Akıllı bastonların örütubətli bir bölümü ultrasonik sensor, ToF, LiDAR, kamera və bənzər algılama sistemləriyle önlerindeki engeli fərq edebiliyor; lakin hareket hâlindeki bir yayanın və ya aracın birkaç an sonra nereye gideceğini proqnoz etmek daha fərqli bir problem oluşturuyor. Bu anlatısal derleme, uzun-kısa süreli yaddaş ağı kimi bilinen LSTM modelləşdiririnin dinamik engellerin zaman asılı hareket örüntülerini öğrenerek akıllı bastonları yalnız “engel algılayan” sistemlərden “yaklaşan riski öngörebilen” yardımcı cihazlara dönüştürme potansiyelini inceliyor.

Derleme LSTM'yi GRU, TCN, hafif Transformer, attention destekli RNN, Kalman filtri-RNN hibridleri, qrafik əsaslı modelləşdirir və TinyML yanaşmalarıyla karşılaştırıyor. Müəlliflərın qiymətləndirməsine görə LSTM'nin başlıca avantajı, yaya hareketlerindeki uzun dörütubətli asılılıqları modelleyebilmesi, çox sayda tapşırıq-özel varyantının bulunması və bazı LSTM modelləşdiririnin ARM Cortex-M sınıfı mikrodenetleyicilerde həqiqətən çalıştırılmış olmasıdır. Bununla belə bu üstünlük mutlak bir performans sübutı değildir; modelləşdirir fərqli görevlerde, fərqli aparatlarda və fərqli məlumat setlerinde test edilmişdir.

Mənbə, LSTM'yi aşağı güçlü cihazlara taşımak üçün beş əsas hafifletme ailesini inceliyor: memarlıq sadeleştirme, aşağı-rank ayrıştırma, yapılandırılmış sıkıştırma/budama, nicemleme və bilgi damıtma. Aktarılan örneklerden birinde tam tamsayı nicemlemesi uygulanan DeepConv LSTM modeli 513 KB'den 136,5 KB'ye küçülmüş, 29,1 KB SRAM kullanmış və ARM Cortex-M4 üzərində 21 ms çıkarım müddəti göstərmişdir. Lakin bu ölçmə yaya niyeti proqnozu və ya real bir akıllı baston üzərində deyil, insan aktivitesi tanıma görevinde realleştirilmiştir.

Derlemenin en örütubətli sonucu, LSTM əsaslı aktif proqnoz yanaşmasının teknik açıdan umut verici olmasına rağmen real bir akıllı bastonda uçtan uca təsdiqlənmiş bir sistemin henüz bulunmamasıdır. Mövcud tədqiqatların bazıları mobil robotlarda yörünge proqnozu, bazıları STM32 əsaslı bastonlarda engel algılama, bazıları isə LSTM'nin başqa görevlerde MCU üzərində çalıştırılabilirliği konusunda sübut sunuyor. Bu parçaların tək bir real cihazda birleştirilmesi, görme engelli istifadəçilarla denenmesi və günlük yaşam şərtlərinda etibarlıliğinin ölçülmesi gelecekteki əsas tədqiqat ihtiyacıdır.

Türkiyə baxımından: Tədqiqat; aşağı güçlü STM32 əsaslı yardımcı cihazlar, giyilebilir elektronik, erişilebilir kent teknolojileri və yapay zekâ destekli navigasyon alanlarında Türkiye'deki üniversite və teknoloji ekipleri üçün uygulanabilir bir Ar-Ge çərçivəsi sunabilir. Mənbədə İstanbul merdəfəli WeWALK Smart Cane 2 də ticari örneklerden biri kimi anılmaktadır; lakin müəlliflər ticari ürünlere ilişkin performans ifadelerinin üretici belgelerine dayandığını və müstəqil rəyli tədqiqatlarla doğrulanmadığını xüsusilə belirtmektedir. Tədqiqatda Türkiye'də LSTM əsaslı yaya niyeti proqnozuyle realleştirilmiş sahə deneyi bulunmadığından, lokal kaldırım düzeni, yaya yoğunluğu, trafik davranışı, hava şərtləri, istifadəçi alışkanlıkları və erişilebilirlik gereksinimleri üçün ayrıca real sahə verisi toplanması lazımdır.

