Имитационная модель обучения мультиагентных нейрокогнитивных систем управления для обеспечения взаимодействия с различными манипуляторами
К. Ч. Бжихатлов, И. А. Мамбетов, М. А. Абазоков, А. З. Темроков
Аннотация. Современные роботы находят применение в широком спектре задач, что приводит к повышению требований к возможностям системы управления манипуляторами. При этом существующие подходы к обучению роботов манипуляционным навыкам сталкиваются с рядом ограничений в условиях необходимости быстрого обучения навыкам манипуляции объектами в сложной и динамической среде. Таким образом, актуальной становится задача разработки алгоритма, позволяющего интеллектуальной системе самостоятельно обучиться навыкам работы с новым для нее манипулятором.
Цель исследования – разработка архитектуры и алгоритмов обучения мультиагентной нейрокогнитивной системы управления автономными роботами, обеспечивающей эффективное взаимодействие с манипуляторами различных типов за счет федеративного обучения распределенной сети интеллектуальных агентов, построенных на основе мультиагентных нейрокогнитивных архитектур.
Методы исследования. Основным методом исследования является имитационное моделирование мультиагентных нейрокогнитивных систем.
Результаты. Основнымм результатами являются архитектура и алгоритм работы мультиагентной нейрокогнитивной системы обучения автономных роботов взаимодействию с различными манипуляторами. Обучение строится на естественно-языковом обмене знаниями между интеллектуальными агентами и людьми в результате которого создается мультиагентная база знаний о поведении и методах управления манипулятором и методах имитационного моделирования в виртуальной среде.
Заключение. Предложенный подход предполагает создание мультиагентной базы знаний о поведении и методах управления манипулятором за счет обмена знаниями между интеллектуальными агентами и людьми, имитационного моделирования в виртуальной среде и использования универсального описания для конструкции робота.
Ключевые слова: искусственный интеллект, мультиагентные системы, нейрокогнитивные архитектуры, манипулятор, федеративное обучение, робототехника
Для цитирования. Бжихатлов К. Ч., Мамбетов И. А., Абазоков М. А., Темроков А. З. Имитационная модель обучения мультиагентных нейрокогнитивных систем управления для обеспечения взаимодействия с различными манипуляторами // Известия Кабардино-Балкарского научного центра РАН. 2026. Т. 28. № 5. С. 25–36. DOI: 10.35330/1991-6639-2026-28-5-25-36
© Бжихатлов К. Ч., Мамбетов И. А., Абазоков М. А., Темроков А. З., 2026

Контент доступен под лицензией Creative Commons Attribution 4.0 License
Список литературы
- An S., Meng Z., Tang C., et al. Dexterous manipulation through imitation learning: a survey. IEEE Transactions on Automation Science and Engineering. 2026. Vol. 23. Pp. 1760–1792. DOI: 10.1109/tase.2025.3646183
- Deng W., Ardiani F., Nguyen K.T.P. et al. Physics informed machine learning model for inverse dynamics in robotic manipulators. Applied Soft Computing Journal. 2024. Vol. 163. P. 111877. DOI: 10.1016/j.asoc.2024.111877
- Tiwari R., Khapre S., Singh A. Reinforcement learning in robotic systems: A review on sim-to-real transfer.Robotics andAutonomous Systems. 2026. Vol. 198. P. 105327. DOI: 10.1016/j.robot.2025.105327
- Залогин Н. Е., Григорьев Д. С. Об обучении интеллектуальных агентов в виртуальной среде для задачи управления роботом-манипулятором // Известия Томского политехнического университета.
