Akıllı bastonların öнымдуулукli бир bölümü ultrasonik сенсор, ToF, LiDAR, kamera жана окшош algılama системаларiyle önlerindeki engeli айырма edebiliyor; бирок hareket hâlindeki бир yayanın же aracın birkaç an кийин nereye gideceğini болжол etmek дагы ар түрдүү бир problem oluşturuyor. Бул anlatısal derleme, uzun-kısa süreli эс тутум ağı катары bilinen LSTM моделдейтinin динамикалык engellerin убакыттык hareket örüntülerini öğrenerek akıllı bastonları гана “engel algılayan” системаларden “yaklaşan riski öngörebilen” yardımcı түзмөктөрa dönüştürme potansiyelini inceliyor.

Derleme LSTM'yi GRU, TCN, hafif Transformer, attention destekli RNN, Kalman фильтри-RNN гибридleri, график негизиндеги моделдейт жана TinyML ыкмаlarıyla karşılaştırıyor. Авторлорın баалооsine ылайык LSTM'nin başlıca avantajı, yaya hareketlerindeki uzun döнымдуулукli көз карандылыктарды modelleyebilmesi, өтө сандагы тапшырма-özel varyantının bulunması жана bazı LSTM моделдейтinin ARM Cortex-M sınıfı mikrodenetleyicilerde чынында çalıştırılmış olmasıdır. Ошентсе да бул üstünlük mutlak бир performans далилı değildir; моделдейт ар түрдүү görevlerde, ар түрдүү аппараттыкlarda жана ар түрдүү маалымат setlerinde текшерилген.

Булак, LSTM'yi төмөн güçlü түзмөктөрa taşımak үчүн беш негизги hafifletme ailesini inceliyor: архитектура sadeleştirme, төмөн-rank ayrıştırma, yapılandırılmış sıkıştırma/budama, nicemleme жана bilgi damıtma. Aktarılan örneklerden birinde толук толукsayı nicemlemesi uygulanan DeepConv LSTM modeli 513 KB'den 136,5 KB'ye küçülmüş, 29,1 KB SRAM kullanmış жана ARM Cortex-M4 үстүндө 21 ms çıkarım мөөнөтү көрсөткөн. Бирок бул өлчөө yaya niyeti болжолу же реалдуу бир akıllı baston үстүндө эмес, insan aktivitesi tanıma görevinde реалдууleştirilmiştir.

Derlemenin en öнымдуулукli sonucu, LSTM негизиндеги aktif болжол ыкмасыnın teknik açıdan umut verici olmasına rağmen реалдуу бир akıllı bastonda uçtan uca ырасталган бир системасыn henüz bulunmamasıdır. Учурдагы изилдөөların bazıları mobil robotlarda yörünge болжолу, bazıları STM32 негизиндеги bastonlarda engel algılama, bazıları болсо LSTM'nin башка görevlerde MCU үстүндө çalıştırılabilirliği konusunda далил sunuyor. Бул parçaların бир гана реалдуу түзмөкда birleştirilmesi, görme engelli колдонуучуlarla denenmesi жана günlük yaşam шарттарыnda ишенимдүүliğinin ölçülmesi gelecekteki негизги изилдөө ihtiyacıdır.

Түркия жагынан: Изилдөө; төмөн güçlü STM32 негизиндеги yardımcı түзмөктөр, giyilebilir elektronik, erişilebilir kent teknolojileri жана yapay zekâ destekli navigasyon alanlarında Türkiye'deki üniversite жана teknoloji ekipleri үчүн uygulanabilir бир Ar-Ge алкагы sunabilir. Булакта İstanbul merжолуli WeWALK Smart Cane 2 да ticari örneklerden biri катары anılmaktadır; бирок авторлор ticari ürünlere ilişkin performans ifadelerinin üretici belgelerine dayandığını жана көз карандысыз рецензияланган изилдөөlarla doğrulanmadığını өзгөчө belirtmektedir. Изилдөөда Türkiye'да LSTM негизиндеги yaya niyeti болжолуyle реалдууleştirilmiş талаа deneyi bulunmadığından, жергиликтүү kaldırım düzeni, yaya yoğunluğu, trafik davranışı, hava шарттары, колдонуучу alışkanlıkları жана erişilebilirlik gereksinimleri үчүн ayrıca реалдуу талаа verisi toplanması керек.