Akıllı bastonlarda eksik olan şey yalnız daha iyi sensor mü?

Tədqiqatın çıkış noktası, akıllı bastonların mühityi algılaması ilə mühitdeki hareketin geleceğini proqnoz etmesi arasındaki fərqtır. Ultrasonik sensor və ya ToF sistemi bir engelin ne kadar uzakta olduğunu ölçebilir; kamera yayayı və ya aracı sınıflandırabilir; LiDAR mühitnin geometrisini çıkarabilir. Lakin hareketli bir kişinin yön değiştirip baston istifadəçisının önüne girip girmeyeceğini anlamak üçün ardişıq zaman adımlarındaki hareketin birlikdə dəyərlendirilmesi lazımdır.

Derlemede incelenen mövcud sistemlərin örütubətli bölümü bu nedenle “şimdiki durumu” algılayan çözümler kimi sınıflandırılıyor. Jetson Nano və RGB-D/LiDAR kullanan sistemlər yüksək düzeyde görsel algılama və SLAM realleştirebilirken STM32 əsaslı aşağı güçlü çözümler mesafe eşiğine görə hızlı titreşim uyarısı verebiliyor. Edge-cloud memarlıqleri isə nesne tanıma və uzaktan məlumat aktarımını mümkün kılıyor. Buna rağmen müəlliflərın incelediği tipik sistemlərde LSTM kimi real bir zaman asılı hareket modelinin karar zəncirine eklenmemiş olması ortak bir boşluk oluşturuyor.

Təklif edilən genel memarlıq necə çalışıyor?

Tədqiqatın Şəkil 1–3'te bir araya getirdiği kavramsal memarlıq üç əsas qata ayrılıyor: algılama, karar və geri bildirim. Algılama qatı ultrasonik sensorlar, ToF, LiDAR, RGB-D kamera və IMU kimi mənbəlardan məlumat topluyor. Veriler çoklu sensor füzyonundan geçirilerek zaman asılı bir pencereye dönüştürülüyor. Karar qatında hafifletilmiş LSTM geçmiş mövqe, hız, mesafe və değişim bilgilerinden gelecekteki hareketi və ya yaya niyetini proqnoz etmeyi amaçlıyor. Son aşamada risk seviyesi ses, titreşim və ya başqa bir istifadəçi geri bildirimine çevriliyor.

Verianla Live: Görselleştirme yukarıdaki görünür bilimsel süreç cədvəlsundan oluşturulur. Cədvəl, makine tarafından okunabilen bilimsel mənbə-of-truth kimi korunur.

LSTM niyə zaman seriyaları üçün istifadə olunur?

Standart təkrarlayan sinir ağlarında uzun sıraler boyunca geri yayılım sırasında gradyanların küçülmesi və ya büyümesi, uzak zaman adımlarındaki bilgilerin öğrenilmesini güçleştirebilir. LSTM'nin əsas fərqi, hücre durumu ilə unutma, giriş və çıkış kapılarının bilgi akışını kontrollü şəkildə düzenlemesidir.

Tədqiqatda standart LSTM ileri yayılımı bu denklemlerle açıklanıyor:

\[ f_t=\sigma(W_f[h_{t-1},x_t]+b_f) \]

\[ i_t=\sigma(W_i[h_{t-1},x_t]+b_i) \]

\[ \tilde{c}_t=\tanh(W_c[h_{t-1},x_t]+b_c) \]

\[ c_t=f_t\odot c_{t-1}+i_t\odot\tilde{c}_t \]

\[ o_t=\sigma(W_o[h_{t-1},x_t]+b_o) \]

\[ h_t=o_t\odot\tanh(c_t) \]

Burada \(x_t\) mövcud zaman adımındaki girdiyi, \(h_{t-1}\) əvvəlki gizli durumu, \(c_t\) hücre durumunu, \(f_t\) unutma kapısını, \(i_t\) giriş kapısını və \(o_t\) çıkış kapısını temsil eder. Bu yapı, yayanın yalnız tək bir görüntüdeki mövqeninu deyil, ardişıq hareket örüntüsünü də hesaba katabilen bir model oluşturulmasına imkân verir.

