Дослідження виявлення об`єкта для автопілоту машини за допомогою спайкових нейронних мереж
Автор: Бідник Дмитро Богданович
Кваліфікаційний рівень: магістр
Спеціальність: Проектування та адміністрування інформаційних комунікаційних мереж
Інститут: Інститут телекомунікацій, радіоелектроніки та електронної техніки
Форма навчання: денна
Навчальний рік: 2023-2024 н.р.
Мова захисту: українська
Анотація: Автопілот представляє передову систему керування, яка значно підвищує як безпеку, так і надійність керування транспортним засобом. Ця передова технологія має можливість або самостійно регулювати швидкість транспортного засобу в залежності від оточуючого середовища, або повністю брати під контроль автомобіль.[1] Для досягнення цього Автопілот використовує низку сенсорів, включаючи радари, сонари, камери та цифрові монітори, для постійного моніторингу оточуючого середовища транспортного засобу. На даний момент ці системи можуть виконувати прості рішення, такі як зміна смуги руху, регулювання швидкості або керування гальмами. Однак важливо відзначити, що незважаючи на ці можливості, активна участь водія все ще потрібна під час керування [2]. Виявлення об’єктів відіграє ключову роль в галузях машинного навчання та комп’ютерного зору. Воно служить фундаментальним елементом, дозволяючи ідентифікувати та категоризувати різноманітні об’єкти, від тварин і людей до транспортних засобів та іншого. Основна мета алгоритмів, задіяних у виявленні об’єктів, - створення моделей, які надають інформацію програмам комп’ютерного зору. Ці програми можуть виконувати різноманітні функції, такі як підрахунок кількості людей в певному просторі або розпізнавання індивідуальних облич [3]. Глибокий аналіз виявлення об’єктів розкриває значущі виклики, з якими стикається цей підхід до моделювання. Ключові проблеми включають масштабованість та складність, адаптивність, схожість об’єктів, необхідність обширних наборів даних та обробка в реальному часі. Масштабованість та складність стосуються здатності алгоритму ефективно взаємодіяти з великим обсягом об’єктів з різною складністю форми. Адаптивність передбачає здатність алгоритму швидко пристосовуватися до нових об’єктів без значних витрат ресурсів. Розрізнення між об’єктами з схожістю - ще одна проблема, яка вимагає високорівневих здібностей розрізнення. Висока точність вимагає великих наборів даних для надійного навчання, а обробка в реальному часі вимагає забезпечення дрібної рівноваги між швидкістю та точністю [4]. Типи сучасних нейронних мереж можна розділити на три покоління. Перше покоління представлене перцептронами, які складаються з одного штучного нейрона, здатного до навчання. Результат роботи системи перцептрону генерується, коли нейрони перетинають визначене порогове значення, зазвичай 0 або 1. Друге покоління вводить Штучні Нейронні Мережі, які все ще широко використовуються. Третє покоління включає в себе спайкові нейронні мережі, які прагнуть повністю відтворювати принципи людського мозку та спілкування за допомогою спайкові. В даній роботі використовується модель спайкові нейронної мережі. Спайкрві нейронні мережі будуються на основі конкретних топологій мережі, стаючи все більш інтелектуальними та енергоефективними завдяки включенню спайків, ключового компонента для роботи компактних пристроїв. Виникнення з обчислювальної неврології, ці мережі прагнуть емулювати поведінку органічних нейронів, що призводить до розробки моделі Leaky Integrate-and-Fire. На відміну від традиційних нейронних мереж, спайків нейронні мережі не мають загальної лінійної структури, вони мають чіткі шари лише для введення та виведення. Замість цього вони використовують складні структури, такі як петлі чи багаторазові з’єднання для ефективної передачі даних між нейронами. Складність цих мереж вимагає різних алгоритмів навчання та навчання, з модифікаціями, необхідними для реагування на спайкову активність, особливо в методах, таких як зворотнє розповсюдження [5]. Ці спайкові нейронні мережі мають безліч переваг. Вони відзначаються енергоефективністю, оскільки споживають енергію лише під час генерації імпульсів, що робить їх ідеальними для пристроїв з низьким споживанням енергії, таких як датчики Інтернету речей (IoT) чи мобільні пристрої. Ще одна відмінна риса - обробка, орієнтована на події, де інформація обробляється лише в присутності вхідних спайків. Ця можливість робить спайкові нейронні мережі дуже ефективними в умовах, де події відбуваються несистематично, таких як обробка візуальних чи слухових даних. Здатність до часового кодування дозволяє точне кодування параметрів на часовій основі, що виявляється корисним у завданнях, таких як розпізнавання мови чи рухів. Крім того, ці мережі демонструють стійкість до шуму та певний рівень нейропластичності, що робить їх особливо цінними в шумних середовищах, таких як медична візуалізація чи екологічний моніторинг [6]. Заключно, інтеграція технології автопілоту та досягнень в області виявлення об’єктів та спайкові нейронних мереж є значущими кроками в галузях автономного водіння, машинного навчання та обчислювальної неврології. Ці технології не лише підвищують безпеку та надійність водіння, але й сприяють розвитку інтелектуальних систем, здатних до складного прийняття рішень та адаптації в динамічних середовищах.