О.В. Непомнящий1, С.Ю. Пичковская2, М.К. Тихонов3

1-3 Институт космических и информационных технологий Сибирского федерального университета (г. Красноярск, Россия)

1 ONepomnuashy@sfu-kras.ru, 2 SLipunova@sfu-kras.ru, 3 samualgame@gmail.com

Постановка проблемы. В последнее время стала актуальной проблема сокращения вычислительных требований к управляющей аппа­ратуре беспилотных транспортных средств при одновременном повышении качества принятия решений управляющим модулем. В работе рассмотрены известные модели управления, включающие в себя применение технологий машинного обучения для анализа данных об окружающей обстановке.

Цель. Разработать метод интеллектуального управления и планирования пути для наземных беспилотных транс­портных средств, базирующийся на принципе интеграции технологий глубокого обучения и эвристического алго­ритма, а также новых способов обработки данных, основанных на многомодальном восприятии информации.

Результаты. Предложен подход, ключевыми аспектами которого являются предварительная обработка данных семантическим лидаром, а также использование методов пуринга и квантования для сжатия моделей. Для планирова­ния пути предложено применять метод путевых точек и выполнять расчет посредством сверточной нейронной сети в комбинации с алгоритмом А*. Показано, что это обеспечивает требуемую динамику функционирования устройства управления, в том числе и в режимах пересчета маршрута. Представлены разработанные нейросетевые модели для алгоритмов обучения с подкреплением, позволяющие выполнять построение и обновление карты путевых точек и создания маршрутов. Отмечено, что результаты сравнительного анализа демонстрируют повышенную точность прост­ранственной ориентации в сравнении с известными подходами.

Практическая значимость. Применение предложенного метода при создании моделей управления беспилотными транспортными средствами обеспечивает значительное сжатие при незначительной потере точности, что делает предложенный метод конкурентоспособным и пригодным для практической реализации на бортовых комплексах управления с меньшими вычислительными затратами.

Непомнящий О.В., Пичковская С.Ю., Тихонов М.К. Методинтеллектуальногоуправлениядляназемныхбеспилотных транспортных средств // Нелинейный мир. 2026. Т. 24. № 1. С. 36–45. DOI: https://doi.org/10.18127/ j20700970-202601-03

1. Badue C. et al. Self-drivingcars: A survey Expert systems with applications. 2021. V. 165. P. 113816.
2. Grigorescu S. et al. A survey of deeplearning techniques for autonomous dri ving Journal of fieldrobotics. 2020. V. 37. № 3. P. 362– 3 8
3. Метод интеллектуального управления для наземных беспилотных транспортных средств (36–45 с.) Нелинейный мир, т. 24, № 1, 2026 44
4. Schulman J. et al. Proximal policy optimization algorithms arXiv preprint arXiv:1707.06347. 2017.
5. Haarnoja T. et al. Soft actor-critic: Off-policy maximum entropy deep rein forcement learning with astochastic actor International conference on machine learning. PMLR. 2018. С. 1861–1870.
6. Al-Nuaimi M. et al. Hybrid verification tec hnique for decision-making of self-drivingvehicles Journal of Sensor and Actuator Networks. 2021. V. 10. № 3. P. 42.
7. Yin J., Fu W. A hybridpath planning algorithm based on simulated annealing particleswarm for the self-driving car 2018 International Computers, Signals and Systems Conference (ICOMSSC). IEEE. 2018. P. 696–700.
8. Shao H. et al. Safety-enhancedautonom ous driving using interpretable sensor fusiontransformer Conference on Robot Learning. PMLR. 2023. P. 726–737.
9. Wu P. et al. Trajectory-guidedcontrol prediction for end-to-end autonomous driving: A simple yet strongbaseline Advances in Neural Information Processing Systems. 2022. V. 35. P. 6119–6132.
10. Schulman J. et al. High-dimensional continuous control using generalized advantage estimation arXiv preprint arXiv:1506.02438. 2015. 1
11. Zhao X. et al. Fusion of 3D LIDAR and cam era data for objectdetection in autonomous vehicle applications IEEE Sensors Journal. 2020. V. 20. № 9. P. 4901–4913. 1
12. Koppula H. et al. Semantic labeling of 3d pointclouds for indoorscenes Advances in neuralinformation processing systems. 2011. V. 24. 1
13. Sellat Q. et al. Intelligent Semantic Segmentation for Self‐Driving Vehi cles Using Deep Learning Computational Intelligence and Neuroscience. 2022. V. 2022. № 1. P. 6390260. 1
14. Engelmann F. et al. Know whatyourneighbors do: 3D semanticsegmentation ofpointclouds Proceedings of the European Conference on Computer Vision (ECCV) Workshops. 2018. P. 0–0. 1
15. Passino K.M., Antsaklis P.J. A metricspace approach to the specification of the heuristic function for the A* algorithm IEEE transactions on systems, man, and cybernetics. 1994. V. 24. № 1. P. 159–166. 1
16. Park D. et al. Robust datapruning under labelnoise via maximizing re-labelingaccuracy Advances in Neural Information Processing Systems. 2023. V. 36. P. 74501-74514. 1
17. Пушкарева М.М., Карандашев Я.М. Сокращение нейронной сети ResNet -32 с применением структурного прунинга и направленного дропаута // Труды НИИСИ РАН. 2021. С. 20. 1
18. Chen C. et al. Deep learning on computational‐resource‐limitedplatfor ms: A survey Mobile Information Systems. 2020. V.2020. № 1. P. 8454327. 1
19. Jacinto E., Martinez F., Martinez F. Navigation of autonomous vehicle susing reinforcement learning with generalized advantage estimation International Journal of Advanced Computer Science and Applications. 2023. V. 14. № 1. 1
20. Emuna R., Borowsky A., Biess A. Deep reinforcement learning for human-likedriving policies in collision avoidance tasks of self-drivingcars. arXiv 2020 arXiv preprint arXiv:2006.04218.