Dotychczasowe badania zespołu ekspertów, którzy wezmą udział w realizacji projektu w zakresie analizy procesów decyzyjnych w systemach autonomicznych pozwoliły na zdefiniowanie nowej klasy autonomicznych systemów decyzyjnych sztucznej inteligencji (Artificial Autonomous Decision Systems, AADS, Skulimowski 2014b). Systemy te sklasyfikowane są poprzez przypisanie do jednej z klas autonomii zdefiniowanych przy pomocy aparatu pojęciowego wielokryterialnej teorii decyzji (Skulimowski 2011). Zgodnie z tą teorią, wyróżnione zostały następujące klasy:

a) Systemy zdolne do swobodnego wyboru decyzji z zadanego zakresu,

b) Systemy mogące samodzielnie rozszerzyć pierwotnie zdefiniowany zakres decyzji (przesunąć lub rozszerzyć ograniczenia),

c) Systemy zdolne do zmiany celu działania lub kryterium optymalizacji.

Klasyfikacją uzupełniającą zdolność autonomicznego wyboru decyzji jest swoboda gromadzenia i przetwarzania informacji o potencjalnym zakresie i dostępności decyzji oraz o parametrach otoczenia, co wyraża się w zdolności systemów do uczenia ze wzmocnieniem oraz jest warunkiem zdolności do budowy modelu siebie i otoczenia w przypadku systemów antycypacyjnych. Grupę nadrzędną, wymagającą spełnienia wszystkich wskazanych wyżej warunków autonomii, stanowią sztuczne systemy kreatywne, które zdolne są do formułowania i rozwiązywania problemów decyzyjnych spoza wcześniej znanego obszaru (Skulimowski 2011). Agentów (np. roboty inspekcyjne), którzy optymalizują pewien zbiór kryteriów według zdefiniowanej struktury preferencji, a w sytuacji zależnych od decyzji innych agentów podejmują decyzje zgodne ze strategią mieszaną nazywamy agentami racjonalnymi. Powyższa klasyfikacja i wynikające z niej algorytmy decyzyjne stanowi radykalny postęp w zakresie projektowania systemów robotyki autonomicznej, przyczyniając się również do rozwoju teorii wolnej woli i kreatywności sztucznych systemów inteligentnych (Skulimowski, 2011).

Projekt miał na celu dalsze badania symulacyjne tej klasy systemów, w szczególności ich powiązań i interakcji występujących podczas detekcji zagrożeń przemysłowych w sektorze energetycznym. AADS i ich sieci są naturalnym modelem dla zespołów robotów autonomicznych. W ramach projektu teoria AADS została zastosowana do rozwiązywania klasycznych problemów decyzyjnych robotyki autonomicznej, takich jak koordynacja formacji robotów, planowanie ścieżek, w tym usuwanie konfliktów w równoległym planowaniu ścieżek zespołów robotów (path deconfliction) i związek tego problemu z unikaniem kolizji i omijaniem lub usuwaniem przeszkód. Zagadnienia te stanowią temat prac badawczych zespołów wielu czołowych uczelni światowych. Włączenie się do tych badań wymaga nie tylko opracowania podstaw teoretycznych sterowania i koordynacji, lecz także ich weryfikacji eksperymentalnej dla zespołu robotów posiadających zgodne ze standardami światowymi funkcjonalności i oprogramowanie, takie jak ROS 2. W tym celu wybrana została konstrukcja robota do testów fizycznych firmy Husarion. Otoczenie problemu decyzyjnego rozwiązywanego przez zespół robotów modelowane jest jako sieć wzajemnie zależnych autonomicznych agentów, których podzbiór spełnia założenia systemu antycypacyjnego.

Badania projektu pozwoliły na opracowanie konstruktywnych algorytmów rozwiązywania problemów antycypacyjnego podejmowania decyzji w zespołach robotów, których celem działania jest współpraca przy wykrywaniu zagrożeń przemysłowych i zapobieganiu im. Konstruktywny charakter tych algorytmów został zapewniony przez założenie, że wszyscy decydenci są racjonalni, tzn. wybierają rozwiązania Pareto-optymalne. Algorytmy decyzyjne zostały zwalidowane dla wybranych klas dyskretnych problemów sterowania i koordynacji zespołu robotów. W Etapie I walidacja nastąpiła poprzez wyniki eksperymentów symulacyjnych, a następnie w Etapie II na eksperymentalnym stanowisku fizycznym przy pomocy robotów mobilnych.

