БІОНІЧНО-ОРІЄНТОВАНИЙ НЕЙРОМЕРЕЖЕВИЙ ПЛАНУВАЛЬНИК ПЕРЕМІЩЕННЯ КІБЕРФІЗИЧНОЇ СИСТЕМИ У ДВОВИМІРНОМУ ПРОСТОРІ
DOI:
https://doi.org/10.32782/2078-0877-2026-26-2-5Ключові слова:
аферентний синтез, біонічний підхід, кіберфізична система, нейромережевий планувальник, планування переміщення, система технічного зору, штучні нейронні мережіАнотація
Метою роботи є розробка та формалізація біонічно-орієнтованого нейромережевого планувальника, здатного забезпечувати адаптивне та безпечне формування траєкторії руху в умовах невизначеного та динамічного середовища. Наукова новизна полягає у застосуванні концепції аферентного синтезу як механізму інтеграції сенсорної, навігаційної та цільової інформації. У роботі виконано формалізацію задачі планування переміщення, запропоновано структуру нейромережевого планувальника, обґрунтовано використання багатошарових і згорткових нейронних мереж. Отримані результати показують, що запропонований підхід забезпечує адаптивне та безпечне переміщення кіберфізичної системи, дозволяє уникати зіткнень із перешкодами та досягати цільової точки у реальному часі. Практична цінність роботи полягає у можливості застосування розробленого планувальника в інтелектуальних системах управління мобільними кіберфізичними об’єктами, зокрема в умовах динамічного та невизначеного середовища
Посилання
Костенко В. Аналіз методів та алгоритмів планування траєкторій для групового застосування БПЛА Measuring and computing devices in technological processes. 2025. 10.31891/2219-9365-2025-83-42.
Чечель Т. О., Носова Т. В. Метод розробки біонічного підходу до ендопротезування фалангового суглобу кисті людини. Інформаційні технології і автоматизація – 2024 : матеріали XVII міжнародної науковопрактичної конференції, 31 жовтня – 1 листопада 2024 р. Одеса : Видавництво ОНТУ, 2024 р. С. 809–81. URI: https://openarchive.nure.ua/handle/document/29231.
Шинський О. Й., КалюжнийП. Б., Дорошенко В. С. Біонічний підхід до виготовлення литих легковагих металоконструкцій для будівництва споруд модульного типу. Процеси лиття, 2022. № 150 (4).https://doi.org/10.15407/plit2022.04.063.
Dong Lu, He Z., Song C., Sun C. A review of mobile robot motion planning methods: from classical motion planning workflows to reinforcement learning-based architectures. Arxiv. 2022. № 4. URI: https://arxiv.org/abs/2108.13619?utm_source=chatgpt.com.
Yu J., Su Y., Liao Y. The Path Planning of Mobile Robot by Neural Networks and Hierarchical Reinforcement Learning. Front. Neurorobot. 2020. Vol. 142020. https://doi.org/10.3389/fnbot.2020.00063.
She J., Xiang F., Xu B., Chen L., Wang Y., Liu N., Zou W., Ma G., Yu B., Ba K. Bionic Energy-Efficient Inverse Kinematics Method Based on Neural Networks for the Legs of Hydraulic Legged Robots. Biomimetics 2025, № 10(6), 403. https://doi.org/10.3390/biomimetics10060403.
Liu W., Zhang M., Xu Q., Xie L. Survey on data-driven control and its application in cyber-physical energy systems. Cyber-Physical Energy Systems. 2025. Vol. 1, Issue 1, Pр. 28–48. https://doi.org/10.1016/j.cpes.2025.08.004.
Бець С.М. Біоніка та дизайн інтер’єру. Використання біологічних методів та структур для формування гармонійного середовища. Theory and practice of design. 2022. 10.18372/2415-8151.25.16791.
Радіолокатор бічного огляду. URI: https://www.radartutorial.eu/20.airborne/ab06.uk.html.
Introduction to SAR. URI: https://pro.arcgis.com/en/pro-app/3.4/help/analysis/image-analyst/introductionto-synthetic-aperture-radar.htm.
Sveleba S., Brygilevych V., Katerynchuk I., Kuno I., Karpa I., Semotiuk O., Shmyhelskyy Y., Sveleba N. Multilayer neural networks – as determined systems. JCPEE. 2021; Vol. 11, № 2: pp. 26–31. https://doi.org/10.23939/jcpee2021.02.026
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