Akıllı bastonlarda eksik болгон şey гана дагы iyi сенсор mü?

Изилдөөнүн çıkış noktası, akıllı bastonların чөйрөyi algılaması менен чөйрөdeki hareketin geleceğini болжол etmesi arasındaki айырмаtır. Ultrasonik сенсор же ToF системасы бир engelin ne kadar uzakta болгонун ölçebilir; kamera yayayı же aracı sınıflandırabilir; LiDAR чөйрөnin geometrisini çıkarabilir. Бирок hareketli бир kişinin yön değiştirip baston колдонуучуsının önüne girip girmeyeceğini anlamak үчүн ardжарык zaman adımlarındaki hareketin бирге мааниlendirilmesi керек.

Derlemede incelenen учурдагы системаларin öнымдуулукli bölümü бул nedenle “şimdiki durumu” algılayan çözümler катары sınıflandırılıyor. Jetson Nano жана RGB-D/LiDAR kullanan системалар жогорку düzeyde görsel algılama жана SLAM реалдууleştirebilirken STM32 негизиндеги төмөн güçlü çözümler mesafe eşiğine ылайык hızlı titreşim uyarısı verebiliyor. Edge-cloud архитектураleri болсо nesne tanıma жана uzaktan маалымат aktarımını mümkün kılıyor. Buna rağmen авторлорın incelediği tipik системаларда LSTM сыяктуу реалдуу бир убакыттык hareket modelinin karar чынжырine eklenmemiş olması ortak бир boşluk oluşturuyor.

Сунушталган genel архитектура кантип çalışıyor?

Изилдөөнүн Сүрөт 1–3'te бир araya getirdiği kavramsal архитектура үч негизги катмарa ayrılıyor: algılama, karar жана geri bildirim. Algılama катмары ultrasonik сенсорлор, ToF, LiDAR, RGB-D kamera жана IMU сыяктуу булакlardan маалымат topluyor. Veriler çoklu сенсор füzyonundan geçirilerek убакыттык бир pencereye dönüştürülüyor. Karar катмарыnda hafifletilmiş LSTM geçmiş жайгашуу, hız, mesafe жана değişim bilgilerinden gelecekteki hareketi же yaya niyetini болжол etmeyi amaçlıyor. Son aşamada risk seviyesi ses, titreşim же башка бир колдонуучу geri bildirimine çevriliyor.

Verianla Live: Görselleştirme yukarıdaki görünür bilimsel süreç таблицаsundan oluşturulur. Таблица, makine tarafından okunabilen bilimsel булак-of-truth катары korunur.

LSTM эмне үчүн zaman serileri үчүн kullanılıyor?

Standart кайраlayan sinir ağlarında uzun катарler boyunca geri yayılım sırasında gradyanların küçülmesi же büyümesi, uzak zaman adımlarındaki bilgilerin öğrenilmesini güçleştirebilir. LSTM'nin негизги айырмасы, hücre durumu менен unutma, giriş жана çıkış kapılarının bilgi akışını kontrollü түрдө düzenlemesidir.

Изилдөөда standart LSTM ileri yayılımı şu denklemlerle açıklanıyor:

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

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

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

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

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

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

Бул жерде \(x_t\) учурдагы zaman adımındaki girdiyi, \(h_{t-1}\) мурунки gizli durumu, \(c_t\) hücre durumunu, \(f_t\) unutma kapısını, \(i_t\) giriş kapısını жана \(o_t\) çıkış kapısını temsil eder. Бул yapı, yayanın гана бир гана görüntüdeki жайгашуунунu эмес, ardжарык hareket örüntüsünü да hesaba katabilen бир model oluşturulmasına imkân verir.

Yörünge болжолу менен yaya niyeti болжолу ошол эле тапшырма эмес

Derleme эки görevi birbirinden ayırıyor. Yörünge болжолу, geçmiş жайгашууlar колдонуу менен yayanın кийинки zaman adımlarındaki sürekli uzamsal координаттарынn болжол edilmesine dayalı бир regresyon problemidir. Geçiş niyeti болжолу болсо örneğin бир yayanın yolu geçip geçmeyeceğini belirlemeyi көздөгөн бир sınıflandırma problemidir.