Yörünge proqnozu ilə yaya niyeti proqnozu eyni tapşırıq deyil

Derleme iki görevi birbirinden ayırıyor. Yörünge proqnozu, geçmiş mövqelar istifadə edilərək yayanın sonraki zaman adımlarındaki sürekli uzamsal koordinatlarının proqnoz edilmesine dayalı bir regresyon problemidir. Geçiş niyeti proqnozu isə örneğin bir yayanın yolu geçip geçmeyeceğini belirlemeyi hədəfləyən bir sınıflandırma problemidir.

Akıllı baston açısından iki bilgi birbirini tamamlayabilir: niyet modeli hareketin anlamını sınıflandırırken yörünge modeli hareketin fiziksel kimi hansı doğrultuda gelişebileceğini proqnoz eder. Lakin derleme bu iki görevin real bir bastonda birlikdə təsdiqləndiğını göstermemektedir.

LSTM'nin digər zaman serisi modelləşdiririne görə mövqeyi

Müəlliflər LSTM'yi tək mümkün çözüm kimi sunmuyor. GRU daha az parametreli təkrarlayan bir yapı sunarken TCN paralel hesaplama avantajına, Transformer ailesi uzun mesafeli ilişkileri attention mexanizmiyla modelleme gücüne, qrafik əsaslı modelləşdirir isə kalabalık ortamlardaki yaya etkileşimlerini ifade etme kapasitesine sahip.

Derlemenin LSTM lehine yaptığı əsas qiymətləndirmə, üç sübut qatının eyni anda bulunmasıdır: yörünge proqnozunde uzun yıllara yayılan tədqiqat ekosistemi, çox sayda tapşırıq-özel LSTM varyantı və mikrodenetleyici sınıfındaki real aparatdan raporlanmış bazı çıkarım ölçmələri. Lakin bunların fərqli tapşırıq və məlumat setlerinden geldiği unutulmamalıdır; cədvəl nəticələrı birbaşa “LSTM digər bütün modelləşdirirden daha iyidir” şəklində şərhlanamaz.

Social LSTM və təkmilləşdirilmiş modelləşdirir ne sağlıyor?

Klasik LSTM tək bir yayanın geçmiş hareketini öğrenebilir. Social LSTM yanaşmasında komşu yayaların gizli durumları bir sosyal havuzlama mexanizmiyla modele eklenerek kişilerin birbirlerinin hareketlerinden etkilenmesi temsil edilmeye çalışılır. SR-LSTM isə uzamsal ilişkilerin temsilini geliştirir. Derlemede aktarılan təkmilləşdirilmiş Social LSTM örneğinde dinamik doluluk alanı kaybı istifadə edilərək fərqli kalabalık yoğunluklarında baseline'a kıyasla çarpışma nisbətında %31, orta yer dəyişdirmə xətasında %5 və son yer dəyişdirmə xətasında %6 azalma bildirilmektedir.

Bu rakamlar akıllı baston üzərində realleştirilmiş deneylerden deyil, derlemede incelenen ilgili yaya yörüngesi tədqiqatsından ötürülürdır. Buna görə bunlar LSTM ailesinin metodsel potansiyelini göstərir; bir bastonun istifadəçi etimadliğini eyni nisbətlarda artıracağını göstermez.

Akıllı bastonun aparat sınırları niyə kritik?

