The object of research, development or design (in Russian) : Объектами исследования в проекте выступают робототехнические системы и процессы их интеллектуального управления, в частности: автономные мобильные и летающие роботы (в т.ч. их реальные и имитационные экземпляры) и их поведение в динамически меняющейся среде, сами интеллектуальные системы управления этих роботов: навигация, стабилизация, координация в мультиагентных сценариях, математические модели и алгоритмы синтеза управляющих функций на базе эволюционных алгоритмов, символической регрессии, вариационного/аналитического программирования и методов машинного обучения (в т.ч. обучение с подкреплением).

The object of research, development or design (in Kazakh) : Жобадағы зерттеу объектілері - робототехникалық жүйелер және олардың интеллектуалды басқару процестері, атап айтқанда: автономды мобильді және ұшатын роботтар (олардың нақты және имитациялық даналары) және олардың динамикалық өзгеретін ортадағы мінез-құлқы, осы роботтардың интеллектуалды басқару жүйелерінің өзі: навигация, тұрақтандыру, көп агенттік сценарийлердегі үйлестіру, математикалық модельдер және синтез алгоритмдері эволюциялық алгоритмдерге, символдық регрессияға, Вариациялық/аналитикалық бағдарламалауға және машиналық оқыту әдістеріне негізделген басқару функциялары (оның ішінде күшейту арқылы оқыту).

Aim of work (in Russian) : Цель проекта — разработать интеллектуальные системы управления для робототехнических платформ с использованием эволюционных алгоритмов и методов машинного обучения, способные автоматически адаптироваться к изменяющимся условиям среды и внешним возмущениям, обеспечивая оптимальное выполнение задач автономными роботами.

Aim of work (in Kazakh) : Жобаның мақсаты өзгермелі қоршаған орта жағдайлары мен сыртқы кедергілерге автоматты түрде бейімделуге қабілетті, автономды роботтардың тапсырмаларды оңтайлы орындауын қамтамасыз ететін эволюциялық алгоритмдер мен машиналық оқыту әдістерін пайдалана отырып, роботтық платформаларды басқарудың интеллектуалды жүйелерін жасау болып табылады.

Методы исследования (на русском) : Методы вариационного программирования и символической регрессии будут основными инструментами для создания и оптимизации управляющих функций. Эти методы позволяют генерировать управляющие функции автоматически на основе исходных данных, что обеспечивает большую гибкость по сравнению с традиционными методами, требующими ручного программирования. Важно, что предложенные подходы смогут адаптироваться к различным условиям, что делает их применимыми в широком спектре задач — от сельского хозяйства до промышленной автоматизации.

Методы исследования (на казахском) : Вариациялық бағдарламалау және символдық регрессия әдістері басқару функцияларын құрудың және оңтайландырудың негізгі құралдары болады. Бұл әдістер қолмен бағдарламалауды қажет ететін дәстүрлі әдістермен салыстырғанда икемділікті қамтамасыз ететін бастапқы деректер негізінде басқару функцияларын автоматты түрде жасауға мүмкіндік береді. Ұсынылған тәсілдер әртүрлі жағдайларға бейімделе алатындығы маңызды, бұл оларды ауыл шаруашылығынан бастап өнеркәсіптік автоматтандыруға дейінгі көптеген міндеттерге қолдануға мүмкіндік береді.

Obtained results and novelty (in Russian) : В результате исследовании мы предлагаем метод который решает как задачи уменьшения размера, так и задачи обучения индивидуальной модели для обнаружения объектов с помощью камер БПЛА. Научная новизна проекта заключается в интеграции эволюционных алгоритмов и методов машинного обучения для автоматического синтеза адаптивных систем управления робототехническими платформами. В Казахстане исследования в области применения эволюционных методов и машинного обучения в робототехнике находятся на начальной стадии. Существующие работы преимущественно фокусируются на обработке данных и распознавании образов, но не на синтезе систем управления.

