕ ЕСЛИ цвет = синий ТО
4    переместить в контейнер Б  
5ИНАЧЕ ЕСЛИ цвет = зеленый ТО
6    переместить в контейнер В
7ИНАЧЕ
8    переместить в контейнер "неизвестные"

Ситуация: Робот встречает объект нового цвета (оранжевый) Проблема: Программист не предусмотрел этот случай Результат: Объект попадает в контейнер “неизвестные”

Ситуация: Освещение в помещении изменилось Проблема: Датчик цвета дает другие показания Результат: Неправильная сортировка

Чтобы предусмотреть 10 разных ситуаций → 10 правил Чтобы предусмотреть 1000 разных ситуаций → 1000 правил Чтобы предусмотреть ВСЕ ситуации → ???

Для робота с 3 датчиками (каждый может принимать 256 значений): $$N_{состояний} = 256^3 = 16,777,216$$

Для робота с 10 датчиками: $$N_{состояний} = 256^{10} ≈ 1.2 \times 10^{24}$$

Практически невозможно запрограммировать все случаи!

$$\text{Сложность программирования} = O(k^n)$$ где $k$ - количество вариантов реакции, $n$ - количество датчиков

Вывод: Нужен новый подход к программированию роботов!

Интеллектуальные алгоритмы - это алгоритмы, которые могут:

• Адаптироваться к новым ситуациям
• Обучаться на собственном опыте
• Принимать решения в условиях неопределенности
• Обобщать знания на новые случаи

Как учится ребенок:

1. Видит много примеров (кошки, собаки)
2. Находит общие признаки каждого класса
3. Применяет знания к новым животным
4. Корректирует свои представления при ошибках

Так же “учатся” интеллектуальные алгоритмы!

Формула обновления ценности действия: $$Q(s,a) = Q(s,a) + \alpha[r + \gamma \max Q(s’,a’) - Q(s,a)]$$

где:

• $Q(s,a)$ - ценность действия $a$ в состоянии $s$
• $\alpha$ - скорость обучения (0 < α < 1)
• $r$ - награда за действие
• $\gamma$ - коэффициент дисконтирования будущих наград

Простыми словами: Если действие привело к хорошему результату, увеличиваем его ценность

Формула Байеса для робота: $$P(\text{Действие}|\text{Ситуация}) = \frac{P(\text{Ситуация}|\text{Действие}) \times P(\text{Действие})}{P(\text{Ситуация})}$$

Пример: Робот определяет, стоит ли захватывать объект на основе данных камеры

1Алгоритм случайного движения:
21. Двигаться прямо
32. При столкновении:
4   - Повернуться на случайный угол
5   - Продолжить движение
63. Убирать мусор по пути

Проблемы:

• Убирает одни места много раз, другие - пропускает
• Не помнит, где уже убирал
• Не адаптируется к планировке комнаты

 1Алгоритм SLAM (Simultaneous Localization and Mapping):
 21. Строить карту помещения в процессе движения
 32. Определять свое положение на карте
 43. Планировать оптимальный маршрут
 54. Запоминать места с большим количеством мусора
 65. Адаптировать стратегию уборки
 7
 8Дополнительные возможности:
 9- Распознавание типов поверхностей
10- Обучение расписанию уборки
11- Избегание хрупких предметов

Система восприятия:

• Камеры (8-12 шт.) - распознавание объектов, знаков, разметки
• Лидары - 3D-карта окружения в реальном времени
• Радары - определение скорости других объектов
• GPS + инерциальные датчики - точная навигация

Алгоритмы принятия решений:

1Процесс принятия решения (каждые 10 мс):
21. Объединить данные всех датчиков
32. Распознать объекты (автомобили, пешеходы, знаки)
43. Предсказать движение других участников
54. Рассчитать безопасные траектории
65. Выбрать оптимальную траекторию
76. Передать команды управления

Обучение на миллионах километров:

• Анализ аварийных ситуаций
• Улучшение распознавания редких объектов
• Адаптация к разным погодным условиям
• Обучение на ошибках других автомобилей в сети

Традиционный подход:

• Жестко запрограммированные движения
• Точные координаты для каждой детали
• Остановка при любом отклонении

Интеллектуальный подход:

