Metal Gear

Использование RBS-решений для моделирования рефлексивного поведения на основе правил, вне всякого сомнения, обладает рядом преимуществ. Во всяком случае полученная модель, которая позволяет анимату двигаться вдоль стены, в конце концов выглядит достаточно эффективной и реалистичной. Однако давайте подумаем над тем, какую цену за это нам пришлось заплатить?
Если сравнивать трудозатраты, необходимые для разработки RBS-модуля, и трудозатраты, которые необходимы, например, для написания сценария, моделирующего поведение, проявляющееся в изменении направления движения, то сравнение будет не в пользу RBS-решения. С другой стороны, RBS-система все же обладает определенными преимуществами перед решениями, основанными на сценариях.
> В принципе, RBS-система позволяет получить более высокую производительность, чем при использовании сценариев. Однако в данном случае это не совсем так, поскольку в рассмотренном примере сенсоры автоматически проверяются RBS-системой на каждом цикле.
> Требования к объему памяти у RBS-решений несколько ниже, чем у решений, основанных на сценариях.
> Концептуально правила проще, чем сценарии, однако следует заметить, что правила следует записывать в формате, понятном модулю (XML).
Если сравнивать RBS-решение с непосредственным кодированием на универсальном языке программирования, то здесь также имеются как преимущества, так и недостатки.
> Реализация в программном коде позволяет получить гораздо более высокую производительность, чем при реализации в виде декларативных правил.
> Программист имеет больший контроль над системой с помощью языковых средств C++, поэтому систему можно оптимизировать и лучше подстроить к конкретной проблеме.
> Существенным преимуществом RBS-системы является отделение обрабатываемых ею знаний от реализации системы.
К преимуществам рассмотренного решения можно также отнести и то, что мы на примере созданного модуля рассмотрели производственный цикл создания системы ИИ. При этом вы на практике о^іакомились с некоторыми положениями теории ИИ.
> RBS-системы больше подходят для высокоуровневого управления (принятие решений), чем для моделирования моторики.
> При использовании RBS-систем для имитации требуется потратить, мягко говоря, несколько больше усилий, чем при решении проблем! Это объясняется тем, что для приведения рабочей памяти в правильное состояние нужно использовать больше операций (или значений, устанавливаемых по умолчанию).
> Многие из преимуществ RBS-решений нивелируются в том случае, если они применяются для имитации. Правила могут быть модульными, однако они получаются настолько взаимозависимыми, что при их добавлении или удалении реалистичность может значительно пострадать!
> Для получения изящных решений проблем необходимо применять специальные расширения RBS-систем.
Хотя следование вдоль стен не относится к кругу задач, при решении которых RBS-системы могут показать все свои преимущества, все же мы получили вполне приемлемое и надежно работающее решение. При этом следует заметить, что это решение не стоило нам сколько-нибудь значительных усилий (что лучше всего доказывает, насколько гибкими являются RBS-системы). Для закрецления полученных знаний мы еще раз прибегнем к RBS-системе в последующих главах, но уже на более высоком уровне управления. Этот позволит вам еще раз убедиться в том, насколько широки возможности этой технологии моделирования ИИ при ее применении в качестве механизма решения проблем.