Derlemenin hədəflediği kullanım sınıfında yalnız model doğruluğu yeterli değildir. Cihaz taşınabilir olmalı, batarya ilə saatlerce tədqiqatlı və bir engel yaklaşırken proqnozu gecikməden üretmelidir. Tədqiqatda tipik hədəfler arasında səkkiz saatten fazla tədqiqat müddəti, təxminən 50–150 ms cəmi sistem tepki müddəti və STM32 sınıfı cihazlarda yüzlerce kilobayt düzeyinde Flash/SRAM sınırları tartışılmaktadır.

Jetson Nano və ya Jetson Xavier NX kimi platformlar güçlü görüntü modelləşdiririni çalıştırabilir, lakin watt düzeyindeki tüketimleri giyilebilir cihazın batarya və ağırlık bütçesini zorlaştırır. STM32 sınıfındaki MCU'lar çox daha aşağı güçte çalışabilir, lakin böyük LSTM və görüntü modelləşdiririnin eyni cihaz üzərində eş zamanlı yürütülmesi ciddi sıkıştırma və sistem dizeyni tələb edir.

LSTM necə kiçildilir?

Derleme beş əsas yanaşması ele alıyor.

1. Mimari sadeleştirme: Slim LSTM kimi yapılar kapıların ağırlık matrislerini azaltarak parametre sayını düşürüyor. Mənbədə LSTM_C6 örneğinde təxminən 53.200 parametreden 3.400 parametreye geçildiği və %93'ün üzərində parametre azalması sağlandığı aktarılıyor.
2. Aşağı-rank ayrıştırma: SVD, PCA, MPO və tensor-ring metodleri böyük matrisleri daha kiçik komponentlerle təxminən temsil etmeye çalışıyor.
3. Yapılandırılmış sıkıştırma: C-LSTM blok-dairesel matrislerle düzenli hesaplama yapısı oluşturarak xüsusilə FPGA üzərində FFT əsaslı hızlandırmayı hədəfliyor.
4. Nicemleme: Ağırlık və aktivasyonların INT8 kimi daha aşağı hassasiyetle tutulması model boyutunu və hesap yükünü azaltıyor.
5. Bilgi damıtma: Büyük bir öğretmen modelin öğrenilmiş davranışı daha kiçik bir öğrenci modele aktarılıyor.

INT8 nicemleme örneği niyə örütubətli?

Derlemede MCU uygulanabilirliği açısından en somut örneklerden biri, başqa bir görevde realleştirilen DeepConv LSTM aparat tədqiqatsıdır. Tam tamsayı nicemlemesinden sonra model boyutunun 513 KB'den 136,5 KB'ye indiği, 29,1 KB SRAM kullandığı, ARM Cortex-M4 üzərində 21 ms çıkarım müddəti və təxminən %97 doğruluk bildirdiği ötürülürdır.

Verianla Live: Yalnız eyni referanstaki model boyutu dəyərləri müqayisə edilmişdir. Fərqli görevlerden gələn doğruluk, gecikmə və ya güç tüketimi dəyərləri bu grafiğe karıştırılmamıştır.

513 KB'den 136,5 KB'ye iniş təxminən %73–74 düzeyinde boyut azalmasına karşılık gelir. Lakin nicemleme sırasında doğruluk da mənbəta %98,24'ten təxminən %97'ye gerilemiştir. Daha örütubətlisi, bu modelin görevi insan aktivitesi tanımadır. Buna görə nəticə “akıllı bastonda LSTM 21 ms'də çalışır” şəklində genellerütubətez; yalnız benzer MCU sınıfında sıkıştırılmış LSTM çalıştırılabildiğine ilişkin aparat referansı sağlar.

Veri seti sorunu niyə real ürüne geçişi zorlaştırıyor?

Derlemenin dikkat çektiği en kritik boşluklardan biri, mövcud yaya proqnozu məlumat setlerinin akıllı bastonun real bakış açısından toplanmamış olmasıdır. Otomobil kamerası təxminən sabit və daha yüksək mövqedayken baston üzerindeki kamera daha alçaktadır, yürüyüş sırasında sallanır və zemine yaxın engeller nedeniyle daha fazla örtülme yaşayabilir.

