Али Султан Маея1

1 Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина) (Санкт-Петербург, Россия)
1 alimayya1357@gmail.com

Постановка проблемы. Развитие телемедицинских и носимых офтальмологических устройств предъявляет повышенные требования к системам автоматического позиционирования оптических элементов, обеспечивающим точное и устойчивое отслеживание движений зрачка без использования внешних камер и сложных аппаратных средств. Особую актуальность приобретает разработка компактных систем управления с прямым приводом, способных функционировать в условиях ограниченных вычислительных ресурсов при наличии параметрической неопределенности и внешних возмущений.

Цель. Разработать математическую модель системы отслеживания заранее заданных положений зрачка с прямым приводом в пространстве состояний и провести сравнительный анализ стратегий управления на основе линейно-квадратичного регулятора (LQR), многослойного персептрона и алгоритма обучения с подкреплением TD3.

Результаты. Разработана модель электромеханической системы управления линзой с двумя двигателями постоянного тока, учитывающая динамику механической и электрической частей. Реализованы и исследованы три подхода к управлению системой слежения за заданными дискретными положениями зрачка. Показано, что регулятор LQR обеспечивает устойчивое и предсказуемое управление при номинальных условиях функционирования системы. Отмечено, что нейросетевой контроллер на основе MLP демонстрирует сопоставимую, а в ряде случаев более высокую, точность слежения по сравнению с LQR (RMSE = 0,1089 против RMSE = 0,1557). Установлено, что контроллер обучения с подкреплением обеспечивает сопоставимую точность по оси X (RMSE = 0,1140), однако он характеризуется существенно большей ошибкой по оси Y (RMSE = 1,5928), что указывает на неполную сходимость обученной политики при выбранной конфигурации обучения.

Практическая значимость. Полученные результаты подтверждают применимость классических и нейросетевых методов управления в системах автоматического отслеживания зрачка для носимых телемедицинских устройств. Предложенная модель и сравнительный анализ особенно актуальны для компактных офтальмологических систем с прямым приводом, функционирующих в условиях ограниченных возможностей интеграции дополнительных датчиков и внешних средств наблюдения, и обеспечивают надежное позиционирование зрачка при минимальном наборе измерений.

Али Султан Маея А.С. Моделирование в пространстве состояний и сравнительный анализ методов автоматизированного управления системой отслеживания зрачка с прямым приводом для телеофтальмологии // Биомедицинская радиоэлектроника. 2026. T. 29. № 3. С. 37−42. DOI: https:// doi.org/10.18127/j156 04136-202603-06

1. Офтальмологическая помощь, нарушения зрения и слепота [Электронный ресурс] / Всемирная организация здравоохранения. URL: https://www.who.int/health-topics/blindness-and-vision-loss#tab=tab_1.
2. Гаджаравала С.Н., Пелковски Дж.Н. Преимущества и ограничения телемедицины. The Journal for Nurse Practitioners. 2021. № 2 (17). P. 218–221.
3. Пратиба В., Рема М. Телеофтальмология как модель оказания офтальмологической помощи в сельских и малодоступных регионах Индии. International Journal of Family Medicine. 2011. V. 2011. Article 683267.
4. Чжоу Ю. Базовая модель для обобщаемого выявления заболеваний по изображениям сетчатки. Nature. 2023. V. 622. №7981. P. 156–163.
5. Шанмугам М.П. и др. Фундус-съемка с использованием мобильного телефона: обзор методов // Indian Journal of Ophthalmology. 2014. Т. 62. № 9. С. 960.
6. Ли С. и др. Гибридный LQR-регулятор с прямой и обратной связью на основе прогнозной модели для управления уровнем воды в открытых каналах // Journal of Hydroinformatics. 2024. Т. 27. № 1. С. 33–50.
7. Снелл Р.С., Лемп М.А. Клиническая анатомия глаза. Oxford: Blackwell Science Ltd., 1998. XV, 344 с. ISBN 978-0-632-04344-6.
8. Чжу Ч., Фудзимура К., Цзи Ц. Обнаружение и отслеживание глаз в реальном времени при различных условиях освещения. Proceedings of the 2002 Symposium on Eye Tracking Research & Applications. New York: ACM. 2002. P. 139–144.
9. Багуа Х. Сравнительный анализ PID- и LQR-регуляторов для управления скоростью двигателя постоянного тока. The Journal of Engineering and Exact Sciences. 2023. V. 9. № 12. Article 19429.
10. Фудзимото С., ван Хооф Х., Мегер Д. Устранение ошибок аппроксимации функций в actor-critic методах обучения с подкреплением // arXiv preprint. 2018. arXiv:1802.09477.
11. Даргазани А. Глубинное обучение с подкреплением для интеллектуального управления роботами: концепции, обзор литературы и перспективы. arXiv. 2021. arXiv:2105.13806.
12. Прецизионный мини-двигатель М10 с планетарным редуктором (DC 2,5–5 В, 92 об/мин) для медицинского оборудования. URL: https://aliexpress.ru/item/1005005879748285.html?sku_id=12000034684854420