Промышленная кибернетика. 2024. Т. 2. No. 3. С. 1–8. DOI: 10.18799/29495407/2024/3/6 - Haarnoja T., Moran B., Lever G. et al. Learning agile soccer skills for a bipedal robot with deep reinforcement learning. Science Robotics. 2024. Vol. 9. No. 89. DOI: 10.1126/scirobotics.adi8022
- Song Y., Romero A., Müller M. et al. Reaching the limit in autonomous racing: optimal control versus reinforcement learning. Science Robotics. 2023. Vol. 8. No. 82. DOI: 10.1126/scirobotics.adg1462
- Tiwari R., Khapre S., Singh A. Reinforcement learning in robotic systems: a review on sim-to-real transfer. Robotics and Autonomous Systems. 2026. Vol. 198. p. 105327. DOI: 10.1016/j.robot.2025.105327
- Mittal M., Yu C., Yu Q. et al. Orbit: a unified simulation framework for interactive robot learning environments. IEEE Robotics and Automation Letters. 2023. Vol. 8. No. 6. Pp. 3740–3747. DOI: 10.1109/lra.2023.3270034
- Verma S., Zheng B., Tsang I.W., Chen F. Imitation learning: progress, taxonomies and challenges. IEEE Transactions on Neural Networks and Learning Systems. 2024. Vol. 35. No. 5. Pp. 6322–6337. DOI: 10.1109/tnnls.2022.3213246
- Sa I., Park C., Lee H.M. et al. Vision–language–action (VLA) models for unmanned aerial robotics and bimanual manipulation: a review. Drones. 2026. Vol. 10. No. 6. P. 412. DOI: 10.3390/drones10060412
- Kawaharazuka K., Oh J., Yamada J. et al. Vision-language-action models for robotics: a review towards real-world applications. IEEE Access. 2025. Vol. 13. Pp. 162467–162504. DOI: 10.1109/access.2025.3609980
- Wen J., Zhu Y., Li J., Zhu M. et al. TinyVLA: towards fast, data-efficient vision-languageaction models for robotic manipulation. IEEE Robotics and Automation Letters. 2025. Vol. 10. No. 4. Pp. 3988–3995. DOI: 10.1109/lra.2025.3544909
- Wu Hongjun, Zhang Heng, Zhang Pengsong et al. HiBerNAC: Hierarchical brain-emulated robotic neural agent collective for disentangling complex manipulation. arXiv. 2025. 08296v2. DOI: 10.48550/arXiv.2506.08296
- Нагоев З. В. Интеллектика, или Мышление в живых и искусственных системах. Нальчик: Издательство КБНЦ РАН, 2013. 232 с.
- Нагоев З. В., Пшенокова И. А., Бжихатлов К. Ч., Канкулов С. А. Имитационная модель интеллектуальной системы управления схватом сельскохозяйственного манипулятора на основе обучения мультиагентных нейрокогнитивных архитектур // Известия Кабардино-Балкарского научного центра РАН. 2021. № 4 (102). С. 28–37. DOI: 10.35330/1991-6639-2021-4-102-28-37
- Nagoev Z., Bzhikhatlov K., Pshenokova I., Unagasov A. Algorithms and software for simulation of intelligent systems of autonomous robots based on multi-agent neurocognitive architectures. Interactive Collaborative Robotics. ICR 2024. Lecture Notes in Computer Science. In: Ronzhin, A., Savage, J., Meshcheryakov, R. (eds). 2024. Vol. 14898. Springer, Cham. DOI: 10.1007/978-3-031-71360-6_29
- Бжихатлов К. Ч., Пшенокова И. А., Мамбетов И. А. и др. Программная реализация редактора мультиагентных нейрокогнитивных архитектур // Информационное общество. № 1. С. 108–121. DOI: 10.52605/16059921_2026_01_108
Информация об авторах
Бжихатлов Кантемир Чамалович, канд. физ.-мат. наук, зав. лабораторией «Нейрокогнитивные автономные интеллектуальные системы», Кабардино-Балкарский научный центр Российской академии наук;
360010, Россия, г. Нальчик, ул. Балкарова, 2;
haosit13@mail.ru, ORCID: https://orcid.org/0000-0003-0924-0193, SPIN-код: 9551-5494
Мамбетов Идар Арсенович, науч. сотр. Инжинирингового центра, Кабардино-Балкарский научный центр Российской академии наук;
360010, Россия, г. Нальчик, ул. Балкарова, 2;
idar.mam12@gmail.com, ORCID: https://orcid.org/0000-0002-4723-9874, SPIN-код: 5951-8195
Абазоков Мухамед Адмирович, мл. науч. сотр. лаборатории «Нейрокогнитивные автономные интеллектуальные системы», Кабардино-Балкарский научный центр Российской академии наук;
360010, Россия, г. Нальчик, ул. Балкарова, 2;
abazokov1997@mail.ru, ORCID: https://orcid.org/0000-0002-8710-1562, SPIN-код: 5167-5962
Темроков Айдемир Залимханович, аспирант Научно-образовательного центра, КабардиноБалкарский научный центр Российской академии наук;
360010, Россия, г. Нальчик, ул. Балкарова, 2;
temrokovaydemir@gmail.com, ORCID: https://orcid.org/0009-0005-2272-475X, SPIN-код: 4961-2069
Финансирование
Статья подготовлена в рамках выполнения государственного задания КБНЦ РАН, тема «Разработка теоретических основ интеллектуального управления комплексной динамикой автономных роботов в реальной среде на основе мультиагентных нейрокогнитивных архитектур» (№ 125032604496-8).










