Registration Number
0826U002938, PhD dissertation
Status
Доктор філософії
Date
22-07-2026
popup.evolution
.
Title
Methods and models for controlling hierarchical intelligent agents based on large language models in planning and navigation tasks
Author
Ihor Omelchenko,
popup.head Volodymyr Strukov
popup.opponent Valentin Filatov
popup.opponent Oleksii Gorokhovatskyi
popup.review Lyudmyla Kirichenko
popup.review Oleksii Turuta
popup.rada
Karazin University
Description
Дисертаційна робота присвячена вирішенню актуальної науково-прикладної задачі сучасної галузі штучного інтелекту — забезпечення автономної навігації та взаємодії агентів із динамічними середовищами. У роботі розроблено інформаційну технологію для проєктування та навчання автономних ієрархічних агентів, які базуються на великих мовних моделях (LLM).
У роботі представлено архітектуру ієрархічного агента, яка включає модуль планування на основі великої мовної моделі та рефлексивну пам'ять. Запропоновано метод рефлексивної адаптації агента, який базується на автоматичному виявленні помилок планування в історії епізодів та генерації коригувальних правил природною мовою. Проаналізовано вплив мовних інструкцій на показники ефективності агента у двовимірному середовищі Minigrid. Покращено процес планування дій агента шляхом використання методу декодування з обмеженням граматики.
У дисертаційній роботі представлено результати, які містять наукову новизну та мають прикладну цінність для проєктування та розробки автономних інтелектуальних систем управління, які функціонують у процедурно-генерованих середовищах і можуть бути використані для керування робототехнічними системами.
Зміст дисертації. Вступ присвячено обґрунтуванню актуальності обраної теми, визначенню мети та основних завдань дослідження. У розділі також висвітлено наукову новизну та практичне значення дослідження.
У розділі 1 проаналізовано актуальні наукові джерела, присвячені моделям та методам створення агентів, починаючи від методів навчання з підкріпленням і до сучасних агентів на основі великих мовних моделей (LLM), проблемам надійності та глаюцинацій у великих мовних моделях, зокрема у задачах планування, моделям пам'яті LLM-агентів та методам керування пам'яттю. На основі аналізу джерел сформульовано завдання дослідження.
Розділ 2 присвячено методам керування агентами на основі великих мовних моделей за допомогою мовних інструкцій. Розглянуто інструментарій для створення процедурно-генерованих середовищ Minigrid. Проведено експериментальні дослідження з оцінки впливу методів формування мовних інструкцій на показники ефективності агента. Обґрунтовано вибір методу розробки мовних інструкцій для автономних ієрархічних агентів в задачі навігації.
У розділі 3 розглянуто проблему синтаксичних галюцинацій великих мовних моделей в задачі планування дій ієрархічних агентів. Запропоновано використання методу декодування з обмеженням граматики до процесу планування високрівневих дій LLM-агентом, що дозволяє вирішити проблему синтаксичних галюцинацій LLM. Виконано експериментальні дослідження з виявлення впливу декодування з обмеженням граматики на показники якості планування дій агента.
У розділі 4 запропоновано модель структурованої рефлексивної пам'яті та архітектуру ієрархічного агента з розробленою рефлексивною пам'яттю. Проведено експериментальні дослідження та порівняльний аналіз показників ефективності агента з різними моделями пам'яті, як з рефлексивною пам'яттю, так і з простішими моделями пам'яті.
У висновках відображено головні ідеї та результати дисертаційної роботи.
Ключові слова: штучний інтелект, глибоке навчання, нейронні мережі, машинне навчання, стохастична градієнтна оптимізація, навчання з підкріпленням, обробка природної мови, велика мовна модель, transformer, промпт, інтерпретованість, прийняття рішень, агент, віртуальне середовище, Minigrid.
Registration Date
2026-06-29
popup.nrat_date
2026-06-29 / 2026-08-28