Bu fərq, real bir akıllı baston üçün yalnız daha fazla məlumat deyil, doğru bakış açısından məlumat gerektiğini göstərir. Müəlliflər bu nedenle baston yüksekliğinde real dünya görüntülerinin, yaya niyeti etiketlerinin və platforma hareketini temsil eden məlumatların sistematik şəkildə toplanmasını gelecekteki əvvəlliklerden biri kimi tanımlıyor.

Aktif engelden kaçınma necə düşünülebilir?

Derlemede aktarılan mobil robot tədqiqatlarında LSTM geçmiş hareketlerden gelecekteki pozisyonu proqnoz etmek üçün kullanılıyor; proqnozlaşdırılan çarpışma olasılığı daha sonra robotun karar mexanizmina aktarılıyor. Beləliklə sistem engel çox yaxına geldikten sonra tepki vermek əvəzinə potansiyel çatışmayı əvvəlden hesaba katabiliyor.

Akıllı bastondaki karşılığı fərqlidır. Robot kendi motorunu kontrol ederken baston çoğu senaryoda kararın kendisini tətbiqz; istifadəçiya titreşim və ya sesli xəbərdarlıq verir. Bu səbəbdən yalnız proqnoz doğruluğu deyil, uyarının anlaşılabilirliği, zamanlaması, istifadəçi üzerindeki bilişsel yükü və yanlış alarm nisbətı da real sistem performansının parçası olmak zorundadır.

Konumlandırmada LSTM necə kullanılabilir?

Derleme ayrıca LSTM'nin GPS/GNSS kesintileri sırasında IMU məlumatlarındeki zaman asılı örüntüleri kullanarak mövqe kestirimini destekleyen tədqiqatları inceliyor. Aktarılan örneklerden bir CNN-LSTM yaya dead-reckoning sistemi təxminən 0,52 m RMSE bildirirken bazı GPS/INS tədqiqatlarında LSTM, GNSS kesintilerinde gələneksel metodlere görə daha aşağı mövqe xətası sağlamıştır.

Bu sistemlərin hesaplama maliyeti və sensor konfigürasyonu real akıllı bastonun mənbə bütçesinden fərqli ola bilər. Bu səbəbdən mövqelandırma nəticələrı birbaşa baston performansı kimi aktarılmamalıdır.

Bulut, V2X və 5G niyə tartışılıyor?

Akıllı bastonun yalnız lokal sensorlari, görüş alanının xaricindəki yaklaşan araç və ya trafik ışığı fazı kimi bilgileri bilemez. Derleme IoT, V2X və 5G əsaslı bağlantının bu eksik ekoloji bilgiyi tamamlayabileceğini tartışıyor. Teorik memarlıqde aşağı güçlü cihaz əsas proqnozu lokalde yaparken daha karmaşık modelləşdirir edge-cloud üzərində çalıştırılabilir; kritik olaylar uzaktan izleme sistemlərine aktarılabilir və yeni model ağırlıkları OTA metodu ilə cihaza dağıtılabilir.

Bununla belə tədqiqat, LSTM + V2X + 5G + real akıllı baston entegrasyonunu deneysel kimi doğrulamıyor. Ağ əhatəasının kesilmesi, gecikmə, enerji sərfiyyatı və məxfilik kimi konular real tətbiqda ayrıca çözülmelidir.

Mahremiyet və istifadəçi etimadliği niyə yalnız algoritma problemi deyil?

RGB və ya RGB-D kameralar kamusal alandaki digər kişileri də görüntüleyebilir. Derleme bu nedenle mümkün olduğunca cihaz üzərində əməliyyate və məlumat minimizasyonu kimi yanaşmaların örütubətine değiniyor. Bunun yanında görme engelli istifadəçilarla realleştirilecek real dünya deneylerinin etik onay və bilgilendirilmiş onam altında yürütülmesi gerektiğini vurguluyor.