1Адаптивная сборка:
21. Система машинного зрения определяет положение детали
32. ИИ вычисляет оптимальную траекторию захвата
43. Тактильные датчики контролируют силу сжатия
54. Обратная связь корректирует движения в реальном времени
65. Система учится на каждой операции

Преимущества ИИ:

• Работа с деталями разных размеров
• Адаптация к износу инструментов
• Самодиагностика и предотвращение поломок
• Оптимизация скорости работы

Как AlphaGo обучалась игре Го:

 1Этап 1: Обучение на человеческих партиях
 2- Изучила 30 миллионов ходов профессионалов
 3- Научилась имитировать стиль игры человека
 4
 5Этап 2: Самообучение
 6- Играла сама с собой миллионы партий
 7- Каждая новая версия играла с предыдущей
 8- Открывала новые стратегии, неизвестные людям
 9
10Результат: Победила чемпиона мира 4:1

Компоненты системы:

• Камеры высокого разрешения (1000 кадров/сек)
• Предсказание траектории мяча
• Планирование движения ракетки
• Обучение на каждом розыгрыше

Математика предсказания: $$\vec{r}(t) = \vec{r_0} + \vec{v_0}t + \frac{1}{2}\vec{g}t^2 + \vec{F_{воздух}}(t)$$

где учитывается сопротивление воздуха и вращение мяча

Каждая группа получает карточку с конкретной задачей робототехники:

1. Автономная навигация робота
2. Взаимодействие робота с человеком
3. Промышленный робот-манипулятор
4. Робот для исследования местности

Нужно сравнить традиционный и интеллектуальный подходы по параметрам:

• Способ программирования
• Реакция на непредвиденные ситуации
• Необходимые вычислительные ресурсы
• Способность к адаптации
• Надежность работы
• Области применения

Время выполнения задачи: $$T_{задачи} = T_{планирование} + T_{выполнение} + T_{коррекция}$$

Эффективность использования ресурсов: $$E = \frac{\text{Полезная работа}}{\text{Затраченные ресурсы}}$$

Адаптивность: $$A = \frac{\text{Успешных адаптаций}}{\text{Общее количество новых ситуаций}}$$

Эксперимент с традиционным алгоритмом:

1Результаты за 1 час работы:
2- Правильно отсортировано: 85 объектов (85%)
3- Ошибочно отсортировано: 15 объектов (15%)
4- Объекты новых цветов: 0% правильной сортировки
5- Время адаптации к новому цвету: Требует перепрограммирования

Эксперимент с интеллектуальным алгоритмом:

1Результаты за 1 час работы:
2Первые 10 минут: 60% правильной сортировки
3Через 30 минут: 80% правильной сортировки  
4Через 60 минут: 95% правильной сортировки
5Объекты новых цветов: Автоматическое обучение за 5-10 примеров

Выводы:

• Традиционный алгоритм: стабильный, но негибкий
• Интеллектуальный: медленный старт, но быстрая адаптация

Пример: Робот определяет, стоит ли идти под дождем

 1Данные датчиков:
 2- Влажность: 90%
 3- Давление: Падает
 4- Температура: 15°C
 5- Ветер: 10 м/с
 6
 7Вероятности событий:
 8P(дождь | данные_датчиков) = 0.8
 9P(поломка_при_дожде) = 0.3
10P(успех_выполнения_задачи | дождь) = 0.4
11P(успех_выполнения_задачи | без_дождя) = 0.9

Расчет ожидаемой полезности: $$EU(\text{идти}) = P(\text{дождь}) \times U(\text{идти, дождь}) + P(\text{не дождь}) \times U(\text{идти, не дождь})$$ $$EU(\text{идти}) = 0.8 \times (-10) + 0.2 \times (+15) = -8 + 3 = -5$$ $$EU(\text{остаться}) = 0$$

Решение: Лучше остаться (EU = 0 > -5)

Математическая модель: $$y = f\left(\sum_{i=1}^n w_i x_i + b\right)$$

где:

• $x_i$ - входные сигналы (данные датчиков)
• $w_i$ - веса связей (важность каждого датчика)
• $b$ - смещение (порог активации)
• $f$ - функция активации

