Модель построения гибридной интеллектуальной системы управления автономным транспортным средством в условиях непредсказуемой обстановки

М. М. Канаев, Г. Х. Ирзаев, Г. С. Эседова

Аннотация


Рассматривается проблема разработки систем управления для автономных транспортных средств, функционирующих в условиях неопределенности и динамически изменяющейся среды. Предлагается подход, основанный на интеграции аппарата нечетких множеств и нечетких нейронных сетей. Вводится формализация понятий ситуации, события и их классификации. Представлена модель нечеткого нейрона, расширенная для обработки лингвистических переменных и частотных характеристик сигналов. Описана архитектура иерархической нейронной сети, способной к ситуационному управлению и адаптации. Обсуждаются практические аспекты реализации системы и направления дальнейших исследований.

Ключевые слова


Автономное транспортное средство; система управления; нечеткие множества; нейронные сети; ситуационное управление; лингвистические переменные; адаптация.

Полный текст:

PDF

Литература


Jin G. Y., Xi Z. X., et al. Deep multi-view graph-based network for citywide ride-hailing demand prediction // Neurocomputing. 2022. Vol. 510. Pp. 79–94. DOI: 10.1016/j.neucom.2022.09.010. EDN: JWYWTY.

Kang L. Research on marine Port logistics transportation system based on ant colony algorithm // J Coastal Res. 2020. Vol. 64. P. 7. DOI: 10.2112/jcr-si115-000.1. EDN: GPDMAC.

Wang F. J., Bi J., Xie D. F., Zhao X. M. Quick taxi route assignment via real-time intersection state prediction with a spatial-temporal graph neural network // Transp Res Part C-Emerging Technol. 2024. Vol. 158. P. 24. DOI: 10.1016/j.trc.2023.104414. EDN: LVBTRI.

Wu X. S., Fang J., et al. Multistep traffic speed prediction from spatial-temporal dependencies using graph neural networks // J Transp Eng Part a-Systems. 2021. Vol. 147. No. 12. P. 12. DOI: 10.1061/jtepbs.0000600. EDN: IYEYWJ.

Xia Z. C., Zhang Y., Yang J. L., Xie L. B. Dynamic spatial-temporal graph convolutional recurrent networks for traffic flow forecasting // Expert Syst Appl. 2024. Vol. 240. P. 15. DOI: 10.1016/j.eswa.2023.122381.

Болодурина И. П., Дусакаева С. Т. и др. Интеллектуализация процесса управления светофорным объектом в нечетких условиях // СИИТ. 2021. Т. 3, № 3(7). С. 59-64. DOI: 10.54708/26585014_2021_33759. EDN: HMJJGR.

Галушкин А. И. Нейронные сети: основы теории. М.: Горячая линия-Телеком, 2024. 496 с. ISBN 978-5-9912-0082-0.

Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. 165 с.

Канаев М. М., Ирзаев Г. Х. Аппаратная поддержка систем искусственного интеллекта в виде нечеткого регулятора на распределенной ассоциативной памяти // Интеллект. Инновации. Инвестиции. 2017. № 1. С. 54-57. EDN: YIALPL.

Миронов К. В. Transport-by-throwing - робототехнический способ перемещения предметов перебросом: обзор используемых методов // СИИТ. 2024. Т. 6, № 3(18). С. 3-48. DOI: 10.54708/2658-5014-SIIT-2024-no3-p3. EDN: FUUPEN.

Миронов К. В. Transport-by-Throwing - робототехнический переброс предметов: алгоритм прогнозирования траектории // СИИТ. 2025. Т. 7, № 4(23). С. 3-28. DOI: 10.54708/2658-5014-SIIT-2025-no4-p3. EDN: TBEBLS.

Морозов Е. А., Волосова А. В., Матюхина Е. Н. Реализация интеллектуального автоматического управления движением автомобильных потоков в городских зонах регулирования на основе применения нечетких моделей // Computational Nanotechnology. 2023. Т. 10. № 4. С. 39–45. DOI: 10.33693/2313-223X-2023-10-4-39-45. EDN: FXSDTS.

Муниров Э. Д., Борисова О. В. Использование нейронных сетей в современных системах управления беспилотными автомобилями // Научная территория: технологии и инновации: сб. матер. междунар. науч.-практ. конф. Тюмень, 2023. С. 215-217.

Оруджева Г. Э. Моделирование выбора и проектирования мобильного промышленного робота для ГПС // СИИТ. 2024. Т. 6, № 4(19). С. 91-97. DOI: 10.54708/2658-5014-SIIT-2024-no4-p91. EDN: POUZVF.

Трапезникова М. А., Чечина А. А., Чурбанова Н. Г. Моделирование движения автомобильного транспорта с использованием макро- и микроскопических моделей // Computational Mathematics and Information Technologies. 2023. Т. 7, № 2. С. 60-72. DOI: 10.23947/2587-8999-2023-7-2-60-72. EDN: ICANQB.

Фаттахов А. Р., Инсапов К. И., Миронов К. В. Регрессионная модель дифференцируемой оценки опасности столкновения мобильного робота с препятствием // СИИТ. 2025. Т. 8, № 1(25). С. 47-56. DOI: 10.54708/SIIT-2026-no1-p47. EDN: YQFBKT.

Цветков В. Я., Розенберг И. Н. Интеллектуальные транспортные системы. Saarbrücken: LAP LAMBERT, 2012. 297 c. ISBN: 978-3-659-15742-4. EDN: RRECPJ.

Цзи И., Уманская О. Л. Инновационные технологии обнаружения объектов в реальном времени для автомобилей без водителя на основе конволюционной нейронной сети // Human Progress. 2024. Т. 10, № 6. DOI: 10.46320/2073-4506-2024-6a-14. EDN: TGJJYZ.

Шаймарданов А. Ф., Сазонова Е. Ю., Сметанина О. Н. Построение маршрутов с учетом спрогнозированного риска дорожно-транспортных происшествий на основе исторических данных // СИИТ. 2025. Т. 7, № 5(24). С. 109-123. DOI 10.54708/2658-5014-SIIT-2025-no5-p109. EDN TRRSBA.

Япаров Д. Д., Бессмертный С. В., Данилова Ю. Д. Разработка модели системы предотвращения лобового столкновения нейроэволюционным методом // Успехи кибернетики. 2025. № 6 (4). С. 134–139. EDN: URMSVQ.




DOI: https://doi.org/10.54708/SIIT-2026-no2-p20

Ссылки

  • На текущий момент ссылки отсутствуют.


(c) 2026 М. М. Канаев, Г. Х. Ирзаев, Г. С. Эседова