Akıllı baston kimi yardımcı teknolojilerde yanlış negatif proqnoz potansiyel tehlikeyi kaçırabilirken aşırı yanlış pozitif uyarılar istifadəçiyı yorabilir və sisteme etimadı azaltabilir. Derleme henüz bu dengeyi real istifadəçilarla ölçen uçtan uca LSTM əsaslı bir baston tədqiqatsının bulunmadığını bildiriyor.

Tədqiqatın Metodu və Nəticələri

Mənbənin metodi

Bu tədqiqat yeni bir LSTM modeli eğiten və ya yeni bir akıllı baston prototipi test eden deneysel tədqiqat değildir. Müəlliflər tədqiqatyı açıq şəkildə anlatısal derleme kimi tanımlamaktadır. Amaç; LSTM əsaslı yaya yörüngesi və niyet proqnozuni, hafif model tekniklerini və akıllı baston aparat gereksinimlerini tək bir tapşırıq-aparat-algoritma çərçivəsində bir araya getirmektir.

Literatür araması IEEE Xplore, Web of Science, Scopus, PubMed və CNKI məlumat tabanlarını əhatəaktadır. Arama dörütubəti Ocak 1997–Haziran 2026 kimi belirlenmiştir. Başlangıç tarihi, LSTM'nin əsas tədqiqatsının 1997'də yayımlanmasına dayandırılmaktadır. İstifadə edilən arama terimleri arasında “LSTM”, “long short-term memory”, “pedestrian trajectory”, “intention prediction”, “guide stick” və “smart cane” mövcuddur.

Dahil etme yanaşması üç əsas tədqiqat ailesine odaklanmıştır: LSTM ilə yaya yörüngesi/niyet proqnozu, model sıkıştırma və edge deployment tədqiqatları və görme engellilere yönelik akıllı baston/navigasyon sistemləri. Hakemli jurnal və konferans tədqiqatlarına əvvəllik verilmiş; belirgin teknik katkı təmin edən bazı preprint və teknik raporlar da literatür sentezine daxil edilmiştir.

Tədqiqat PRISMA əsaslı sistematik derleme değildir. Neçə qeydin bulunduğu, kaçının elendiği, hansı nedenlerle dışlandığı və tədqiqatların metodolojik kalitesinin hansı standart araçla dəyərlendirildiği verilmemektedir. Bu səbəbdən nəticələr meta-analitik bir etki ölçüsü deyil, müəlliflərın literatürden oluşturduğu teknik sentez kimi dəyərlendirilmelidir.

Tədqiqat sualları

Derlemenin öne çıkardığı beş hafifletme yanaşması

Akıllı bastonlar üçün dəyərlendirilen sensor və platformlar

En örütubətli nəticələr

Birinci nəticə: Mövcud tipik akıllı baston tədqiqatlarının çoğu mühityi algılamakta uğurlu olsa da hareketli engellerin gelecekteki davranışını modelleyen real zaman asılı proqnoz qatı yaygın değildir.

İkinci nəticə: LSTM, yaya və araç yörüngesi tədqiqatlarında olgun bir algoritmik ekosisteme sahiptir. Social LSTM, SR-LSTM, attention əsaslı varyantlar və multimodal modelləşdirir, tekil yörüngenin ötesinde sosyal və ekoloji bağlamın sisteme eklenebildiğini göstərir.

Üçüncü nəticə: LSTM'nin mikrodenetleyicilerde çalışabilmesi yalnız teorik değildir. Derlemede aktarılan ARM Cortex-M4 deneyi 136,5 KB'lik INT8 DeepConv LSTM'nin 21 ms çıkarım yapabildiğini göstərir. Lakin bu deney bir yaya proqnozu və ya akıllı baston görevi değildir.

Dördüncü nəticə: Mimari sadeleştirme, aşağı-rank ayrıştırma, yapılandırılmış sıkıştırma, nicemleme və bilgi damıtma kimi metodler LSTM'nin mənbə gereksinimini azaltabilir. Bu metodlerin nəticələrı fərqli məlumat setleri və aparatlardan geldiği üçün birbirleriyle mutlak sıralama yapmak mümkün değildir.

