25
Bu esa hayot va mamot masalasidir, ya’ni sun’iy intellekt imkoniyatidan oqilona
istifoda etilishi insoniyatni barqaror va buyuk taraqqiyotga olib boradi. Aksincha,
sun’iy intellekt jaholat va nodonlik qurboni bo‘lsa, ona sayyoramiz xavf ostida qolishi
muqarrar.
Xullas, hayotiy muhim ahamiyatga ega bo‘lgan umuminsoniy manfaatlar – har
bir millatning madaniy-tarixiy birlik sifatida o‘zini o‘zi saqlay olishi, milliy
qadriyatlar, ijtimoiy va davlat institutlarining himoyalangani, davlat suvereniteti
hamda shaxs, jamiyat va davlatning barqaror rivojlanishini ta’minlash kabi ustuvor
masalalar sun’iy intellekt hamda axborotlashuv jarayonlari bilan uzviy bog‘liqdir.
Foydalanilgan adabiyotlar ro‘yxati:
1.
Gulomov S., Begaliev B. Informatika va axborot texnologiyalari. –
Toshkent: Fan, 2010. – В. 5-6.
2.
Архипов В. В., Наумов В. Б. О некоторых вопросах теоретических
оснований развития законодательства о робототехнике: аспекты воли и
правосубъектности // Закон. 2017. № 5. С. 169–170.
3.
Вернадский В. И. Несколько слов о ноосфере / Вернадский В. И.
Научная мысль как планетное явление. – Москва.: Наука, 1991. – С. 235-244.
4.
Логический подход к искусственному интеллекту. - Москва: Мир, 1990.
– С.
5.
Тешабаев Т. Гулямов С.С. Хайитматов У.Т., Аюпов Р.Х. Рақамли
иқтисодиёт ва дастурлаш асослари. Изоҳли луғат. – Тошкент: Davr Matbuot
Savdo, 2021. – Б. 33.
6.
Ўзбекистон Республикаси Президентининг 2021 йил 26 августдаги
“Сунъий интеллект технологияларини қўллаш бўйича махсус режимни жорий
қилиш чора-тадбирлари тўғрисида”ги ПҚ-5234-сон Қарори. – Тошкент: Халқ
сўзи газетаси, 2021 йил 27 август.
7.
Ўзбекистон Республикасининг 2003 йил 11 декабрдаги 560- II-сон
“Ахборотлаштириш тўғрисида”ги Қонуни. – Тошкент: 2003.
8.
Филипова И. А. Искусственный интеллект и трудовые отношения:
социальные перспективы и тенденции правового регулирования // Российская
юстиция. 2017. № 11. С. 67.
9.
Хант Э. Искусственный интеллект. – Москва: Мир, 1978. – С. 5.
10.
Шабров О. Компьютерная революция. В 2 т. Т.1. / Рук. проекта
Г.Семигин. - Москва: Мысль, 1999. – С. 539-540.
MOBIL ROBOTLARNING DINAMIK MUHITLARDA OPTIMAL YOʻLINI
TOPISH ALGORITMINI ISHLAB CHIQISHDA SUN’IY NEYRON
TOʻRLARDAN FOYDALANISH
Norqo‘ziyev Quvonchbek Komiljon o‘g‘li,
Tojiyev Alisher Hasan o‘g‘li
O‘zbekiston Milliy universiteti Jizzax filiali
26
Annotatsiya
: Ushbu maqolada biz dinamik muhitda ishlaydigan mobil robotlar
uchun yo'lni optimal rejalashtirishga erishish uchun sun'iy neyron tarmoqlarni (ANN)
yo'lni rejalashtirish texnikasi bilan birlashtirgan algoritmik asosni taklif qilamiz.
Asosiy maqsad - to'siqlar va turli xil atrof-muhit sharoitlarini hisobga olgan holda,
robotlarni dinamik bo'shliqlar bo'ylab samarali boshqarish. Matlab dasturining ROS
uskunalar panelida simulyatsiyalar va real tajribalar orqali yondashuvimizning
samaradorligini ko'rsatamiz. Bizning natijalarimiz samaradorlik va muvaffaqiyat
darajasi bo'yicha mavjud yo'lni rejalashtirish algoritmlariga nisbatan ayrim
ko‘rsatkichlari yuqori samaradorlikni ko'rsatadi.
Kalit so‘zlar:
ANN, Ros, Artificial neural networks, BPNN, Back Propagation
in Neural Network Neyron, Mobil robot, dinamik muhit.
