ТЕРЕҢ ОКУТУУНУН НЕГИЗИНДЕ БПЛА ҮЧҮН АВТОНОМДУУ НАВИГАЦИЯНЫН ЖАНА МАКСАТТУУ КОШТООНУН АДАПТИВДҮҮ СИСТЕМАСЫ
DOI:
https://doi.org/10.52754/16948610_2026_2_25%20Ачкыч сөздөр:
учкучсуз учуучу аппараттар, терең үйрөнүү, ROS, конволюциялык нейрон тармактары, нейрондук тармак моделдерин кысууАннотация
Маанилүүлүк. Макалада чектелген эсептөө ресурстары менен реалдуу убакыт режиминде объекттерди эффективдүү аныктоо жана көзөмөлдөө үчүн Robot Operating System (ROS) негизиндеги учкучсуз учуучу аппараттарды автономдуу башкаруу системасы (UAV) берилген. Система жогорку ылдамдыктагы объектти аныктоо үчүн өзгөртүлгөн YOLOv4 архитектурасын жана үзгүлтүксүз бутага көз салуу үчүн SiamMask алгоритмин бириктирет. Учуу жолу максаттуу объекттерге туруктуу автоматтык байкоо жүргүзүүнү камсыз кылган PID контроллери аркылуу башкарылат. Изилдөөнүн негизги жаңылыгы - эсептөө кубаттуулугунун критикалык чектөөлөрү менен орнотулган системалар үчүн нейрондук тармак моделдерин оптималдаштыруу методологиясын иштеп чыгуу. Сунушталган ыкма заманбап терең үйрөнүү архитектураларын аныктоо тактыгын олуттуу жоготпостон, бир такталуу компьютерлерде жана орнотулган GPUларда иштөөгө ылайыкташтырууга мүмкүндүк берет.
Система компьютердик көрүү жана машина үйрөнүү ыкмаларынын айкалышына негизделген. Кеңейтилген маалымат топтомдорунда үйрөтүлгөн конволюциялык нейрон тармактары ар кандай аба ырайы жана жарык шарттарында объекттерди күчтүү таанууну камсыз кылат. Көз салуу модулу кыймылдын траекториясын болжолдоо үчүн оптикалык агымды жана болжолдуу алгоритмдери бар Калман чыпкасын колдонот. Система ызы-чууга, тоскоолдуктарга жана буталардын жарым-жартылай окклюзиясына туруктуу.
Эксперименталдык валидация реалдуу видео маалыматтарды жана симуляцияларды колдонуу менен имараттын ичинде жана ачык жерлерде жүргүзүлдү. Сыноо сценарийлери ар кандай шарттарда унааларды, адамдарды жана динамикалык объекттерди коштоону камтыган.
Иштелип чыккан архитектура борттогу жабдуулардын салмагын жана көлөмүн жана энергетикалык мүнөздөмөлөрү маанилүү болгон мониторинг, издөө-куткаруу жана өнөр жай инспекциясынын тапшырмаларында автономдуу УУАларды колдонуу мүмкүнчүлүктөрүн кеңейтет.
Библиографиялык шилтемелер
Drone-Face-Tracking. Available at: https://github.com/murtazahassan/Drone-Face-Tracking (accessed on 12 March 2023).
Girshick, R., Donahue, J., Darrell, T., Malik, J. (2014). Rich feature hierarchies for accurate object detection and semantic segmentation. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2014), Columbus, OH, USA, pp. 580–587.
He, Y., Zhang, X., Sun, J. (2017). Channel pruning for accelerating very deep neural networks. In Proceedings of the IEEE International Conference on Computer Vision (ICCV), Venice, Italy, pp. 1398–1406.
Koch, G., Zemel, R., Salakhutdinov, R. (2015). Siamese neural networks for one-shot image recognition. In Proceedings of the International Conference on Machine Learning Deep Learning Workshop (ICML 2015), Lille, France, pp. 1–8.
Li, Q., Li, H., Meng, L. (2023). Deep learning architecture improvement based on dynamic pruning and layer fusion. Electronics, №12, p. 1208.
Pruned-OpenVINO-YOLO. TNTWEN. Available at: https://github.com/TNTWEN/Pruned-OpenVINO-YOLO (accessed on 10 May 2023).
Quigley, M., Gerkey, B., Conley, K., Faust, J., Foote, T., Leibs, J., Ng, A. (2009). ROS: An open-source robot operating system. In Proceedings of the IEEE International Conference on Robotics and Automation, Workshop on OpenSource Software (ICRA 2009), Kobe, Japan, pp. 1–6.
Redmon, J., Divvala, S., Girshick, R., Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the 29th IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2016), Las Vegas, NV, USA, pp. 779–788.
Redmon, J., Farhadi, A. (2017). YOLO9000: Better, faster, stronger. In Proceedings of the 30th IEEE International Conference on Computer Vision (CVPR 2017), Venice, Italy, pp. 6517–6525.
Tello Edu. Ryze Robotics. Available at: https://www.ryzerobotics.com/tello-edu (accessed on 18 November 2023).
YOLOv4 Baseline Training. Available at: https://github.com/AlexeyAB/Darknet (accessed on 1 June 2023).
Zhu, Z., Wang, Q., Li, B., Wu, W., Yan, J., Hu, W. (2018). Distractor-aware siamese networks for visual object tracking. In Proceedings of the European Conference on Computer Vision (ECCV 2018), Munich, Germany, pp. 101–117.
Жүктөөлөр
Жарыяланды
Кандай шилтеме берүү керек
Саны (чыгарылыш)
Бөлүм
Лицензия
Copyright (c) 2026 Султанбек Камалов , Бектур Азимов , Диляра Ракишева
