Аналіз методів машинного навчання у навігації та плануванні траєкторій для автономного керування безпілотними системами

Автор(и)

DOI:

https://doi.org/10.31861/sisiot2024.2.02009

Ключові слова:

машинне навчання, автономна навігація, планування траєкторій, безпілотні системи, глибинне навчання

Анотація

У цій статті досліджується застосування методів машинного навчання у навігації та плануванні траєкторій для автономного керування безпілотними системами. Розглядаються основні підходи, такі як глибинне навчання та навчання з підкріпленням, які пропонують інноваційні рішення для викликів, що виникають у динамічних та складних середовищах. Проведено огляд методів машинного навчання, підкреслюючи їхні переваги над традиційними алгоритмами завдяки гнучкості, адаптивності та здатності працювати в умовах невизначеності. Проаналізовано застосування машинного навчання у плануванні траєкторій, включаючи використання автоенкодерів, генеративних моделей та графових нейронних мереж для прогнозування та оптимізації маршрутів. Обговорюються наявні проблеми та виклики, зокрема забезпечення безпеки та надійності, необхідність у великих обсягах високоякісних даних, питання інтерпретованості моделей та регуляторні аспекти. Визначено перспективи розвитку, такі як розробка ефективніших алгоритмів, підвищення прозорості моделей та встановлення стандартів для відповідального впровадження автономних систем. У підсумку наголошується, що машинне навчання є рушійною силою змін у сфері автономної навігації та планування траєкторій. Подолання поточних викликів і подальші інновації розкриють повний потенціал безпілотних систем, приносячи значні переваги суспільству та економіці через їх широке застосування в різних галузях.

Завантажити

Дані для завантаження поки недоступні.

Біографії авторів

  • Роман Трембовецький, Черкаський державний технологічний університет

    Аспірант кафедри інформаційної безпеки та комп'ютерної інженерії Черкаського державного технологічного університету. Наукові інтереси: машинне навчання, безпілотні мобільні системи, інженерія дронів, інтернет речей.

  • Інна Розломій, Черкаський державний технологічний університет

    Кандидат технічних наук, доцент кафедри інформаційної безпеки та комп'ютерної інженерії Черкаського державного технологічного університету. Наукові інтереси: інформаційна безпека, методи криптографічного перетворення інформації, Інтернет речей, бази даних.

  • Віра Бабенко, Черкаський державний технологічний університет

    Доктор технічних наук, професор кафедри інформаційної безпеки та комп'ютерної інженерії Черкаського державного технологічного університету. Наукові інтереси: захист інформації в комп'ютерних системах, безпека інформаційно-комунікаційних систем, методологія синтезу операцій криптографічного перетворення, розробка криптографічних примітивів.

Посилання

K. Nonami, M. Kartidjo, K.-J. Yoon, and A. Budiyono, Autonomous Control Systems and Vehicles, Springer Science & Business Media, 2013.

M. X. Evangeline and Karthik, Modeling, Simulation, and Control of AI Robotics and Autonomous Systems, IGI Global, 2024.

(n.d.). [Online]. Available: https://images.javatpoint.com/tutorial/machine-learning/images/machine-learning-models2.png. [Accessed: Dec. 12, 2024].

F. X. Govers III, Artificial Intelligence for Robotics: Build intelligent robots using ROS 2, Python, OpenCV, and AI/ML techniques for real-world tasks, 2nd ed., Packt Publishing, Birmingham, 2024.

G. Bonaccorso, Hands-On Unsupervised Learning with Python: Implement Machine Learning and Deep Learning Models Using Scikit-Learn, TensorFlow, and More, Packt Publishing, 2019.

S. Arshad and G.-W. Kim, "Role of Deep Learning in Loop Closure Detection for Visual and Lidar SLAM: A Survey," Sensors, vol. 21, no. 4, p. 1243, 2021. doi: 10.3390/s21041243.

A. M. Roth, D. Manocha, R. D. Sriram, and E. Tabassi, Explainable and Interpretable Reinforcement Learning for Robotics, Springer International Publishing, Cham, 2024. doi: 10.1007/978-3-031-47518-4.

(n.d.). [Online]. Available: https://miro.medium.com/v2/1*7cuAqjQ97x1H_sBIeAVVZg.png. [Accessed: Dec. 12, 2024].

Z. Fan, "An exploration of reinforcement learning and deep reinforcement learning," Appl. Comput. Eng., vol. 73, no. 1, pp. 154-159, 2024. doi: 10.54254/2755-2721/73/20240386.

Y. Huang, "Deep Q-Networks," in Deep Reinforcement Learning: Fundamentals, Research and Applications, H. Dong, Z. Ding, and S. Zhang, Eds., Springer Singapore, 2020, pp. 135-160. doi: 10.1007/978-981-15-4095-0_4.

J. Schulman, F. Wolski, P. Dhariwal, A. Radford, and O. Klimov, "Proximal policy optimization algorithms," arXiv preprint arXiv:1707.06347, 2017.

E. Dhulkefl, A. Durdu, and H. Terzioğlu, "Dijkstra algorithm using UAV path planning," Konya J. Eng. Sci., vol. 8, pp. 92-105, 2020.

J. Ding, Y. Zhou, X. Huang, K. Song, S. Lu, L. Wang, "An Improved RRT⁎ Algorithm for Robot Path Planning Based on Path Expansion Heuristic Sampling," J. Comput. Sci., vol. 2023, 101937, 2023. doi: 10.1016/j.jocs.2022.101937.