Mobil robot yo'lini rejalashtirish modeli
Yo'lni rejalashtirish mobil robot navigatsiyasi va boshqaruvining asosidir. Mobil
robot yo'lini rejalashtirishning maqsadi joriy pozitsiyadan maqsadli pozitsiyaga yo'lni
topishdir. Yo'l imkon qadar qisqa bo'lishi kerak, yo'lning silliqligi mobil robotning
dinamikasiga mos kelishi kerak va yo'lning xavfsizligi to'qnashuvsiz bo'lishi kerak[2].
Ushbu tadqiqotda o'rganilgan yo'lni rejalashtirish vazifasi ikki g'ildirakli
differentsial mobil robotga asoslangan. Robot chiziqli harakat, burilish va aylana
bo'ylab burilish kabi o'zboshimchalik bilan traektoriya harakatlariga erishish uchun
ikkita haydash g'ildiragi tezligini boshqara oladi. 1-rasmda robotning qo'shni vaqt
oralig'idagi pozasi ko'rsatilgan, buning asosida kinematik model o'rnatiladi[5].
t vaqtidagi mobil robotning koordinata tizimi
pozasi Wt=[x
t
,y
t
,θ
t
]
T
agar t + Δt vaqtida mobil
robotning koordinata pozasi bo'lsa
W
t+Δt
=[x
t+Δt
,y
t+Δt
,θ
t+Δt
]
T
chap
va
o'ng
harakatlanuvchi g'ildiraklar orasidagi masofa L, chap
va o'ng harakatlanuvchi g'ildiraklarning tezligi vl va
[[Mathtype-mtef1-eqn-5.mtf]], robotning chiziqli
tezligi va burchak tezligi mos ravishda v va ō:
Ideal harakat holatidagi mobil robotning tezligi v :
𝑣 =
𝑣
𝑙
+𝑣
𝑟
2
(1)
Robotning burchak tezligi:
ō =
𝑣
𝑙
+𝑣
𝑟
𝐿
(2)
Bir lahzali egrilik radiusi R
R
=
𝑣
ō
(3)
θ
1
=θ
2
=θ, shu Δt dan keyin robotning yo'nalish
burchagi quyidagicha o'zgaradi:
θ
t+Δt
=θ
t
+θ
(4)
Pozitsiyadan harakat Wt=[x
t
,y
t
,θ
t
]
T
uchun W
t+Δt
=[x
t+Δt
,y
t+Δt
,θ
t+Δt
]
T
radiusi R
bo'lgan dumaloq yoy sifatida qaralishi mumkin. Agar yoy robotning haqiqiy
traektoriyasini taxmin qilish uchun ishlatilsa, geometrik munosabatlar quyidagicha
bo'lishi kerak:
[
𝒙
𝐭+Δ𝐭
𝒚
𝐭+Δ𝐭
θ
𝐭+Δ𝐭
] = [
𝒙
𝐭
+ 𝐑(sin(𝛉
𝒕
+ 𝛉) − sin𝛉
𝒕
)
𝒚
𝐭
+ 𝐑(cos(𝛉
𝒕
+ 𝛉) − cos𝛉
𝒕
θ
𝐭
+
θ
] , θ
≠ 0
(5)
1-rasm . Mobil robotlarning
yo'lni
rejalashtirish harakat modeli.
27
Yuqoridagi tenglamalarni birlashtirgan holda, differentsial mobil robotning
harakat tenglamasini quyidagicha olish mumkin:
[
𝒙
𝐭+Δ𝐭
𝒚
𝐭+Δ𝐭
θ
𝐭+Δ𝐭
] =
[
𝒙
𝐭
+
𝑳(𝒗
𝒓
+𝒗
𝒍
)
𝟐(𝒗
𝒓
−𝒗
𝒍
)
𝐑(sin(𝛉
𝒕
+ 𝛉) − sin𝛉
𝒕
)
𝒚
𝐭
+
𝑳(𝒗
𝒓
+𝒗
𝒍
)
𝟐(𝒗
𝒓
−𝒗
𝒍
)
𝐑(cos(𝛉
𝒕
+ 𝛉) − cos𝛉
𝒕
θ
𝐭
+
θ
]
, θ
≠ 0
(6)
ANN (Artificial neural networks -Sun'iy neyron tarmoqlari) - bu biologik neyron
tarmoqlarning tuzilishi va funktsiyasini simulyatsiya qiluvchi matematik yoki
hisoblash modeli bo'lib, u funktsiyalarni taxmin qilish yoki taxmin qilish uchun
ishlatiladi. ANN bo'yicha tadqiqot ishlarini doimiy ravishda chuqurlashtirish bilan u
nutqni aniqlash, naqshni aniqlash, avtomatik boshqarish va bashoratli baholash
sohalarida katta yutuqlarga erishdi. ANN kompyuterlar uchun echish qiyin bo'lgan
ko'plab muammolarni muvaffaqiyatli hal qildi, yaxshi ish faoliyatini ko'rsatdi.
