Тип публикации: статья из журнала
Год издания: 2026
Идентификатор DOI: 10.18127/j20700970-202601-03
Ключевые слова: unmanned vehicle, model, algorithm, neural network, control, data, lidar, quantization, беспилотное транспортное средство, модель, алгоритм, нейронная сеть, управление, данные, лидар, квантование
Аннотация: Постановка проблемы. В последнее время стала актуальной проблема сокращения вычислительных требований к управляющей аппаратуре беспилотных транспортных средств при одновременном повышении качества принятия решений управляющим модулем. В работе рассмотрены известные модели управления, включающие в себя применение технологий машинногПоказать полностьюо обучения для анализа данных об окружающей обстановке. Цель. Разработать метод интеллектуального управления и планирования пути для наземных беспилотных транспортных средств, базирующийся на принципе интеграции технологий глубокого обучения и эвристического алгоритма, а также новых способов обработки данных, основанных на многомодальном восприятии информации. Результаты. Предложен подход, ключевыми аспектами которого являются предварительная обработка данных семантическим лидаром, а также использование методов пуринга и квантования для сжатия моделей. Для планирования пути предложено применять метод путевых точек и выполнять расчет посредством сверточной нейронной сети в комбинации с алгоритмом А*. Показано, что это обеспечивает требуемую динамику функционирования устройства управления, в том числе и в режимах пересчета маршрута. Представлены разработанные нейросетевые модели для алгоритмов обучения с подкреплением, позволяющие выполнять построение и обновление карты путевых точек и создания маршрутов. Отмечено, что результаты сравнительного анализа демонстрируют повышенную точность пространственной ориентации в сравнении с известными подходами. Практическая значимость. Применение предложенного метода при создании моделей управления беспилотными транспортными средствами обеспечивает значительное сжатие при незначительной потере точности, что делает предложенный метод конкурентоспособным и пригодным для практической реализации на бортовых комплексах управления с меньшими вычислительными затратами. The problem of reducing the computational requirements for the control hardware of unmanned vehicles while simultaneously improving the quality of decision-making by the control module is considered. Well-known control models that include the use of machine learning technologies for analyzing environmental data are reviewed. The goal is to create a method for intelligent control and path planning for ground-based, unmanned vehicles based on the principle of integrating deep learning technologies and a heuristic algorithm, as well as new data processing methods based on multimodal information perception. An approach is proposed, the key aspects of which are the pre-processing of data by semantic lidar, as well as the use of puring and quantization methods for compression of models. For path planning, it is proposed to use the waypoint method and perform calculations using a convolutional neural network in combination with the A* algorithm. It is shown that this provides the required dynamics of the control device's functioning, including in the modes of route recalculation. The developed neural network models for reinforcement learning algorithms are presented, allowing for the construction and updating of the waypoint map and the creation of routes. The results of the comparative analysis demonstrate increased spatial orientation accuracy compared to known approaches. The application of the proposed method in the creation of control models for unmanned vehicles provides significant compression with a slight loss of accuracy, which makes the proposed method competitive and suitable for practical implementation on onboard control systems with lower computational costs.
Журнал: Нелинейный мир
Выпуск журнала: Т. 24, № 1
Номера страниц: 36-45
ISSN журнала: 20700970
Место издания: Москва
Издатель: ООО "Издательство "Радиотехника"