Akıllı baston açısından эки bilgi birbirini толукamlayabilir: niyet modeli hareketin anlamını sınıflandırırken yörünge modeli hareketin fiziksel катары кайсы doğrultuda gelişebileceğini болжол eder. Бирок derleme бул эки görevin реалдуу бир bastonda бирге ырасталдыğını göstermemektedir.

LSTM'nin башка zaman serisi моделдейтine ылайык жайгашуусу

Авторлор LSTM'yi бир mümkün çözüm катары sunmuyor. GRU дагы аз parametreli кайраlayan бир yapı sunarken TCN paralel hesaplama avantajına, Transformer ailesi uzun mesafeli ilişkileri attention механизмиyla modelleme gücüne, график негизиндеги моделдейт болсо kalabalık orтолукlardaki yaya etkileşimlerini ifade etme kapasitesine sahip.

Derlemenin LSTM lehine yaptığı негизги баалоо, үч далил катмарыnın ошол эле anda bulunmasıdır: yörünge болжолуnde uzun yıllara yayılan изилдөө ekoсистемасы, өтө сандагы тапшырма-özel LSTM varyantı жана mikrodenetleyici sınıfındaki реалдуу аппараттыкdan raporlanmış bazı çıkarım өлчөөлөрү. Бирок bunların ар түрдүү тапшырма жана маалымат setlerinden geldiği unutulmamalıdır; таблица жыйынтыктарı түздөн-түз “LSTM башка бүткүл моделдейтden дагы iyidir” түрүндө жоромолlanamaz.

Social LSTM жана өркүндөтүлгөн моделдейт ne sağlıyor?

Klasik LSTM бир гана yayanın geçmiş hareketini öğrenebilir. Social LSTM ыкмасыnda komşu yayaların gizli durumları бир sosyal havuzlama механизмиyla modele eklenerek kişilerin birbirlerinin hareketlerinden etkilenmesi temsil edilmeye çalışılır. SR-LSTM болсо uzamsal ilişkilerin temsilini geliştirir. Derlemede aktarılan өркүндөтүлгөн Social LSTM örneğinde динамикалык doluluk alanı kaybı колдонуу менен ар түрдүү kalabalık yoğunluklarında baseline'a kıyasla çarpışma катышında %31, орточо yer өзгөртүү катасыnda %5 жана son yer өзгөртүү катасыnda %6 azalma bildirilmektedir.

Бул rakamlar akıllı baston үстүндө реалдууleştirilmiş deneylerden эмес, derlemede incelenen ilgili yaya yörüngesi изилдөөsından өткөрүлөтdır. Демек bunlar LSTM ailesinin ыкмаsel potansiyelini көрсөтөт; бир bastonun колдонуучу ишенимliğini ошол эле катышlarda artıracağını göstermez.

Akıllı bastonun аппараттык sınırları эмне үчүн критикалык?

Derlemenin максатlediği kullanım sınıfında гана model doğruluğu yeterli değildir. Cihaz taşınabilir olmalı, batarya менен saatlerce изилдөөlı жана бир engel yaklaşırken болжолу кечигүүden üretmelidir. Изилдөөда tipik максатler арасында сегиз saatten fazla изилдөө мөөнөтү, болжол менен 50–150 ms жалпы система tepki мөөнөтү жана STM32 sınıfı түзмөктөрда yüzlerce kilobayt düzeyinde Flash/SRAM sınırları tartışılmaktadır.

Jetson Nano же Jetson Xavier NX сыяктуу platformlar güçlü görüntü моделдейтini çalıştırabilir, бирок watt düzeyindeki tüketimleri giyilebilir түзмөктүн batarya жана ağırlık bütçesini zorlaştırır. STM32 sınıfındaki MCU'lar өтө дагы төмөн güçte çalışabilir, бирок ири LSTM жана görüntü моделдейтinin ошол эле түзмөк үстүндө eş zamanlı yürütülmesi ciddi sıkıştırma жана система дизайнı талап кылат.

LSTM кантип küçültülüyor?

Derleme беш негизги ыкмасы ele alıyor.

