Урок 19 • 7 класс STEM • 45 минут
Представьте ситуации:
Как бы вы запрограммировали робота для таких ситуаций?
Можно ли заранее предусмотреть ВСЕ возможные ситуации?
Узнаем:
Создадим:
STEM-интеграция:
Алгоритм движения по линии:
1. Считать значение с датчика линии
2. ЕСЛИ значение > порог ТО
повернуть влево
ИНАЧЕ
повернуть вправо
3. Повторить с шага 1
1. Двигаться вперед
2. ЕСЛИ датчик расстояния < 20 см ТО
остановиться
повернуть направо на 90°
проехать 30 см
повернуть налево на 90°
3. Повторить с шага 1
ЕСЛИ цвет = красный ТО
переместить в контейнер А
ИНАЧЕ ЕСЛИ цвет = синий ТО
переместить в контейнер Б
ИНАЧЕ ЕСЛИ цвет = зеленый ТО
переместить в контейнер В
ИНАЧЕ
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 → ???
Практически невозможно запрограммировать все случаи!
где $k$ - количество вариантов реакции, $n$ - количество датчиков
Вывод: Нужен новый подход к программированию роботов!
Интеллектуальные алгоритмы - это алгоритмы, которые могут:
Как учится ребенок:
Так же “учатся” интеллектуальные алгоритмы!
Пример: Распознавание лиц
1. Показать роботу 1000 фотографий с подписями
2. Алгоритм находит закономерности в пикселях
3. При виде нового лица применяет найденные правила
4. Если ошибся - корректирует свои правила
Пример: Робот-пылесос
1. Начинает убираться случайным образом
2. Запоминает, где больше всего мусора
3. Планирует маршрут на основе этой информации
4. Постоянно корректирует стратегию
Пример: Автономный автомобиль
1. Видит препятствие впереди
2. Оценивает вероятности разных исходов:
- 70% - безопасно объехать слева
- 20% - безопасно объехать справа
- 10% - лучше остановиться
3. Выбирает действие с максимальной безопасностью
где:
Простыми словами: Если действие привело к хорошему результату, увеличиваем его ценность
Пример: Робот определяет, стоит ли захватывать объект на основе данных камеры
Процесс:
1. Показываем роботу примеры с правильными ответами
2. Алгоритм ищет закономерности
3. Тестируем на новых данных без ответов
4. Корректируем, если нужно
Применение: Распознавание объектов, речи, медицинская диагностика
Процесс:
1. Даем роботу данные без правильных ответов
2. Алгоритм самостоятельно ищет закономерности
3. Выделяет группы, паттерны, аномалии
Применение: Анализ поведения клиентов, группировка данных
Процесс:
1. Робот выполняет действия в среде
2. За хорошие действия получает "награду"
3. За плохие - "штраф"
4. Учится максимизировать награду
Применение: Игры, управление роботами, финансовые торги
Алгоритм случайного движения:
1. Двигаться прямо
2. При столкновении:
- Повернуться на случайный угол
- Продолжить движение
3. Убирать мусор по пути
Проблемы:
Алгоритм SLAM (Simultaneous Localization and Mapping):
1. Строить карту помещения в процессе движения
2. Определять свое положение на карте
3. Планировать оптимальный маршрут
4. Запоминать места с большим количеством мусора
5. Адаптировать стратегию уборки
Дополнительные возможности:
- Распознавание типов поверхностей
- Обучение расписанию уборки
- Избегание хрупких предметов
Система восприятия:
Алгоритмы принятия решений:
Процесс принятия решения (каждые 10 мс):
1. Объединить данные всех датчиков
2. Распознать объекты (автомобили, пешеходы, знаки)
3. Предсказать движение других участников
4. Рассчитать безопасные траектории
5. Выбрать оптимальную траекторию
6. Передать команды управления
Обучение на миллионах километров:
Традиционный подход:
Интеллектуальный подход:
Адаптивная сборка:
1. Система машинного зрения определяет положение детали
2. ИИ вычисляет оптимальную траекторию захвата
3. Тактильные датчики контролируют силу сжатия