Функция активации (ReLU): $$f(x) = \max(0, x)$$

 1Входы:
 2x₁ = расстояние_спереди (0-100 см)
 3x₂ = расстояние_слева (0-100 см)  
 4x₃ = расстояние_справа (0-100 см)
 5
 6Веса (обученные):
 7w₁ = 0.8  (расстояние спереди важнее всего)
 8w₂ = 0.3  (расстояние слева менее важно)
 9w₃ = 0.3  (расстояние справа менее важно)
10b = -50   (порог срабатывания)
11
12Расчет:
13y = max(0, 0.8×20 + 0.3×60 + 0.3×40 - 50)
14y = max(0, 16 + 18 + 12 - 50) = max(0, -4) = 0
15
16Результат: Препятствие НЕ обнаружено

Задача: Робот учится находить выход из лабиринта

Q-таблица: показывает ценность каждого действия в каждом состоянии

1Состояние (позиция) | Север | Юг | Запад | Восток |
2--------------------|-------|-----|-------|--------|
3(1,1)              |  0.2  | -0.1|  0.5  |  0.8   |
4(1,2)              |  0.1  |  0.3|  -0.2 |  1.2   |
5(2,1)              |  0.7  | -0.5|  0.1  |  0.4   |

Алгоритм обучения:

11. Выбрать действие на основе Q-таблицы (с долей случайности)
22. Выполнить действие, получить награду r
33. Наблюдать новое состояние s'
44. Обновить Q-значение:
5   Q(s,a) = Q(s,a) + α[r + γ max Q(s',a') - Q(s,a)]
65. Повторить процесс

Параметры обучения:

• α = 0.1 (скорость обучения)
• γ = 0.9 (важность будущих наград)
• ε = 0.1 (вероятность случайного действия)

Принцип: Имитируем естественный отбор для создания лучших алгоритмов

Этапы генетического алгоритма:

 11. Создание популяции:
 2   Генерируем 100 случайных программ управления роботом
 3
 42. Оценка приспособленности:
 5   Каждая программа тестируется в симуляторе
 6   Оценка = время_выполнения_задачи + точность + энергоэффективность
 7
 83. Селекция:
 9   Выбираем 20 лучших программ для "размножения"
10
114. Скрещивание:
12   Объединяем части разных программ для создания потомков
13
145. Мутация:
15   Случайно изменяем небольшие части программ (1% генов)
16
176. Повторяем цикл 1000 поколений

Математическая модель приспособленности: $$F = w_1 \times \frac{1}{t} + w_2 \times A + w_3 \times \frac{1}{E}$$

где: $t$ - время, $A$ - точность, $E$ - энергопотребление, $w_i$ - веса

1. Мультимодальное обучение

• Объединение зрения, слуха, осязания
• Создание единой модели понимания мира
• Пример: Робот понимает команду “принеси красный предмет с кухонного стола”

2. Непрерывное обучение

• Обучение без забывания предыдущих навыков
• Адаптация к новым задачам на основе старых
• Передача знаний между роботами

3. Объяснимый ИИ

• Роботы объясняют свои решения
• Увеличение доверия и безопасности
• Пример: “Я повернул налево, потому что справа обнаружил пешехода”

Роботы-помощники нового поколения:

1Характеристики домашнего ИИ-робота 2030 года:
2- Понимание естественной речи и жестов
3- Распознавание эмоций и настроения
4- Предсказание потребностей жильцов
5- Обучение привычкам семьи
6- Координация с другими умными устройствами

Сценарий типичного дня:

1. 6:00 - Робот анализирует качество сна по датчикам, готовит персональный завтрак
2. 8:00 - Оптимизирует маршрут на работу на основе трафика и погоды
3. 12:00 - Заказывает продукты, анализируя содержимое холодильника
4. 18:00 - Подготавливает дом к возвращению (освещение, температура, музыка)
5. 22:00 - Анализирует день, предлагает план на завтра

Для пожилых людей:

• Мониторинг здоровья
• Напоминание о лекарствах
• Социальное взаимодействие
• Экстренная помощь

Для детей:

• Персональный учитель
• Игровой партнер
• Защитник и наблюдатель

Самоорганизующиеся фабрики:

1Ключевые возможности:
21. Роботы автоматически переназначают задачи при сбоях
32. Предиктивное обслуживание предотвращает поломки
43. Оптимизация производства в реальном времени
54. Обучение на данных всех заводов компании