ANN ning amaliy qo'llanilishida ko'pchilik neyron tarmoq modellari yaxshi
chiziqli bo'lmagan xaritalash qobiliyatiga, o'z-o'zini o'rganish qobiliyatiga va xatolarga
chidamliligiga ega bo'lgan orqa tarqalish neyron tarmog'i (BPNN) va uning
transformatsiyasidan foydalanadi. U asosan naqshni aniqlash, funktsiyalarni
yaqinlashtirish, ma'lumotlarni siqish, bashorat qilish va tasniflash kabi ko'plab
jihatlardan foydalanadi. Shuning uchun robot yo'lini tahlil qilish uchun
modellashtirishning asosi sifatida eng vakillik BPNN tanlanadi[4]. ANN odatda bir
nechta BPNN (Back Propagation in Neural Network Neyron tarmoqda orqaga
tarqalishi) qatlamlari va bir nechta neyronlardan iborat bo'lib, ular asosan kirish
qatlamiga, yashirin qatlamga va chiqish qatlamiga bo'linadi, bu erda kirish vektori
bo'lishi kerak:
x=[x
1
,x
2
,x
3
...x
i
,...x
m
],i=1,2,....m
(7)
Chiqish vektori quyidagicha bo'lishi kerak:
y=[y
1
,y
2
,y
3
...y
k
,...y
n
],k=1,2,....n
(8)
Yashirin qatlamning neyron kirishi quyidagicha bo'lishi kerak:
h
(l)
=[h
(l)
1
,h
(l)
2
,h
(l)
3...h
(l)
j
,...h
(l)
sl
],j=1,2,....sl
(9)
Bu yerda: sl - 1-qavatdagi neyronlar soni; deb faraz qilsak w
(l)
ij
1 qatlamdagi j-
chi neyron orasidagi bog'lanish og'irligi,b
(l)
i
1-qavatdagi i-neyronning pog'onasidir va
net
(l)
i
1-qavatdagi i-neyronning kirishi bo'lsa, quyidagi tenglama olinadi:
h
(l)
i
=f (
net
(l)
i
)
(10)
net
(l)
i
=
∑
𝑠𝑙−1
𝑗=1
w
(l)
ij
h
(l−1)
j+b
(l)
i
(11)
Bu erda kirish qatlamining chiqish qatlamiga funktsiyalari S tipidagi mos
keladigan TANSIG funktsiyasidan foydalanadi, chiqish qatlami PURELIN chiziqli
funktsiyasidan
foydalanadi,
o'rganish
qoidalari
TRINGDX
funktsiyasidan
foydalanadi va ishlashni baholash MES
funktsiyasidan foydalanadi, bu erda model
raqam 1000 marta o'rnatiladi va aniqlik
0,0001 ga o'rnatiladi. Qolganlari tizimning
standart parametrlari bo'lib, o'ziga xos
tuzilma 2-rasmda ko'rsatilgan[1].
