КОГНИТИВНАЯ МОДЕЛЬ АФФЕРЕНТНОГО СИНТЕЗА ЦЕЛИ

THE COGNITIVE MODEL OF AFFERENT GOAL SYNTHESIS

Karpunin Alexander Alexandrovich

Candidate of Technical Sciences, department of Automatic Control System, Federal State Autonomous Educational Institution of Higher Education «Bauman Moscow State Technical University»,

Russia, Moscow

Kolpakov Artyom Konstantinovich

PhD student, department of Pedagogy and Digital Educational Technologies, Federal State Autonomous Educational Institution of Higher Education «Bauman Moscow State Technical University»,

Russia, Moscow

АННОТАЦИЯ

В данной статье проведен анализ концепции интеллектуальных систем управления (ИСУ) с акцентом на её теоретические основы в теории функциональных систем П. К. Анохина. Особое внимание уделено первому и определяющему этапу процесса — афферентному синтезу цели. В работе предложена концептуальная модель, ориентированная на инженерную реализацию и представляющая собой когнитивный акт конструирования новой, достижимой задачи на основе текущего состояния системы и внешнего контекста. Модель опирается на современные интерпретации теории функциональных систем, учитывающие не только формирование цели, но и оценку её достижимости и значимости. Модель включает четыре последовательные операции: сбор и анализ состояния, контекстуализацию, когнитивный отбор (селекцию) доминирующих параметров и формирование редуцированной цели. Предложенный подход демонстрирует способность ИСУ к динамическому целеполаганию и может быть использован при проектировании автономных систем управления.

ABSTRACT

This article analyzes the concept of intellectualized control systems (ICS), with a focus on its theoretical foundations in P. K. Anokhin’s theory of functional systems. Particular attention is given to the first and defining stage of the process — the afferent synthesis of goal. The paper proposes a conceptual model, designed for engineering implementation, which represents a cognitive act of constructing a new, achievable task based on the system’s current state and external context. The model comprises four sequential operations: state collection and analysis, contextualization, cognitive selection of dominant parameters, and formation of a reduced goal. The proposed approach demonstrates the ICS capability for dynamic goal-setting and can be applied in the design of autonomous control systems.

Ключевые слова: когнитивная модель, синтез цели, афферентный синтез, теория функциональных систем, адаптивное целеполагание, автономные системы.

Keywords: cognitive model, goal synthesis, afferent synthesis, theory of functional systems, adaptive goal setting, autonomous systems.

Сегодня в большинстве областей применяются системы управления, чья конечная цель задаётся изначально и не меняется в процессе работы. В таком представлении ИСУ (рис.1) выступает в роли адаптивной системы, ключевыми элементами которой являются: формирование цели, принятие решений, механизм прогнозирования результата (акцептор действия) и обратная связь [7]. Эта архитектура, уходящая корнями в биокибернетику, обеспечивает универсальность для управления разнородными динамическими объектами — от технических систем до биологических агентов.

Рисунок 1. Структура интеллектуальной системы

Целеполагание происходит с учётом данных о внешней среде, внутреннем состоянии системы, существующих потребностей (мотивации) и накопленного опыта (памяти). Как отмечает, именно эта интеграция позволяет рассматривать поведение не как реакцию, а как активный, целенаправленный акт субъекта [6]. Экспертная система анализирует ситуацию, прогнозирует исход действий и передаёт ожидаемый результат в блок прогнозирования. Там происходит сравнение фактического результата с прогнозируемым; в случае расхождения формируется новое решение или корректируется сама цель. Для практической реализации подобных систем необходима разработка эффективных алгоритмов оценки состояния объекта и высокопроизводительных вычислительных методов, а также нейтрализация внешних возмущений с помощью точных математических моделей [9]. Особое внимание уделяется архитектурной реализации на серийном оборудовании, что подтверждается работами Пролетарского и соавторов в области бортового управления летательными аппаратами [1, 7, 8].

Современные автономные системы всё чаще реализуют механизм прогнозирования будущего результата через построение внутренних прогностических моделей, позволяющих оценивать последствия потенциальных действий до их физического выполнения [15].