Obtained results and novelty (in Kazakh) : Зерттеу нәтижесінде біз әдісті ұсынамыз ол UAV камералары арқылы нысандарды анықтау үшін өлшемді кішірейту мәселелерін де, жеке модельді оқыту тапсырмаларын да шешеді. Жобаның ғылыми жаңалығы-робототехникалық платформаларды басқарудың адаптивті жүйелерін автоматты түрде синтездеу үшін эволюциялық алгоритмдер мен машиналық оқыту әдістерін біріктіру. Қазақстанда робототехникада эволюциялық әдістер мен машиналық оқытуды қолдану саласындағы зерттеулер бастапқы сатысында тұр. Қолданыстағы жұмыстар негізінен деректерді өңдеуге және үлгіні тануға бағытталған, бірақ басқару жүйелерін синтездеуге емес.

The main constructive and technical economic indicators (in Russian) : Разрабатываемая интеллектуальная система управления для робототехнических платформ обладает адаптивными алгоритмами, автоматически синтезируемыми с использованием эволюционных методов, символической регрессии и вариационного программирования, что обеспечивает высокую устойчивость к внешним возмущениям и изменяющимся условиям среды. Комплекс отличается модульной архитектурой, поддержкой современных симуляторов и встраиваемых вычислительных платформ, а также применением оптимизированных моделей компьютерного зрения для БПЛА. Технико-экономические преимущества проекта включают снижение стоимости разработки за счёт автоматизации процессов, сокращение времени внедрения и повышение эффективности автономных роботов в реальных сценариях, что делает систему востребованной в широком спектре отраслей — от сельского хозяйства до промышленной автоматизации и мониторинга инфраструктуры.

The main constructive and technical economic indicators (in Kazakh) : Робототехникалық платформаларға арналған интеллектуалды басқару жүйесі эволюциялық әдістерді, символдық регрессияны және вариациялық бағдарламалауды қолдана отырып автоматты түрде синтезделетін адаптивті алгоритмдерге ие, бұл сыртқы бұзылулар мен өзгеретін орта жағдайларына жоғары төзімділікті қамтамасыз етеді. Кешен модульдік архитектурамен, заманауи тренажерлар мен ендірілген есептеу платформаларын қолдаумен, сондай-ақ ұшқышсыз ұшу аппараттары үшін компьютерлік көрудің оңтайландырылған модельдерін қолданумен ерекшеленеді. Жобаның техникалық-экономикалық артықшылықтарына процестерді автоматтандыру арқылы әзірлеу құнын төмендету, енгізу уақытын қысқарту және нақты сценарийлерде автономды роботтардың тиімділігін арттыру кіреді, бұл жүйені ауыл шаруашылығынан өнеркәсіптік автоматтандыруға және инфрақұрылымды бақылауға дейінгі салалардың кең ауқымында сұранысқа ие етеді.

Level of implementation (in Russian) : Разработанные в рамках проекта интеллектуальные алгоритмы управления прошли апробацию на имитационных и реальных робототехнических платформах, включая мобильных роботов и квадрокоптеры. Алгоритмы навигации, стабилизации и компьютерного зрения успешно интегрированы в симуляторы Gazebo и AirSim, а также протестированы на реальных устройствах с использованием ROS-инфраструктуры и встроенных вычислительных модулей. Созданные модели управления показали устойчивость к внешним возмущениям и способность к адаптации в динамически изменяющейся среде. Предложенная методика уменьшения размера CNN и индивидуального обучения моделей для задач обнаружения объектов с БПЛА внедрена в экспериментальный контур воздушного мониторинга. Разработанные программные модули синтеза управляющих функций на базе эволюционных алгоритмов и символической регрессии интегрированы в лабораторные стенды, что обеспечивает возможность дальнейшего масштабирования на промышленные, сельскохозяйственные и сервисные робототехнические системы.

Level of implementation (in Kazakh) : Жоба аясында әзірленген интеллектуалды басқару алгоритмдері мобильді роботтар мен квадрокоптерлерді қоса алғанда, имитациялық және нақты робототехникалық платформаларда сынақтан өтті. Навигация, тұрақтандыру және компьютерлік көру алгоритмдері gazebo және AirSim тренажерларына сәтті біріктірілген және ROS инфрақұрылымы мен кіріктірілген есептеу модульдері арқылы нақты құрылғыларда сыналған. Құрылған Басқару модельдері сыртқы бұзылуларға төзімділікті және динамикалық өзгеретін ортада бейімделу қабілетін көрсетті. Ұшқышсыз ұшу аппараттарынан объектілерді анықтау Міндеттері үшін CNN өлшемін азайту және модельдерді жеке оқытудың ұсынылған әдістемесі әуе мониторингінің эксперименттік тізбегіне енгізілген. Эволюциялық алгоритмдер мен символдық регрессия негізінде әзірленген басқару функцияларын синтездеудің бағдарламалық модульдері зертханалық стендтерге біріктірілген, бұл өнеркәсіптік, ауылшаруашылық және сервистік робототехникалық жүйелерге одан әрі масштабтау мүмкіндігін қамтамасыз етеді.