Wybrana bibliografia:

• Bañuls V.A., Skulimowski A.M.J., Begines J.A.R., 2021, Disaster resilience modeling of municipal water supply infrastructures in the context of atmospheric threats, W: A. Adrot, R. Grace, K. Moore, Ch. Zobel (red.), ISCRAM 2021: 18th International Conference on Information Systems for Crisis Response and Management May 23-26 2021, Blacksburg, VA, USA: Virginia Tech, s. 198–207
• Buyukgoz S., Grosinger J., Chetouani M., Saffiotti A., 2022, Two ways to make your robot proactive: reasoning about human intentions, or reasoning about possible futures, Frontiers in Robotics and AI, vol.9.
• Hassan I, Łydek P., Skulimowski A.M.J., 2026. A Simulation-Based Framework to Design a Fixed-Wing UAV for Inspecting Large Industrial Zones. W: Proceedings of the 30th International Conference on Methods and Models in Automation and Robotics (MMAR), Międzyzdroje, August 18-21, 2026, s. 321–326, https://doi.org/10.1109/MMAR70562.2026.11667901
• Rosen R., 1985, Anticipatory Systems – Philosophical, Mathematical and Methodological Foundations, London: Pergamon Press; 2nd Edition: 2012, Dordrecht: Springer
• Sattler, F., Wiedemann, S., Mueller, K.R., Samek, W. 2020. Robust and communication-efficient federated learning from non-iid data. IEEE Transactions on Neural Networks and Learning Systems 31(9), s. 3400–3413.https://doi.org/10.1109/TNNLS.2019.2944481
• Skulimowski A.M.J., Solving Vector Optimization Problems via Multilevel Analysis of Foreseen Consequences, 1985.Found. Control Engrg. 10, No.1, s. 25-38
• Skulimowski A.M.J.,1991, Optimal Control of Asynchronous Discrete Event Systems, W: Automatic Control in the Service of Mankind. Proceedings of the 11th IFAC World Congress, August 1990, Tallinn (Estonia), IFAC Proceedings Volu¬mes, vol 23. no. 8, part 3, s.489-495, https://doi.org/10.1016/S1474-6670(17)51963-1
• Skulimowski A.M.J., 2011, Freedom of Choice and Creativity in Multicriteria Decision Making, W: T. Theeramunkong, S. Kunifuji, V. Sornlertlamvanich, C, Nattee. (red.), Proceedings of the 5th International Conference on Know¬ledge, Information, and Creativity Support Systems, Revised selected papers, Chiang Mai, Thailand, Lecture Notes in Artificial Intelligence, vol. 6746. Berlin, Heidelberg: Springer-Verlag, s. 190–203. https://doi.org/10.1007/978-3-642-24788-0_18
• Skulimowski A.M.J., 2014a. Anticipatory network models of multicriteria decision-making processes, International Journal of Systems Science, vol. 45 no. 1, s.39-59. https://doi.org/10.1080/00207721.2012.670308
• Skulimowski A.M.J., 2014b. Future Prospects of Human Interaction with Artificial Autonomous Systems, W: A. Bouchachia (red.), Adaptive and Intelligent Systems. Proceedings, Lecture Notes in Artificial Intelligence, vol. 8779, Berlin Heidelberg: Springer, s. 131–141.https://doi.org/10.1007/978-3-319-11298-5_14
• Skulimowski A.M.J., 2016. Anticipatory Control of Vehicle Swarms with Virtual Supervision, W: C.-H. Hsu et al. (red.), Internet of Vehicles – Technologies and Services, Proceedings, Lecture Notes in Computer Science, vol.10036, s. 65–81, Springer International Publishing, Switzerland. https://doi.org/10.1007/978-3-319-51969-2_6
• Skulimowski A.M.J., 2019. Anticipatory Networks, W: Poli, R. (red.), Handbook of anticipation: theoretical and applied aspects of the use of future in decision making. Springer International Publishing AG, s. 995–1030, https://doi.org/10.1007/978-3-319-31737-3_22-1
• Skulimowski A.M.J., Bañuls V.A., 2021. AI Alignment of Disaster Resilience Management Support Systems, W: L. Rutkowski, R. Scherer R., M. Korytkowski, W. Pedrycz, R. Tadeusiewicz, J.M. Zurada (red.), Artificial Intelligence and Soft Computing, ICAISC 2021. Lecture Notes in Computer Science, vol. 12855, Cham: Springer, s. 354-366, https://doi.org/10.1007/978-3-030-87897-9_32
• Skulimowski A.M.J, Ćwik A., 2017. Communication Quality in Anticipatory Vehicle Swarms: A Simulation-Based Model, W: S.-L. Peng, G.L. Lee, R. Klette, C.H. Hsu, (red.), Internet of Vehicles. Technologies and Services for Smart Cities. IOV 2017. Lecture Notes in Computer Science, vol. 10689, Cham: Springer, s.119–134. https://doi.org/10.1007/978-3-319-72329-7_11
• Skulimowski A.M.J., Iskra F. 2027. Fostering the Development of Knowledge in Autonomous Decision-Making for Intelligent Robotic Systems. W: Michałek, M.M., Pazderski, D., Bartoszewicz, A., Kacprzyk, J. (eds) Advances of Control and Automation. PCC 2026. Lecture Notes in Networks and Systems, vol. 2072. Springer, Cham, s. 212-224.. https://doi.org/10.1007/978-3-032-32216-6_18