The object of research, development or design (in Russian) : В данном проекте объектом исследования является разработка автономного мобильного робота, предназначенного для выполнения патрулирования открытых и закрытых пространств с использованием модифицированной генетическим алгоритмом нейронной сети для распознавания различных объектов. Основным аспектом является исследование его механической конструкции, электронных компонентов, программного обеспечения и общей функциональности. Также, разработка и оптимизация генетического алгоритма для настройки параметров нейронной сети. Это включает в себя исследование методов кроссовера, мутации, и других операторов.

The object of research, development or design (in Kazakh) : Бұл жобада зерттеу нысаны әртүрлі объектілерді тану үшін генетикалық алгоритммен өзгертілген нейрондық желіні пайдалана отырып, ашық және жабық кеңістіктерді патрульдеу үшін арналған автономды мобильді роботты жасау болып табылады. Негізгі аспект - оның механикалық дизайнын, электрондық компоненттерін, бағдарламалық жасақтамасын және жалпы функционалдығын зерттеу. Сондай-ақ, нейрондық желінің параметрлерін реттеудің генетикалық алгоритмін жасау және оңтайландыру. Бұған кроссовер, мутация және басқа операторларды зерттеу кіреді.

Aim of work (in Russian) : Основной целью данного проекта является исследование и создание алгоритма на основе эвристического алгоритма поиска параметров оптимального решения в блоках сверточной нейронной сети для повышения точности и производительности распознавания. Еще одной целью является создание автономного мобильного робота способного передвигаться как в городской местности на открытых площадках и зеленых зонах, так и внутри автомобильной парковки с помощью алгоритмов одновременного картографирования и локализации. Разработка автономного мобильного робота предназначено для выполнения патрулирования открытых и закрытых пространств, применяя модифицированную генетическим алгоритмом нейронную сеть для распознавания различных объектов.

Aim of work (in Kazakh) : Бұл жобаның негізгі мақсаты танудың дәлдігі мен өнімділігін арттыру үшін конволюциялық нейрондық желінің блоктарында оңтайлы шешімнің параметрлерін іздеудің эвристикалық алгоритмі негізінде алгоритмді зерттеу және құру болып табылады. Тағы бір мақсат – бір мезгілде картаға түсіру мен локализация алгоритмдерін қолдана отырып, қалалық жерлерде де ашық аумақтарда және жасыл аймақтарда, сондай-ақ автотұрақ ішінде қозғала алатын автономды мобильді робот жасау. Автономды мобильді роботты әзірлеу әртүрлі нысандарды тану үшін генетикалық алгоритммен өзгертілген нейрондық желіні пайдалана отырып, ашық және жабық кеңістіктерді патрульдеу үшін арналған.

Методы исследования (на русском) : Для данного проекта методами исследования являются область вычислительной техники, машинное обучение, компьютерное зрение, робототехника и распознавание образов. Методы исследования рассматривают необходимость анализ существующих аналогов исследования оптимизации нейронных сетей с помощью генетических алгоритмов.

Методы исследования (на казахском) : Бұл жоба үшін зерттеу әдістері информатика, машиналық оқыту, компьютерлік көру, робототехника және үлгіні тану болып табылады. Зерттеу әдістері генетикалық алгоритмдерді пайдалана отырып, нейрондық желілерді оңтайландыруды зерттеудің бар аналогтарын талдау қажеттілігін қарастырады.

Obtained results and novelty (in Russian) : Новизна предлагаемого подхода заключается в гибридизации генетического алгоритма с глубокой нейронной сетью, где генетический алгоритм используется для оптимизации весов свёрточных слоёв, а полносвязные слои обучаются с помощью градиентного спуска. Обычно в глубоких нейронных сетях применяется исключительно градиентный спуск, однако генетический алгоритм в данном случае позволяет избежать застревания в локальных минимумах и исследовать более обширное пространство решений. В процессе обучения параметры алгоритма (размер шага, коэффициент мутации и коэффициент масштабирования) адаптивно уменьшаются, что позволяет сначала эффективно исследовать пространство решений, а затем стабилизировать модель. Регуляризационный компонент, минимизирующий различия между весами свёрточных и полносвязных слоёв, способствует согласованности сети. Кроме того, механизм отбора лучших особей помогает стабилизировать обучение, сохраняя разнообразие решений и избегая локальных минимумов. На практическом уровне, предложенный метод позволяет существенно повысить производительность и устойчивость сети в задачах, требующих более детального исследования пространства решений. В рамках работы также был создан новый поворотный механизм для робота, позволяющий синхронно управлять двумя колёсами, что существенно повышает манёвренность и эффективность робота в задачах патрулирования городской среды и выявления правонарушений.

