الخلاصة

لطالما استخدم البشر الأطر الهرمية لتنظيم أفكارهم حول المشكلات المعقدة. . يتضمن أحد تطبيقات الذكاء الاصطناعي إنشاء عوامل ذكية تقسم المشكلات الصعبة إلى طبقات من التجريد ، وتبسيط عملية حل المشكلات. يتيح لنا هيكل شبكة المهام الهرمية (HTN) أداء مثل هذه المهام بفعالية.
في سياق الروبوتات المستقلة التي تعمل في بيئات مغلقة وحتمية ، مثل البيئات المحلية ، يعد تخطيط المهام أمرًا بالغ الأهمية لتحقيق مستوى عالٍ من الدقة. لمعالجة هذا الأمر ، استخدمنا مخطط HTN ونماذج عمل وصفية لتحديد الحالة التالية في نظام انتقال الحالة أثناء عملية التخطيط. لقد قدمنا تمثيلًا رسميًا لنماذج الإجراءات التشغيلية وشرحنا كيف يمكن استخدامها بشكل فعال مع محرك عمل الصقل (RAE) وخوارزمية Dijkstra لتحديد أساليب المهام المثلى.
تم تصميم خوارزمية التخطيط والتنفيذ الخاصة بنا للعمل بشكل هرمي ، باستخدام شجرة عبور والتراجع لإعادة التخطيط في حالة حدوث أخطاء في التنفيذ. تم إيلاء اهتمام دقيق لتطبيق الأسلوب لتجنب فشل النظام أو الأداء دون المستوى الأمثل.
تتضمن المنهجية المستخدمة في النص معالجة تحديات تخطيط المهام التي تواجهها الروبوتات المستقلة التي تعمل في بيئات مغلقة وحتمية ، على وجه التحديد البيئات المحلية. لتحقيق مستوى عالٍ من الدقة في تنفيذ المهام ، تم استخدام مخطط شبكة المهام الهرمية (HTN) ونماذج الإجراءات الوصفية مع تمثيل لنماذج الإجراءات التشغيلية ، ومحرك الصقل الفعال (RAE) ، وخوارزمية Dijkstra لتحديد نهج المهام المثلى ، يساهم الهيكل الهرمي وآليات معالجة الأخطاء في تحقيق إنجاز دقيق وفعال للمهام مع الحفاظ على موثوقية النظام اعتمادًا على تخطيط التكامل وخوارزمية التمثيل التي تم تصميمها للعمل بشكل هرمي ، باستخدام شجرة العبور وخوارزمية التراجع.
من خلال التجارب التي أجريت باستخدام لغة Python (Spyder) ، أوضحنا أن الخوارزمية التي طورناها تتفوق في الأداء على نهج التخطيط والتنفيذ الشائع الاستخدام ، مما يوفر المسار الأمثل داخل النظام. أظهرت النتائج دقة تقارب 94.9%، وقيمة استدعاء تقارب 94.9%، ودرجة F1 تقارب94.79%،. تثبت هذه النتائج فعالية نهجنا في تحسين عملية التخطيط والتنفيذ.