Efficiency (in Russian) : Эффективность проекта проявляется в повышении точности и устойчивости автономных робототехнических систем за счёт адаптивных алгоритмов, автоматически синтезируемых в условиях изменяющейся среды. Оптимизированные модели компьютерного зрения позволяют значительно снизить вычислительные затраты при сохранении качества детекции, что делает разработанные решения пригодными для встраиваемых платформ и БПЛА. Автоматизация процесса генерации управляющих функций уменьшает сроки разработки систем управления и снижает вероятность ошибок, связанных с ручным кодированием. Экономическая эффективность выражается в сокращении эксплуатационных затрат и времени внедрения автономных робототехнических технологий в сельском хозяйстве, промышленности и экологическом мониторинге. Модульность архитектуры и гибкость разработанных алгоритмов позволяют эффективно адаптировать систему под различные задачи и типы платформ, обеспечивая высокую окупаемость и практическую ценность решений в реальных производственных и исследовательских сценариях.

Efficiency (in Kazakh) : Жобаның тиімділігі өзгермелі орта жағдайында автоматты түрде синтезделетін адаптивті алгоритмдер арқылы автономды робототехникалық жүйелердің дәлдігі мен тұрақтылығын арттырудан көрінеді. Компьютерлік көрудің оңтайландырылған модельдері детекция сапасын сақтай отырып, есептеу шығындарын едәуір төмендетуге мүмкіндік береді, бұл әзірленген шешімдерді ендірілген платформалар мен ұшқышсыз ұшу аппараттарына жарамды етеді. Басқару функцияларын құру процесін автоматтандыру басқару жүйелерінің даму уақытын қысқартады және қолмен кодтауға байланысты қателіктердің ықтималдығын азайтады. Экономикалық тиімділік ауыл шаруашылығында, өнеркәсіпте және экологиялық мониторингте автономды робототехникалық технологияларды енгізудің пайдалану шығындары мен уақытын қысқартудан көрінеді. Архитектураның модульділігі және әзірленген алгоритмдердің икемділігі жүйені әртүрлі тапсырмалар мен платформа түрлеріне тиімді бейімдеуге мүмкіндік береді, бұл нақты өндірістік және зерттеу сценарийлерінде шешімдердің жоғары қайтарымы мен практикалық құндылығын қамтамасыз етеді.

Field of application (in Russian) : Ожидается, что разработанные интеллектуальные системы управления найдут применение в различных сферах, включая: - Сельское хозяйство: Автономные роботы смогут выполнять задачи по мониторингу, сбору урожая и обработке почвы, что повысит производительность и сократит затраты на трудовые ресурсы. - Промышленность: Разработанные системы будут использоваться для автоматизации процессов в логистике и производстве, что повысит эффективность работы и снизит риск человеческих ошибок. - Экология и мониторинг окружающей среды: Роботы с автономными системами управления смогут выполнять задачи по мониторингу состояния окружающей среды, включая анализ почвы, воды и воздуха в отдалённых и труднодоступных регионах.

Field of application (in Kazakh) : Әзірленген интеллектуалды басқару жүйелері әртүрлі салаларда, соның ішінде қолданбаларды табады деп күтілуде: - Ауыл шаруашылығы: автономды роботтар өнімділікті арттыратын және еңбек шығындарын азайтатын бақылау, жинау және өңдеу тапсырмаларын орындай алады. - Өнеркәсіп: әзірленген жүйелер логистика мен өндірістегі процестерді автоматтандыру үшін пайдаланылады, бұл жұмыс тиімділігін арттырады және адам қателіктерінің қаупін азайтады. - Экология және қоршаған ортаны бақылау: автономды басқару жүйелері бар Роботтар қоршаған ортаның жағдайын бақылау міндеттерін, соның ішінде шалғай және жету қиын аймақтардағы топырақ, су және ауа талдауын орындай алады.