Реактивное планирование (Reactive Planning)
Подход в области искусственного интеллекта и робототехники, при котором система принимает решения и формирует действия исключительно на основе текущей ситуации, без построения долгосрочных планов или учёта предшествующего контекста.
В отличие от проактивных (планирующих) систем, которые строят многошаговые стратегии и прогнозируют развитие событий, реактивные системы работают «здесь и сейчас». Их алгоритм сводится к схеме «восприятие → реакция»: система анализирует входные данные (сенсорную информацию, состояние среды) и мгновенно выбирает действие по заранее заданным правилам или обученной политике.
Представьте водителя, который едет по незнакомой дороге без карты и навигатора. Он не строит маршрут заранее, а реагирует на знаки, светофоры и обстановку: видит «стоп» — останавливается, видит поворот — поворачивает. Его поведение целиком определяется тем, что он видит прямо перед собой, а не планом на 10 км вперёд.
Исторический контекст
Концепция реактивного планирования возникла в 1980–1990‑х годах как альтернатива классическим планирующим архитектурам в робототехнике. Ключевую роль сыграл Родни Брукс, предложивший парадигму «субсумпционных архитектур» (subsumption architecture, 1986). Он утверждал, что сложные поведенческие навыки можно построить из набора простых реактивных модулей, взаимодействующих между собой. Это позволило создавать роботов, способных работать в непредсказуемых средах без детальных моделей мира.
Отличия от смежных понятий
- Проактивное планирование — строит последовательность действий на несколько шагов вперёд, использует модели среды и цели. Пример: шахматный движок, просчитывающий варианты на 10 ходов.
- Гибридные системы — сочетают реактивные модули с планировщиками. Например, робот сначала планирует маршрут, а затем реактивно обходит неожиданные препятствия.
Примеры использования
- Роботы-пылесосы, которые реагируют на препятствия и границы комнаты, но не строят карту помещения (в простых моделях).
- Контроллеры в играх, реагирующие на действия игрока по жёстким правилам (например, поведение врагов в аркадах).
- Нейросетевые политики в обучении с подкреплением (RL), где агент выбирает действие на основе текущего состояния без явного планирования (например, DQN для Atari-игр).
- Простейшие чат‑боты, отвечающие на фразы по шаблонам без учёта контекста диалога.
Популярные реализации
- Субсумпционные архитектуры Родни Брукса (роботы Allen, Herbert).
- Политики на основе нейронных сетей в RL (например, PPO, A3C), обученные для реактивного принятия решений.
- Правила-основанные системы в робототехнике (behavior trees, finite state machines).