28
Neyron tarmog'ining yaqinlashuv funksiyasi strukturasining sxematik diagrammasi
Turli stsenariylarda algoritmlarning yo'l o'zgarishi
Algoritm yo'lining statistik natijalari turli stsenariy sharoitlarida o'zgaradi
Mobil robotlarning dinamik muhitda optimal yo‘lini topish algoritmini ishlab
chiqishda sun’iy neyron tarmoqlardan (ANN) foydalanish qiziqarli va istiqbolli
yondashuv hisoblanadi. Mobil robot yo'lini rejalashtirish algoritimida dinamik
muhitlar robot harakatlanuvchi to'siqlar, noaniq to'siqlar yoki oldindan aytib
bo'lmaydigan hodisalar bilan o'zgaruvchan muhitda harakatlanishi kerak bo'lgan
stsenariylarga ishora qiladi. Maqsad atrof-muhitning dinamik tabiatini hisobga olgan
holda sart funktsiyasini (masalan, bosib o'tgan
masofa, olingan
vaqt)
minimallashtiradigan optimal yo'lni topishdir. Ushbu kontekstda ANN dan
foydalanishning afzalligi ularning o'quv ma'lumotlaridan murakkab naqsh va
munosabatlarni o'rganish qobiliyatidir, bu ularga dinamik muhitda moslashish va aqlli
qarorlar qabul qilish imkonini beradi[3]. Ular an'anaviy qoidaga asoslangan yoki
deterministik algoritmlarga qaraganda chiziqli bo'lmagan, noaniqlik va o'zgaruvchan
sharoitlarni samaraliroq boshqariladi. Ammo shuni ta'kidlash kerakki, mobil robotlar
uchun ANN-ga asoslangan yo'lni rejalashtirish algoritmini dinamik muhitda amalga
oshirish hisoblash resurslari, o'qitish ma'lumotlari sifati, real vaqt cheklovlari va
aniqlik va tezlik o'rtasidagi muvozanat kabi omillarni diqqat bilan ko'rib chiqishni talab
qiladi[6].
29
Foydalanilgan adabiyotlar roʻyxati:
1. Alisher T., Asrorjon U. APPLICATION AND RESULTS OF ARTIFICIAL
INTELLIGENCE TECHNOLOGIES IN EDUCATION //International Journal of
Contemporary Scientific and Technical Research. – 2023. – С. 28-30.
2. Botteghi, N., Sirmacek, B., Mustafa, (2020). On reward shaping for mobile
robot navigation: a reinforcement learning and SLAM based approach.
3. Norqo'ziyev, Q. (2023). MOBIL ROBOTLAR UCHUN YO'LNI
REJALASHTIRISH ALGORITMI. Research and implementation.
4.
Tojiyev A., Mamatkulova U., Tojiyev S. THE USE OF ELECTRONIC
CONTROLLED TESTS IN COMPUTER SCIENCE AND INFORMATION
TECHNOLOGIES
EDUCATION
//Евразийский
журнал
академических
исследований. – 2023. – Т. 3. – №. 4 Special Issue. – С. 231-234.
5. Ghosh, S., Panigrahi, P. K., and Parhi, D. R. (2017). Analysis of FPA and BA
meta-heuristic controllers for optimal path planning of mobile robot in cluttered
environment. IET Sci. Measure. Technol.
6. Ulashev A., Tojiyev A. METHODS FOR PREPARING GEOMETRIC
OBJECTS USING FLASH SOFTWARE //International Scientific and Practical
Conference on Algorithms and Current Problems of Programming. – 2023.
OPTISYSTEM DASTURIY MUHITIDA IKKI DIAPAZONLI
MODULYATSIYA VA STIMULYATSIYA QILINGAN BRILLOUIN
TARQALISHIGA ASOSLANGAN OPTIK VEKTOR ANALIZATORINI
SIMULYATSIYA QILISH
i.f.n., dots. Kusharov Zoxid Keldiyorovich
“ALFRAGANUS UNIVERSITY” NOTT, O‘zbekiston
Bo‘riboyev Tolibjon Mirali o‘g‘li
“ALFRAGANUS UNIVERSITY” NOTT, O‘zbekiston
Annotatsiya
: Ikki diapazonli optik modulyatsiya va stimulyatsiya qilingan
Brillouin tarqalishiga asoslangan optik vektor analizatori, shuningdek, OptiSystem
dasturiy muhitida uni simulyatsiya qilish imkoniyati ko'rib chiqiladi.
Kalit soʻzlar
: Optikvektor, analizator, modulyatsiya, VRB, stimulyatsiya,
p-fazali siljishliar, Bragg panjarasi, modellashtirish, OptiSystem.
Qurilmani ishlab chiqarish va tizim dizayni uchun zarur bo'lgan optic
komponentlarning amplitudasi va fazaviy xususiyatlarini o'lchash uchun sizga keng
tarmoqli kengligi va yuqori aniqlikdagi optic vector analizatori (OVA) kerak.
Mavjud ishlanmalarning asosiy kamchiliklari:
1)
Fazali siljish va interferometriya usullarining kamchiligi ularning past
aniqligidir[1-3].
2)
Optik bitta yon tarmoqli modulyatsiyasiga (OSM) asoslangan OBA sinovdan
o'tkazilayotgan qurilmaning bir tomonini skanerlash uchun faqat bitta yon tarmoqlidan