4. Обратная связь корректирует движения в реальном времени
5. Система учится на каждой операции
Преимущества ИИ:
Как AlphaGo обучалась игре Го:
Этап 1: Обучение на человеческих партиях
- Изучила 30 миллионов ходов профессионалов
- Научилась имитировать стиль игры человека
Этап 2: Самообучение
- Играла сама с собой миллионы партий
- Каждая новая версия играла с предыдущей
- Открывала новые стратегии, неизвестные людям
Результат: Победила чемпиона мира 4:1
Компоненты системы:
где учитывается сопротивление воздуха и вращение мяча
Каждая группа получает карточку с конкретной задачей робототехники:
Нужно сравнить традиционный и интеллектуальный подходы по параметрам:
Алгоритм "правой руки":
1. Двигаться вперед до препятствия
2. Повернуть направо и идти вдоль стены
3. При возможности повернуть направо
4. Повторять до достижения цели
Ограничения:
- Работает только в простых лабиринтах
- Не учитывает оптимальность пути
- Не запоминает пройденные места
Алгоритм SLAM + планирование пути:
1. Сканировать окружение датчиками
2. Строить вероятностную карту препятствий
3. Определять свое положение на карте
4. Планировать оптимальный путь к цели
5. Корректировать маршрут при новых данных
6. Обучаться на ошибках навигации
Преимущества:
- Работает в сложных средах
- Находит оптимальные пути
- Адаптируется к изменениям
- Использует накопленный опыт
| Критерий | Традиционные | Интеллектуальные |
|---|---|---|
| Скорость разработки | ⭐⭐⭐⭐ | ⭐⭐ |
| Предсказуемость | ⭐⭐⭐⭐⭐ | ⭐⭐ |
| Адаптивность | ⭐ | ⭐⭐⭐⭐⭐ |
| Вычислительные требования | ⭐⭐ | ⭐⭐⭐⭐ |
| Применимость | ⭐⭐ | ⭐⭐⭐⭐⭐ |
Эксперимент с традиционным алгоритмом:
Результаты за 1 час работы:
- Правильно отсортировано: 85 объектов (85%)
- Ошибочно отсортировано: 15 объектов (15%)
- Объекты новых цветов: 0% правильной сортировки
- Время адаптации к новому цвету: Требует перепрограммирования
Эксперимент с интеллектуальным алгоритмом:
Результаты за 1 час работы:
Первые 10 минут: 60% правильной сортировки
Через 30 минут: 80% правильной сортировки
Через 60 минут: 95% правильной сортировки
Объекты новых цветов: Автоматическое обучение за 5-10 примеров
Выводы:
Пример: Робот определяет, стоит ли идти под дождем
Данные датчиков:
- Влажность: 90%
- Давление: Падает
- Температура: 15°C
- Ветер: 10 м/с
Вероятности событий:
P(дождь | данные_датчиков) = 0.8
P(поломка_при_дожде) = 0.3
P(успех_выполнения_задачи | дождь) = 0.4
P(успех_выполнения_задачи | без_дождя) = 0.9
Решение: Лучше остаться (EU = 0 > -5)
где:
Входы:
x₁ = расстояние_спереди (0-100 см)
x₂ = расстояние_слева (0-100 см)
x₃ = расстояние_справа (0-100 см)
Веса (обученные):
w₁ = 0.8 (расстояние спереди важнее всего)
w₂ = 0.3 (расстояние слева менее важно)
w₃ = 0.3 (расстояние справа менее важно)
b = -50 (порог срабатывания)
Расчет:
y = max(0, 0.8×20 + 0.3×60 + 0.3×40 - 50)
y = max(0, 16 + 18 + 12 - 50) = max(0, -4) = 0
Результат: Препятствие НЕ обнаружено
Задача: Робот учится находить выход из лабиринта
Q-таблица: показывает ценность каждого действия в каждом состоянии
Состояние (позиция) | Север | Юг | Запад | Восток |
--------------------|-------|-----|-------|--------|
(1,1) | 0.2 | -0.1| 0.5 | 0.8 |
(1,2) | 0.1 | 0.3| -0.2 | 1.2 |
(2,1) | 0.7 | -0.5| 0.1 | 0.4 |
Алгоритм обучения:
1. Выбрать действие на основе Q-таблицы (с долей случайности)
2. Выполнить действие, получить награду r
3. Наблюдать новое состояние s'
4. Обновить Q-значение:
Q(s,a) = Q(s,a) + α[r + γ max Q(s',a') - Q(s,a)]
5. Повторить процесс
Параметры обучения:
Принцип: Имитируем естественный отбор для создания лучших алгоритмов