Управление в такой системе осуществляется не посредством заранее заданного алгоритма, а через процедуру когнитивного синтеза, в которой решение формируется в процессе работы на основе интеграции сенсорных данных, мотивации, памяти и прогноза [4]. Такой подход отражает принципиальный переход от реактивного регулирования к активному целеполаганию, заложенный в теории функциональных систем П. К. Анохина [2, 3]. Несмотря на наличие интеллектуальных компонентов, правильнее классифицировать их как системы с элементами искусственного интеллекта, а не как полностью интеллектуальные системы. Их ключевое преимущество — это возможность развёртывания на стандартном, серийном компьютерном оборудовании [1, 7]. На основе сопоставления теории Анохина можно сформулировать когнитивную модель первого этапа – афферентного синтеза цели [2, 3]. Эта модель (рис. 2) описывает когнитивный акт конструирования новой, достижимой задачи на основе текущего состояния системы и внешнего контекста — в полном соответствии с концепцией динамического целеполагания.

Модель строится вокруг четырех ключевых компонентов афферентного синтеза: обстановочная и пусковая афферентация, память и мотивация, которые, согласно Анохину, должны одновременно взаимодействовать для принятия решения [2, 3]. В схеме они представлены в виде крупных блоков, каждый из которых обрабатывает свой тип информации.

Блок обстановочной афферентации отражает анализ внешней среды. Информация от "Окружающей среды" поступает в систему датчиков, где происходит ее первичная обработка. Затем следует семантизация ситуации, при которой система интерпретирует данные, превращая их в осмысленную картину контекста [5]. Этот процесс обеспечивает переход от сырых данных к семантической модели мира, критически важной для принятия обоснованных решений. На основе этой семантической модели формируются. Возможности и ограничения, определяющие, что можно сделать в текущей обстановке [4]. На основе обстановочных раздражителей организм (система) оценивает возможность и способ удовлетворения доминирующей потребности [2, 3].

Рисунок 2. Структура когнитивной модели афферентного синтеза цели

Блок «Память» получает информацию как от обстановочной афферентации (через семантизацию), так и от пусковой афферентации. Из памяти извлекается опыт, который затем трансформируется в прошлые акцепторы результатов — модели тех результатов, которые ранее достигнуты в подобных ситуациях. Как отмечает, именно эти нейрональные энграммы подкрепления лежат в основе формирования опережающего прогноза [10]. Такая интеграция прошлого опыта (в виде структурированных знаний) с текущими сенсорными данными представляет собой ключевой принцип нейро-символьного подхода, где символьные представления (знания) взаимодействуют с нейросетевыми моделями (восприятие) для принятия решений [13]. Взаимосвязь между "Опытом" и "Прошлыми акцепторами результатов" показывает, как прошлый опыт напрямую влияет на формирование ожидаемых результатов в настоящем. Дополнительно стоит отметить взаимодействие с блоком мотивации, от которой поступает сигнал о потребности для сравнения с прошлым опытом.

Блок мотивации отвечает за внутреннее состояние системы. Он включает в себя собственное состояние, в котором через процесс формирования потребности активирует мотивационное возбуждение [6]. Далее происходит оценка ресурсов, что позволяет системе определить, достаточно ли у нее внутренних возможностей (энергии, времени, вычислительной мощности) для реализации потенциальной цели. Этот этап важен, так как даже при наличии возможного действия система может отказаться от цели, если оценка ресурсов покажет её недостижимость — в полном согласии с концепцией опережающего отрицательного подкрепления [2, 10].

Пусковая афферентация отвечает на вопрос «когда и где можно достичь результат?». Внешние раздражители в данной модели служат триггером для запуска процесса афферентного синтеза цели [2, 3]. Выходные сигналы всех четырёх компонентов афферентного синтеза — обстановочной и пусковой афферентации, мотивации и памяти — интегрируются в едином функциональном узле «ожидаемый результат». Данный узел представляет собой ожидаемое целевое состояние, сформированную на основе синтеза внешних условий, внутренних потребностей, ретроспективного опыта и ситуационных триггеров. Именно в этом узле завершается процесс афферентного синтеза, и формируется представление о достижимом и значимом результате, характеризующееся не только параметрами цели, но и оценкой её вероятности достижения, которое в дальнейшем служит основой для генерации цели и последующего поведенческого акта [3, 10]. Стоит отметить, что эти четыре компонента — восприятие, мотивация, память и прогнозирование — были выделены в качестве ключевых для генерации поведения в недавнем систематическом обзоре когнитивных архитектур в автономной робототехнике [12], что подтверждает универсальность и актуальность теории функциональных систем П. К. Анохина.