Beşinci nəticə: Mövcud məlumat setleri real baston perspektifini yeterince temsil etmemektedir. Araç üstü və ya üstten çekilmiş görüntüler, baston istifadəsindaki aşağı kamera yüksekliği, sallanma, örtülme və istifadəçinın ego-hareketinden örütubətli ölçüde fərqlidır.

Altıncı və en kritik nəticə: İncelenen literatürde LSTM əsaslı yaya proqnozu, real akıllı baston aparatı, çoklu sensor algısı, risk derecelendirmesi və istifadəçi geri bildirimini tək sistemde birləşdirərək görme engelli istifadəçilarla uçtan uca doğrulayan bir tədqiqat mövcud deyil.

Tədqiqatın kendi məhdudiyyətlərı

Müəlliflər derlemenin İngilizce və Çince nəşrlarla sınırlı olduğunu, fərqli tədqiqatlardaki performans ölçütlerinin fərqli məlumat setlerinden və aparatlardan geldiğini, standart bir akıllı baston-LSTM benchmark'ının bulunmadığını və bu nedenle nicel meta-analiz yapılmadığını belirtiyor. Metodler arasındaki müqayisələrin örütubətli bölümü birbaşa eyni deney şərtlərinda yapılmış head-to-head testler deyil, literatürde raporlanmış nəticələrın nitel sentezidir.

Mənbə içindeki dikkat gerektiren noktalar

Risk eşikleri: Metindeki dörd kademeli uzaklık sistemi ilə Şəkil 2'deki iki eşikli risk gösterimi birebir uyuşmamaktadır. Bu səbəbdən burada tək bir kesin “LSTM baston risk standardı” oluşturulmamıştır.

SVD sıkıştırma ifadesi: Metinde model parametrelerinin %45 azaldığı və model hacminin orijinalin %45'ine indirildiği ifadeleri birlikdə geçerken xülasə Cədvəl 4 “%45 hacim azaltımı” biçimini kullanmaktadır. Hacmin %45'e inmesi %55 azalma anlamına geldiğinden mənbə içindeki bu ifadeler matematiksel kimi eyni değildir.

MCU sübutının tapşırıq sınırı: DeepConv LSTM üçün verilen 21 ms, 136,5 KB və %97 nəticələrı akıllı baston və ya yaya yörüngesi məlumat setinde elde edilmemiştir. Bu səbəbdən yalnız aparat uygulanabilirliği üçün dolaylı referans kimi kullanılmalıdır.

Ticari ürünler: WeWALK Smart Cane 2 və Glide kimi ticari ürünler tədqiqatda örnek kimi ele alınırdır; müəlliflər bunlara ilişkin bazı özellik və performans bilgilerinin üretici dokümantasyonu/marketing materyalinden geldiğini və müstəqil rəyli təsdiqləmə olmadığını açıkça belirtmektedir.

Mənbə və Metod Qeydi

Tam orijinal tədqiqat adı: A Survey of LSTM Pedestrian Intention Prediction and Lightweight Methods for Intelligent Guide Sticks

Müəlliflər: Yijia Cai; Fang Jing; Huafeng Qu; Yuxi Xie; Shafrida Sahrani.

Yazar sırası: Mənbədə yer aldığı biçimiyle korunmuştur.

Sorumlu müəlliflər: Fang Jing və Huafeng Qu.

Qurumlar: School of Information and Intelligent Engineering, Yunnan College of Business Management, Kunming, Çin; Institute of Visual Informatics, Universiti Kebangsaan Malaysia, Bangi, Selangor, Malezya.

Mənbə növü: Hakemli anlatısal derleme məqaləsi. Tədqiqat kendi metod bölümünde PRISMA əsasli sistematik derleme olmadığını açıkça belirtmektedir.

Jurnal: Future Internet.

Nəşriyyat: MDPI, Basel, Switzerland.

Cilt / sayı / məqalə numarası: 18 / 7 / 362.

