Search academic texts

Information × Registration Number 2125U004487, Article popup.category Стаття, Опубліковано Title ENHANCING TRUSTWORTHINESS OF IOT-ENABLED AUTOMATED VEHICLE LOCALIZATION SYSTEMS popup.author Sevostianova OlenaKosenko NataliiaFilippov VladlenDiachenko MaksymKharakhaichuk IvanSevostianova OlenaKosenko NataliiaFilippov VladlenDiachenko MaksymKharakhaichuk Ivan popup.publication 02-12-2025 popup.source_user Національний університет «Полтавська політехніка імені Юрія Кондратюка» popup.source https://journals.nupp.edu.ua/sunz/article/view/4096 popup.publisher Національний університет «Полтавська політехніка імені Юрія Кондратюка» Description Актуальність. Автономні транспортні засоби покладаються на багатосенсорні системи локалізації, що функціонують у межах інфраструктури Інтернету речей, утворюючи взаємопов’язані вразливості, пов’язані з аномаліями сенсорів, відмовами мережі та кіберзагрозами, які потребують комплексних рішень для подолання проблем на рівні як транспортного засобу, так і інфраструктури. Об’єкт дослідження – системи локалізації автоматизованих транспортних засобів, що працюють в середовищі IoT і вимагають надійної роботи за несприятливих умов, зокрема у разі відмов сенсорів, атак із підміною сигналів GPS та збоїв інфраструктури. Мета статті – розробка та валідація єдиної рамкової моделі стійкості, яка інтегрує трансформерні методи виявлення аномалій у потоках даних бортових сенсорів із федеративними агентами навчання, розгорнутими на IoT-шлюзах, що забезпечує відновлення роботи після інфраструктурних збоїв менш ніж за секунду при збереженні точності локалізації. Результати дослідження. Запропонована модель забезпечує точність виявлення аномалій на рівні 94–98 % при збереженні похибки локалізації менш ніж 0,5 м у разі відмов. Компонент федеративного навчання демонструє зниження комунікаційних витрат на 40 % у порівнянні з централізованими підходами та забезпечує відновлення роботи після відмови інфраструктури менш ніж за секунду. Інтеграція пояснюваного машинного навчання дає змогу отримувати інтерпретовані попередження завдяки механізмам уваги трансформера, що дозволяє виконувати діагностику системи в реальному часі. Висновки. Єдина рамкова модель ефективно вирішує ключові виклики впровадження автономних транспортних засобів шляхом поєднання багаторівневого виявлення аномалій, узгодженого поширення повідомлень про надійність та методів пояснюваного ШІ, забезпечуючи комплексну основу для довіреної роботи автономних транспортних засобів у середовищі розумних міст, інтегрованих з IoT. popup.nrat_date 2026-04-19 Close