Этапы генетического алгоритма:
1. Создание популяции:
Генерируем 100 случайных программ управления роботом
2. Оценка приспособленности:
Каждая программа тестируется в симуляторе
Оценка = время_выполнения_задачи + точность + энергоэффективность
3. Селекция:
Выбираем 20 лучших программ для "размножения"
4. Скрещивание:
Объединяем части разных программ для создания потомков
5. Мутация:
Случайно изменяем небольшие части программ (1% генов)
6. Повторяем цикл 1000 поколений
где: $t$ - время, $A$ - точность, $E$ - энергопотребление, $w_i$ - веса
1. Мультимодальное обучение
2. Непрерывное обучение
3. Объяснимый ИИ
Роботы-помощники нового поколения:
Характеристики домашнего ИИ-робота 2030 года:
- Понимание естественной речи и жестов
- Распознавание эмоций и настроения
- Предсказание потребностей жильцов
- Обучение привычкам семьи
- Координация с другими умными устройствами
Сценарий типичного дня:
Для пожилых людей:
Для детей:
Самоорганизующиеся фабрики:
Ключевые возможности:
1. Роботы автоматически переназначают задачи при сбоях
2. Предиктивное обслуживание предотвращает поломки
3. Оптимизация производства в реальном времени
4. Обучение на данных всех заводов компании
где оптимизируется стоимость производства с учетом рисков
Новое поколение коботов с ИИ:
Автономные космические роботы:
Миссия на Марсе 2035 года:
- Полностью автономная навигация (задержка связи 20 минут)
- Самостоятельное планирование экспериментов
- Адаптация к непредвиденным ситуациям
- Обучение на каждом новом открытии
Роботы-экологи:
Медицинские ИИ-роботы:
Ключевые риски:
Изменения в обществе:
Новые законы для ИИ-роботов:
| Критерий | Традиционные алгоритмы | Интеллектуальные алгоритмы |
|---|---|---|
| Программирование | Ручное написание всех правил | Обучение на данных и примерах |
| Адаптивность | Низкая, требует перепрограммирования | Высокая, самостоятельная адаптация |
| Предсказуемость | Полная предсказуемость | Может быть непредсказуемым |
| Вычислительные ресурсы | Минимальные | Значительные (GPU, память) |
| Время разработки | Быстрое для простых задач | Длительное, но масштабируемое |
| Надежность | Высокая в знакомых условиях | Зависит от качества обучения |
| Области применения | Четко определенные задачи | Сложные, изменяющиеся среды |
Когда использовать традиционные алгоритмы:
Когда использовать интеллектуальные алгоритмы:
Придумайте робота с интеллектуальными алгоритмами для решения реальной проблемы:
Шаблон описания:
Название робота: _______________
Проблема, которую решает: _______________
Интеллектуальные способности:
1. _______________
2. _______________
3. _______________
Алгоритмы обучения:
- Как робот получает данные: _______________
- На чем обучается: _______________
- Как адаптируется: _______________
Этические соображения: _______________
“Робот-садовник”
“Робот-учитель математики”
3 новых факта, которые я узнал:
2 вопроса, которые у меня остались:
1 область применения, которая меня заинтересовала:
Самые интересные открытия урока:
Вопросы для дальнейшего изучения:
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:
Что мы узнали:
Ключевая идея: Интеллектуальные алгоритмы не заменяют традиционные, а дополняют их, открывая новые возможности для робототехники
STEM-навыки, которые развили:
Помните: Вы живете в эпоху революции искусственного интеллекта. Понимание принципов работы интеллектуальных алгоритмов - это ключ к успеху в мире будущего!
Следующий урок: “Беспроводные технологии в робототехнике”
📧 Вопросы: ai.robotics@school.edu
📱 Обсуждение ИИ: t.me/ai_robotics_7th
🤖 Поделитесь идеями роботов: #FutureRobots2025