DOI: 10.3390/fi18070362

Alınma tarihi: 8 Haziran 2026.

Revizyon tarihi: 11 Temmuz 2026.

Kabul tarihi: 13 Temmuz 2026.

Yayın tarihi: 15 Temmuz 2026.

Rəyçilik statusu: Future Internet rəyli bir bilimsel jurnaldir və bu mənbə yayımlanmış bir derleme məqaləsidir.

Lisenziya: Creative Commons Attribution (CC BY).

Rəsmi nəşr bağlantısı:https://doi.org/10.3390/fi18070362

Literatür tarama əhatəsi: IEEE Xplore, Web of Science, Scopus, PubMed və CNKI; Ocak 1997–Haziran 2026. Tədqiqat İngilizce və Çince literatürle sınırlıdır. Hakemli nəşrların yanında belirgin teknik katkı sağladığı düşünülen bazı preprint və teknik raporlar da incelemeye daxil edilmiştir.

Yeni məlumat istehsali: Tədqiqatda yeni məlumat oluşturulmamış və ya analiz edilmemiştir; nəticələr mövcud literatürün sentezine dayanmaktadır.

Maliyyələşdirmə: Tədqiqat, Yunnan College of Business Management Scientific Research Foundation əhatəsinda “Design of Intelligent Guide Stick System Based on ESP32 Chip”, Proje No. 2026XK23 tarafından finanse edilmiştir.

Maraqlar toqquşması: Müəlliflər çıkar çatışması bildirmemiştir.

Müəllif töhfələri: Kavramsal çərçivə və tədqiqat metodi Yijia Cai; mənbə desteği Huafeng Qu; revizyon Yuxi Xie, Huafeng Qu və Shafrida Sahrani; proje yönlendirmesi və yönetimi Fang Jing tarafından realleştirilmiştir. İlk taslak Yijia Cai tarafından hazırlanmıştır.

Bilimsel şərh sınırı: Bu mənbə, LSTM əsaslı yaya niyeti proqnozunin real bir akıllı bastonda uğuryla təsdiqləndiğını göstermemektedir. Nəticə; fərqli tədqiqatlardaki yaya proqnozu modelləşdiriri, mobil robot deneyleri, mövqelandırma sistemləri, akıllı baston sensor memarlıqleri və ayrı MCU LSTM dağıtım tədqiqatlarının birlikdə dəyərlendirilmesine dayanır. “Uygulanabilirlik” burada birbaşa ürün təsdiqləməsı deyil, literatürden çıkarılan teknik potansiyel anlamındadır.

Veri seti sınırı: JAAD, PIE, PedSynth, ETH/UCY, BDD100K və MS COCO kimi başlıca açıq məlumat mənbəları akıllı bastonun aşağı, elde taşınan və sallanan bakış açısını birbaşa temsil etmemektedir. Tədqiqat bu durumu real dünya geçişinin əsas məlumat darboğazlarından biri kimi qiymətləndirməktedir.

Mənbə daxili tutarlılık qeydi: Risk mesafesi sınıflandırmasında metin ilə Şəkil 2 arasında fərqli eşik gösterimleri mövcuddur. SVD sıkıştırmasının yüzde ifadesinde də əsas metin ilə xülasə cədvəl birebir eyni matematiksel tanımı kullanmamaktadır. Bu fərqlilıklar Verianla metninde sessizce düzeltilmemiştir.

Verianla Live qeydi: Məqalədeki süreç görselleştirmesi mənbə tədqiqatın Şəkil 1–3'teki sensor, zaman serisi, LSTM, risk və geri bildirim memarlığından türetilmiştir. Sayısal model-boyutu müqayisəsı isə mənbə derlemede aktarılan eyni INT8 DeepConv LSTM örneğindeki 513 KB və 136,5 KB dəyərləriyle sınırlandırılmıştır. Fərqli tədqiqatların fərqli birim və görevlerdeki performans dəyərləri tək qrafikte birleştirilmemiştir.