ПРИМЕНЕНИЕ МЕТОДОВ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ НЕЙРОСЕТЕВОГО АНАЛИЗА ГЕТЕРОГЕННЫХ СИСТЕМ НА КРИСТАЛЛЕ В ЗАДАЧАХ РОБОТОТЕХНИКИ

М. Л. Абдулвадудов, К.Л. Вахидова, С.М. Ногамирзаев

Об авторах

М. Л. Абдулвадудов, К.Л. Вахидова, С.М. Ногамирзаев

Ногамирзаев Сулиман Мовлаевич – старший преподаватель кафедры «Технологии машиностроения и транспортных процессов» Грозненский государственный нефтяной технический университет имени академика М.Д. Миллионщикова, адрес: 364051, иеченская Республика, г. Грозный, пр-т им. Х.А. Исаева, 100, Область научных интересов: компьютерное моделирование систем и процессов

Скачать PDF

УДК: 004.032.26
DOI: 10.24412/2413-7383-2025-4-39-163-172
Язык: Русский

Аннотация: В статье представлено исследование методов повышения эффективности выполнения нейросетевых алгоритмов на гетерогенных системах на кристалле (СнК) RoboDeus, ориентированные на применение в робототехнических системах. Приводится анализ архитектуры СнК RoboDeus, включая DSP-ядро Elcore50, и демонстрируется оптимизация работы свёрточных нейронных сетей на примере детектора объектов YOLO V5s. Предложенные подходы к распараллеливанию вычислений, эффективному использованию памяти и аккумуляторных регистров позволяют достичь значительного прироста производительности при выполнении задач компьютерного зрения в реальном времени. Результаты экспериментов показывают, что использование многоядерной обработки на базе RoboDeus обеспечивает частоту кадров до 33.3 FPS для задачи детектирования объектов на изображениях разрешения 640×640. Обсуждаются перспективы интеграции оптимизированных нейросетевых алгоритмов в автономные робототехнические комплексы для навигации, распознавания окружения и взаимодействия с объектами

Ключевые слова: гетерогенные вычислительные системы, RoboDeus, YOLO V5s, сверточные нейронные сети, DSP-ядро, архитектура набора инструкций (АНК), система на кристалле (СнК)