Obtained results and novelty (in Kazakh) : Ұсынылған тәсілдің жаңалығы генетикалық алгоритмді терең нейрондық желімен гибридтауда жатыр, мұнда генетикалық алгоритм конволюционды қабаттардың салмақтарын оңтайландыру үшін қолданылады, ал толық қосылған қабаттар градиенттік түсу арқылы оқытылады. Әдетте, терең нейрондық желілер тек градиентті түсіруді пайдаланады, бірақ бұл жағдайда генетикалық алгоритм жергілікті минимумдарда тұрып қалмауға және үлкенірек шешім кеңістігін зерттеуге мүмкіндік береді. Жаттығу процесі кезінде алгоритмнің параметрлері (қадам, мутация коэффициенті және масштабтау коэффициенті) бейімделген түрде азаяды, бұл шешім кеңістігін алдымен тиімді зерттеуге, содан кейін модель арқылы тұрақтандыруға мүмкіндік береді. Айналмалы және толық қосылған қабаттардың салмақтары арасындағы айырмашылықтарды азайтатын реттеу құрамдас бөлігі желі үйлесімділігін арттырады. Сонымен қатар, ең жақсы популяцияны таңдау механизмі шешімдердің әртүрлілігін сақтау және жергілікті минимумдарды болдырмау арқылы оқытуды тұрақтандыруға көмектеседі. Практикалық деңгейде ұсынылған әдіс шешім кеңістігін егжей-тегжейлі зерттеуді қажет ететін мәселелерде желінің өнімділігі мен тұрақтылығын айтарлықтай жақсарта алады. Жұмыс аясында роботтың жаңа бұрылу механизмі де жасалды, ол екі доңғалақты синхронды басқаруға мүмкіндік береді, бұл роботтың қалалық ортаны патрульдеу және қылмыстарды ашудағы маневрлігі мен тиімділігін айтарлықтай арттырады.

The main constructive and technical economic indicators (in Russian) : Предлагаемый автономный мобильный робот будет иметь отличную от аналогов конструкцию и структуру, а также модифицированный искусственный интеллект. В Казахстане стоимость робота и разработка его программной составляющей будет дешевле.

The main constructive and technical economic indicators (in Kazakh) : Ұсынылып отырған автономды мобильді роботтың аналогтарынан өзгеше дизайны мен құрылымы, сондай-ақ модификацияланған жасанды интеллект болады. Қазақстанда роботтың құны және оның бағдарламалық құрамдас бөлігін әзірлеу арзанырақ болады.

Level of implementation (in Russian) : Степень внедрения отсутствует

Level of implementation (in Kazakh) : Орындалу деңгейі жоқ

Efficiency (in Russian) : Научный эффект заключается в разработке системы автономной навигации и построения карты и маршрута, а также в разработке и применении модифицированных с помощью генетического алгоритма нейронных сетей улучшающих точность распознавания объектов и производительность. Социально-экономический эффект состоит в уменьшении вероятности преступлений, увеличения доверия к роботизированным средствам

Efficiency (in Kazakh) : Ғылыми нәтиже автономды навигация жүйесін әзірлеуде және карта мен маршрутты құруда, сондай-ақ объектіні тану мен өнімділіктің дәлдігін жақсартатын генетикалық алгоритмді қолдану арқылы модификацияланған нейрондық желілерді әзірлеу мен қолдануда жатыр. Әлеуметтік-экономикалық нәтиже қылмыстардың ықтималдығын төмендету және роботтық құралдарға деген сенімді арттыру болып табылады

Field of application (in Russian) : С помощью применения генетического алгоритма будет создан собственный алгоритм, который в последующем будет применяться в компьютерном зрении системы робота. Таким образом, область исследований и разработок совмещает элементы робототехники, искусственного интеллекта и компьютерного зрения для создания эффективных и автономных роботов, способных выполнять задачи патрулирования.

Field of application (in Kazakh) : Генетикалық алгоритмді қолдана отырып, пайдаланушы алгоритмі жасалады, ол кейіннен робот жүйесін компьютерлік көруде қолданылады. Осылайша, ғылыми-зерттеу және әзірлеу саласы патрульдік тапсырмаларды орындауға қабілетті тиімді және автономды роботтарды жасау үшін робототехника, жасанды интеллект және компьютерлік көру элементтерін біріктіреді.