Вывод

Предложенная в работе модель афферентного синтеза цели представляет собой теоретико-инженерную интерпретацию ключевых положений теории функциональных систем П. К. Анохина, адаптированную для применения в интеллектуальных системах управления. Центральным элементом модели выступает узел «ожидаемый результат», интегрирующий четыре компонента афферентного синтеза: обстановочную и пусковую афферентацию, память и мотивацию. Это позволяет системе не просто выбирать действие, а осознанно принимать решение о целесообразности самой цели. Подход, основанный на динамическом целеполагании, согласуется с современными тенденциями в разработке автономных систем, где требуется гибкость, адаптивность и способность к самоорганизации в условиях неопределённости. Предложенная модель не только сохраняет биологическую достоверность оригинальной теории Анохина, но и предоставляет формализованную основу для построения интеллектуальных систем управления нового поколения, способных к активному, а не реактивному поведению. Это открывает перспективы для дальнейшего развития ИСУ как класса систем, сочетающих когнитивную глубину с инженерной реализуемостью.

Список литературы:

1. Пролетарский А.В., Алексеева Е.Ю. Интеллектуализированные системы управления летательными аппаратами // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. — 2012. — № 9. — С. 219-236.
2. Анохин П. К. Биология и нейрофизиология условного рефлекса. — М.: Медицина, 1968. — 546 с.
3. Анохин П.К. Философские аспекты теории функциональной системы: избранные труды / под ред. Ф.В. Константинова, Б.Ф. Ломова, В.Б. Швыркова. — М.: Наука, 1978. — 399 с.
4. Чан Н.Х. Концептуальный синтез интеллектуальных систем управления беспилотными летательными аппаратами // Авиакосмическое приборостроение. — 2022. — № 3. — С. 3-10.
5. Углев В.А. Поддержка процесса принятия решений с использованием нотации унифицированного графического воплощения активности (UGVA) // Вестник Московского государственного технического университета им. Н.Э. Баумана. Серия Приборостроение. — 2023. — № 3(144). — С. 125-140.
6. Зайцева Е.В. Методологические основы изучения принятия решения животными // Методология современной психологии. — 2025. — № 26. — С. 81-87.
7. Пролетарский А.В. Современные интеллектуальные системы управления: теория и реализация // Инженерная физика. — 2020. — № 1. — С. 9-30.
8. Пролетарский А.В., Селезнева М.С., Неусыпин К.А. Интеллектуальные системы летательных аппаратов // Приборы и системы. Управление, контроль, диагностика. — 2020. — № 2. — С. 1-20.
9. Моделирование целеполагания и целедостижения в социально-экономических системах / А.Г. Давтян, О.А. Шабалина, Н.П. Садовникова, Д.С. Парыгин // Математические методы в технике и технологиях - ММТТ. — 2020. — Т. 12-2. — С. 24-29.
10. Судаков С.К. Физиологические механизмы предвидения будущего результата целенаправленного поведения // Российский физиологический журнал им. И.М. Сеченова. — 2019. — Т. 105, № 1. — С. 36-42.
11. Model-based reinforcement learning: A survey/ T.M. Moerland, J. Broekens, A. Plaat, C.M. Jonker // Foundations and Trends in Machine Learning. — 2023. — Vol. 16, No. 1. — P. 1–118.
12. González-Santamarta M.Á., Rodríguez-Lera F.J., Matellán-Olivera V. Cognitive Architectures in Autonomous Robotics: A Systematic Review of Behavior Generation Approaches and Evaluation Strategies // IEEE Access. — 2024. — Vol. 12. — P. 5763–5785.
13. Neuro-symbolic artificial intelligence: a survey / B.P. Bhuyan, A. Ramdane-Cherif, R. Tomar, T.P. Singh // Neural Computing and Applications. —2024. — Vol. 36, No. 21. — P. 12809–12844.