A. Marashian and A. Razminia, "Mobile robot’s path-planning and path-tracking in static and dynamic environments: Dynamic programming approach," Robot. Auton. Syst., vol. 172, p. 104592, 2024. doi: 10.1016/j.robot.2023.104592.

D. Arce, J. Solano, and C. Beltrán, "A Comparison Study between Traditional and Deep-Reinforcement-Learning-Based Algorithms for Indoor Autonomous Navigation in Dynamic Scenarios," Sensors, vol. 23, no. 24, p. 9672, 2023. doi: 10.3390/s23249672.

A. Tampuu, T. Matiisen, M. Semikin, D. Fishman, N. Muhammad, "A Survey of End-to-End Driving: Architectures and Training Methods," IEEE Trans. Neural Netw. Learn. Syst., vol. 32, pp. 1-21, 2020. doi: 10.1109/tnnls.2020.3043505.

R. Dwivedi et al., "Explainable AI (XAI): Core Ideas, Techniques and Solutions," ACM Comput. Surv., vol. 54, no. 3, p. 1-42, 2022. doi: 10.1145/3561048.

B. Y. Suprapto et al., "Designing an Autonomous Vehicle Using Sensor Fusion Based on Path Planning and Deep Learning Algorithms," SAIEE Afr. Res. J., vol. 115, no. 3, pp. 86-98, 2024. doi: 10.23919/saiee.2024.10551314.

S. Grigorescu, B. Trasnea, T. Cocias, and G. Macesanu, "A survey of deep learning techniques for autonomous driving," J. Field Robot., vol. 37, no. 3, pp. 362-386, 2020. doi: 10.1002/rob.21918.

B. R. Kiran et al., "Deep Reinforcement Learning for Autonomous Driving: A Survey," IEEE Trans. Intell. Transp. Syst., vol. 22, no. 1, pp. 1-18, 2021. doi: 10.1109/tits.2021.3054625.

Z. Wu, S. Pan, F. Chen, G. Long, C. Zhang, and P. S. Yu, "A Comprehensive Survey on Graph Neural Networks," IEEE Trans. Neural Netw. Learn. Syst., vol. 32, no. 1, pp. 4-24, 2021. doi: 10.1109/tnnls.2020.2978386.

(n.d.). [Online]. Available: https://www.pi-research.org/project/gnn/featured_hu7d801bb7c748537ad832916140f12452_219604_720x0_resize_q75_lanczos.jpg. [Accessed: Dec. 12, 2024].

V. Mnih, "Asynchronous Methods for Deep Reinforcement Learning," arXiv Prepr. arXiv:1602.01783, 2016.

H. Tan, "Reinforcement learning with deep deterministic policy gradient," in 2021 International Conference on Artificial Intelligence, Big Data and Algorithms (CAIBDA), IEEE, 2021, pp. 82-85.

H. Wang, Z. Wang, and X. Cui, "Multi-objective Optimization Based Deep Reinforcement Learning for Autonomous Driving Policy," J. Phys., vol. 1861, no. 1, p. 012097, 2021. doi: 10.1088/1742-6596/1861/1/012097.

M. Bansal, A. Krizhevsky, and A. Ogale, "ChauffeurNet: Learning to Drive by Imitating the Best and Synthesizing the Worst," 2018. [Online]. Available: https://arxiv.org/abs/1812.03079.

M. Kim, J. Kim, M. Jung, and H. Oh, "Towards monocular vision-based autonomous flight through deep reinforcement learning," Expert Syst. With Appl., vol. 198, p. 116742, 2022. doi: 10.1016/j.eswa.2022.116742.

M. Zeller, "Safety Assurance of Autonomous Systems using Machine Learning: An Industrial Case Study and Lessons Learnt," INCOSE Int. Symp., vol. 33, no. 1, pp. 320-333, 2023. doi: 10.1002/iis2.13024.

P. Sun et al., "Scalability in Perception for Autonomous Driving: Waymo Open Dataset," 2020. [Online]. Available: https://arxiv.org/abs/1912.04838.

R. Guidotti, A. Monreale, S. Ruggieri, F. Turini, F. Giannotti, and D. Pedreschi, "A Survey of Methods for Explaining Black Box Models," ACM Comput. Surv., vol. 51, no. 5, p. 1-42, 2019. doi: 10.1145/3236009.

Y. Cheng, D. Wang, P. Zhou, and T. Zhang, "Model Compression and Acceleration for Deep Neural Networks: The Principles, Progress, and Challenges," IEEE Signal Process. Mag., vol. 35, no. 1, pp. 126-136, 2018. doi: 10.1109/msp.2017.2765695.

Завантаження


Переглядів анотації: 2

Опубліковано

2024-12-30

Номер

Том 2 № 2 (2024)

Розділ

Статті

Ліцензія

Авторське право (c) 2024 Безпека інфокомунікаційних систем та Інтернету речей

Creative Commons License

Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.

Як цитувати

[1]
Р. Трембовецький, І. Розломій, and В. Бабенко, “Аналіз методів машинного навчання у навігації та плануванні траєкторій для автономного керування безпілотними системами”, SISIOT, vol. 2, no. 2, p. 02009, Dec. 2024, doi: 10.31861/sisiot2024.2.02009.

Схожі статті

1-10 з 41

Ви також можете розпочати розширений пошук схожих статей для цієї статті.