Search academic texts

Information × Registration Number 0824U000081, PhD dissertation Status Доктор філософії Date popup.evolution o Title Methodology for assessing the effectiveness of the robotic terrain monitoring system based on machine learning Author Vira R. Mykolaichuk, popup.head Kamila P. Storchak popup.opponent Ali N. Al-Ammori popup.opponent Yuriiy Kravchenko popup.review Oksana A. Zolotukhina popup.review Olha V. Zinchenko Description Дисертаційна робота присвячена актуальній науковій задачі розробки методики оцінки ефективності роботизованої системи моніторингу місцевості на основі машинного навчання. Дисертаційне дослідження присвячено аналізу систем моніторингу місцевості (СММ) та їх ефективності у виявленні та ідентифікації рухомих об’єктів. Ці системи відіграють важливу роль у сучасних умовах, коли потреба у високоточному моніторингу територій стає все більш актуальною. Для підвищення ефективності СММ у виявленні рухомих об’єктів пропонується використовувати роботизовані засоби. Окрім того необхідно комбінувати сенсорні мережі з роботизованими засобами. Такий підхід дозволить забезпечити високу точність виявлення та ідентифікації рухомих об’єктів, незалежно від їх спроб уникнути ідентифікації. Також необхідно розробити нові методики моделювання динаміки ідентифікації, щоб точніше оцінювати ефективність роботизованих СММ. Для забезпечення заданих високих вимог до якісних показників продуктивності систем моніторингу, що є частиною організації сучасних підприємств, необхідна розробка методики оцінки ефективності таких систем. Перший розділ дослідження присвячено аналізу практичних та науково-методологічних підходів до роботизованих систем моніторингу місцевості. Було встановлено, що сенсорні мережі, хоча і є ефективними у багатьох випадках, можуть мати обмеження у виявленні рухомих об'єктів. Роботизовані засоби, у поєднанні з методами машинного навчання, спрямовані на подолання викликів пов’язаних з динамічністю об’єктів ідентифікації, проте потребують подальших наукових досліджень для оптимізації їх роботи. Наприкінці розділу сформовані наукові завдання. У другому розділі проводиться аналіз існуючих теоретичних підходів до оцінки ефективності РСММ, а також досліджуються методи RL та їх застосування для вирішення цієї задачі. Розглядаються основні концепції та алгоритми RL, їх переваги та обмеження. Аналізуються можливості використання RL для оптимізації стратегій моніторингу, адаптації до змінюваних умов та підвищення загальної ефективності РСММ. Цей розділ розкриває теоретичні основи оцінки ефективності РСММ, а також розкриває потенціал застосування методів RL для оптимізації їх роботи. У третьому розділі розглядаються ключові аспекти розробки методики оцінки ефективності роботизованої системи моніторингу місцевості. Основна увага приділяється обґрунтуванню показників та критеріїв оцінки, моделюванню середовища моніторингу, розробці моделі роботизованого засобу та об’єкту моніторингу та формулюванню методики оцінки ефективності. Цей розділ надає чітке розуміння процесу розробки методики оцінки ефективності РСММ, включаючи визначення ключових показників та критеріїв, моделювання середовища та роботизованого засобу, а також формулювання загальних принципів оцінки. У четвертому розділі дослідження акцентується на практичному застосуванні розробленої методики оцінки ефективності роботизованої системи моніторингу місцевості. Основна увага приділяється програмній реалізації цієї методики у вигляді Framework, який базується на передових технологіях машинного навчання, зокрема, комп'ютерному зору та навчанню з підкріпленням. Цей розділ надає докладний огляд процесу програмної реалізації розробленої методики оцінки ефективності РСММ, демонструючи її практичну цінність та можливості застосування в реальних умовах. У дисертаційній роботі були вирішені такі завдання: 1. Удосконалено модель середовища моніторингу, яка враховує протидію роботизованих засобів та рухомих об’єктів та за допомогою використання згорткових нейронних мереж аналізує середовище, що дало змогу підвищити адаптивність системи до змінних умов та дало можливість детально відтворити реальні умови, в яких діють роботизовані засоби, включаючи перешкоди, зони видимості та різні типи поверхонь. 2. Удосконалено модель роботизованого засобу, що включає розробку алгоритму формування множини можливих дій, які система може виконувати для ідентифікації об’єкта та модель вибору поведінки, використано техніки глибинного навчання для автоматичного вивчення оптимальних стратегій взаємодії з навколишнім середовищем, що дало можливість враховувати взаємодію з іншими роботизованими засобами та об'єктами моніторингу. 3. Вперше розроблено методику оцінки ефективності роботизованої системи моніторингу місцевості на основі машинного навчання, яка включає розроблену модель навчання з підкріпленням для точного визначення характеристик об'єкта моніторингу та роботизованого засобу, що забезпечило високу адаптивність та ефективність порівняно з існуючими методиками, особливо в складних динамічних умовах. Registration Date 2024-01-03 popup.nrat_date 2025-01-17 Close