Список литературы

1. АО НПЦ «ЭЛВИС». Электронный ресурс: https://elvees.ru (дата обращения: 24.10.2025).
2. Галушкин А. И. Теория нейронных сетей: учеб. пособие для вузов / под общ. ред. А. И. Галушкина. М.: ИПРЖР, 2000. Кн. 1. 416 с.
3. Осовский С. Нейронные сети для обработки информации. // Пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2002. 344 с.
4. Ростовцев В. С. Искусственные нейронные сети [Электронный ресурс]: учеб. для вузов. 2 -е изд. стер. СПб: Лань, 2021. 216 с. Режим доступа: https://e.lanbook.com/book/160142 (дата обращения: 20.08.2022).
5. Цуриков А. Н. Моделирование и обучение искусственных нейронных сетей [Электронный ресурс]: учеб. пособие. Ростов -н/Д.: РГУПС, 112 с. Режим доступа: https://e.lanbook.com/book/140610 (дата обращения: 20.08.2022).
6. A Heterogeneous Multi-Core System-on-Chip for Energy Efficient Brain Inspired Computing / Antonio Pullini, Francesco Conti, David Rossi, Michael Gautschi / ResearchGate, 2017. – 6 p.
7. Towards AI. Официальный сайт. Электронный ресурс: https://towardsai.net (дата обращения: 24.10.2022).
8. Kunzman, D.M. (2011). Programming Heterogeneous Systems. International Symposium on Parallel and Distributed Processing Workshops. doi:10.1109/IPDPS.2011.377
9. Федоров, М. В. (член-корр. РАН) Новые методы машинного обучения: использование фундаменталь- ного знания для решения практических задач: [тезисный онлайн-доклад] [Электронный ресурс] // Программа II Всероссийской школы-семинара по искусственному интеллекту и большим данным в технических, промышленных, природных и социальных системах. – Национальный центр физики и математики (НЦФМ). Дата проведения: 25-29 ноября 2024 г. (дата обращения: 04.04.2025).
10. иудина, О.В. Теория и практика термической обработки металлов: учебно-методическое пособие к мультимедийному изданию / О.В. иудина, Г.В. Гладова, А.В. Остроух. М.: МАДИ, 2013. 64 с.
11. Сергеев, А. П. Введение в нейросетевое моделирование: учеб. пособие / А. П. Сергеев, Д. А. Тарасов; под общ. ред. А. П. Сергеева. Екатеринбург: Изд -во Урал. ун -та, 2017. 128 с. ISBN 978 -5-7996-2124-7
12. Хливненко Л. В. Практика нейросетевого моделирования: учебное пособие для вузов / Л. В. Хливненко, Ф. А. Пятакович. 2е изд. стер. Санкт -Петербург: Лань, 2021.200 с.: ил. Текст: непосредственный. ISBN 978.5.8114.8264.1
13. Вичугов В.Н Модифицированный градиентный алгоритм обучения радиально -базисных нейронных сетей. Известия Томского политехниче ского университета. Управление, вычислительная техника и информатика. 2009. Т. 315. № 5 с150 -152
14. Сидоров Д.И. Новикова О.И. Применение методов машинного обучения для предиктивной диагностики оборудования. Проблемы искусственного интеллекта, 2023, №1(28), С.23-34. А Абдулвадудов М. Л. Вахидова К.Л. Ногамирзаев С.М..
15. Козлов С.В. Фролова М.П. Оптимизация энергозатрат промышленных установок с использованием нейронных сетей. Проблемы искусственного интеллекта, 2021, №4(27), С.67 -78.
16. Белов И.А. Орлова Т.К. Адаптивные системы автоматического регулирования с испол ьзованием гибридных алгоритмов. Проблемы искусственного интеллекта, 2022, №2(29), С.18 -29.
17. Никитина Л.В. Павлов В.Г. Моделирование и анализ сложных технических систем в условиях неопределенности. Проблемы искусственного интеллекта, 2023, №4(31), С.78 -90.
18. Федоров К.А. Семенова А.А. Цифровые двойники как основа повышения эффективности производственных линий. Проблемы искусственного интеллекта, 2021, №1(24), С.55 -66.
19. Григорьев П.С. Медведева Е.В. Интеллектуальный анализ данных в задачах мониторинга техноло - гических параметров. Проблемы искусственного интеллекта, 2022, №4(31), С.34 -45.
20. Титов В.М. Ветрова Н.С. Разработка алгоритмов управления на основе обучения с подкреплением для промышленных роботов. Проблемы искусственного интеллекта, 2023, №2(29), С.61 -72.
21. Орлова С.К. Крылов Д.В. Методы повышения устойчивости систем автоматического управления в условиях возмущений. Проблемы искусственного интеллекта, 2021, №3(26), С.41 -52.
22. Нурулин Ю. Р. Скворцова И. В. Нурулин М. Ю. Наумов А. С. Разработка человеко -машинных

Выпуск: 4(39)'2025
Раздел: Роботы, мехатроника. Робототехнические системы
Как цитировать: М. Л. Абдулвадудов, К.Л. Вахидова, С.М. Ногамирзаев. ПРИМЕНЕНИЕ МЕТОДОВ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ НЕЙРОСЕТЕВОГО АНАЛИЗА ГЕТЕРОГЕННЫХ СИСТЕМ НА КРИСТАЛЛЕ В ЗАДАЧАХ РОБОТОТЕХНИКИ // Проблемы искусственного интеллекта. - 2025. - № 4 (39). - С. 163-172. - https://paijournal.guiaidn.ru/ru/2025/4(39)-14.html

Назад к выпуску 4(39)'2025