Математическая модель оптимизации: $$\min_{x} C(x) = \sum_{i=1}^n c_i x_i + \sum_{j=1}^m p_j \times P(\text{поломка}_j)$$

где оптимизируется стоимость производства с учетом рисков

Новое поколение коботов с ИИ:

• Интуитивное программирование жестами
• Адаптация к стилю работы человека
• Предсказание намерений оператора
• Автоматическое обучение новым задачам

Автономные космические роботы:

1Миссия на Марсе 2035 года:
2- Полностью автономная навигация (задержка связи 20 минут)
3- Самостоятельное планирование экспериментов
4- Адаптация к непредвиденным ситуациям
5- Обучение на каждом новом открытии

Роботы-экологи:

• Автономные дроны для мониторинга лесов
• Подводные роботы для изучения океанов
• Предсказание экологических катастроф
• Автоматическое восстановление экосистем

Медицинские ИИ-роботы:

• Хирургические операции с субмиллиметровой точностью
• Персональная диагностика на основе данных всей жизни
• Роботы-реабилитологи, адаптирующиеся к пациенту
• Автоматическая разработка лекарств

Ключевые риски:

1. Непредсказуемость - ИИ может принимать неожиданные решения
2. Взлом систем - кибератаки на роботов
3. Потеря контроля - что если робот “решит” не слушаться?
4. Ошибки в критических ситуациях - медицина, транспорт

Изменения в обществе:

• Исчезновение некоторых профессий
• Появление новых видов работы
• Необходимость переобучения населения
• Вопросы справедливого распределения благ

Новые законы для ИИ-роботов:

• Кто отвечает за ошибки автономного робота?
• Права и обязанности искусственного интеллекта
• Стандарты безопасности для самообучающихся систем
• Международное регулирование ИИ-технологий

Когда использовать традиционные алгоритмы:

• Простые, четко определенные задачи
• Критически важные системы (безопасность)
• Ограниченные вычислительные ресурсы
• Необходима полная предсказуемость

Когда использовать интеллектуальные алгоритмы:

• Сложные, изменяющиеся среды
• Большие объемы данных
• Необходима адаптация к новым ситуациям
• Доступны мощные вычислительные ресурсы

Придумайте робота с интеллектуальными алгоритмами для решения реальной проблемы:

Шаблон описания:

 1Название робота: _______________
 2Проблема, которую решает: _______________
 3Интеллектуальные способности:
 41. _______________
 52. _______________
 63. _______________
 7
 8Алгоритмы обучения:
 9- Как робот получает данные: _______________
10- На чем обучается: _______________
11- Как адаптируется: _______________
12
13Этические соображения: _______________

“Робот-садовник”

• Анализирует состояние растений по фотографиям
• Определяет оптимальный режим полива и удобрений
• Обучается на успехах и неудачах выращивания

“Робот-учитель математики”

• Адаптирует объяснения под стиль обучения ученика
• Определяет эмоциональное состояние по выражению лица
• Генерирует персональные задачи для закрепления

3 новых факта, которые я узнал:

2 вопроса, которые у меня остались:

1 область применения, которая меня заинтересовала:

Самые интересные открытия урока:

• Роботы могут обучаться как дети
• Математика помогает роботам принимать решения
• ИИ уже сейчас окружает нас повсюду

Вопросы для дальнейшего изучения:

• Как обеспечить безопасность ИИ-роботов?
• Какие профессии появятся в будущем?
• Сможет ли ИИ превзойти человеческий интеллект?

Базовый уровень: Найти пример интеллектуального алгоритма в устройстве, которым вы пользуетесь (смартфон, игровая приставка, умная колонка). Описать, как он работает.

Продвинутый уровень: Изучить один из алгоритмов машинного обучения (линейная регрессия, дерево решений) и объяснить его принцип работы простыми словами.

Творческий уровень: Написать короткий рассказ о дне из жизни человека в 2040 году, когда ИИ-роботы станут обычным явлением.

Для любознательных:

• Документальные фильмы об ИИ
• Онлайн-курсы по машинному обучению для школьников
• Симуляторы для программирования виртуальных роботов
• Книги о будущем робототехники