1. Mimari sadeleştirme: Slim LSTM сыяктуу yapılar kapıların ağırlık matrislerini azaltarak parametre саныnı düşürüyor. Булакта LSTM_C6 örneğinde болжол менен 53.200 parametreden 3.400 parametreye geçildiği жана %93'ün үстүндө parametre azalması sağlandığı aktarılıyor.
2. Төмөн-rank ayrıştırma: SVD, PCA, MPO жана tensor-ring ыкмаleri ири matrisleri дагы кичинекей компонентlerle болжол менен temsil etmeye çalışıyor.
3. Yapılandırılmış sıkıştırma: C-LSTM blok-dairesel matrislerle düzenli hesaplama yapısı oluşturarak өзгөчө FPGA үстүндө FFT негизиндеги hızlandırmayı максатliyor.
4. Nicemleme: Ağırlık жана aktivasyonların INT8 сыяктуу дагы төмөн hassasiyetle tutulması model boyutunu жана hesap yükünü azaltıyor.
5. Bilgi damıtma: Büyük бир öğretmen modelin öğrenilmiş davranışı дагы кичинекей бир öğrenci modele aktarılıyor.

INT8 nicemleme örneği эмне үчүн öнымдуулукli?

Derlemede MCU uygulanabilirliği açısından en somut örneklerden biri, башка бир görevde реалдууleştirilen DeepConv LSTM аппараттык изилдөөsıdır. Tam толукsayı nicemlemesinden кийин model boyutunun 513 KB'den 136,5 KB'ye indiği, 29,1 KB SRAM kullandığı, ARM Cortex-M4 үстүндө 21 ms çıkarım мөөнөтү жана болжол менен %97 doğruluk bildirdiği өткөрүлөтdır.

Verianla Live: Гана ошол эле referanstaki model boyutu маанилери салыштырылган. Ар башка görevlerden келген doğruluk, кечигүү же güç tüketimi маанилери бул grafiğe karıştırılmamıştır.

513 KB'den 136,5 KB'ye iniş болжол менен %73–74 düzeyinde boyut azalmasına karşılık gelir. Бирок nicemleme sırasında doğruluk да булакta %98,24'ten болжол менен %97'ye gerilemiştir. Дагы öнымдуулукlisi, бул modelin görevi insan aktivitesi tanımadır. Демек жыйынтык “akıllı bastonda LSTM 21 ms'да çalışır” түрүндө genelleнымдуулукez; гана benzer MCU sınıfında sıkıştırılmış LSTM çalıştırılabildiğine ilişkin аппараттык referansı sağlar.

Veri seti sorunu эмне үчүн реалдуу ürüne geçişi zorlaştırıyor?

Derlemenin dikkat çektiği en критикалык boşluklardan biri, учурдагы yaya болжолу маалымат setlerinin akıllı bastonun реалдуу bakış açısından toplanmamış olmasıdır. Otomobil kamerası болжол менен sabit жана дагы жогорку жайгашууdayken baston üzerindeki kamera дагы alçaktadır, yürüyüş sırasında sallanır жана zemine жакын engeller nedeniyle дагы fazla örtülme yaşayabilir.

Бул айырма, реалдуу бир akıllı baston үчүн гана дагы fazla маалымат эмес, туура bakış açısından маалымат gerektiğini көрсөтөт. Авторлор бул nedenle baston yüksekliğinde реалдуу dünya görüntülerinin, yaya niyeti etiketlerinin жана платформа hareketini temsil eden маалыматтарыn системаatik түрдө toplanmasını gelecekteki мурунliklerden biri катары tanımlıyor.

Aktif engelden kaçınma кантип düşünülebilir?

Derlemede aktarılan mobil robot изилдөөlarında LSTM geçmiş hareketlerden gelecekteki pozisyonu болжол etmek үчүн kullanılıyor; болжолдонгон çarpışma olasılığı кийинчерээк robotun karar механизмиna aktarılıyor. Ошентип система engel өтө жакынa geldikten кийин tepki vermek ордуна potansiyel çatışmayı мурунden hesaba katabiliyor.

Akıllı bastondaki karşılığı ар түрдүүdır. Robot kendi motorunu kontrol ederken baston çoğu senaryoda kararın kendisini колдонмоz; колдонуучуya titreşim же sesli эскертүү verir. Ошондуктан гана болжол doğruluğu эмес, uyarının anlaşılabilirliği, zamanlaması, колдонуучу üzerindeki bilişsel yükü жана туура эмес alarm катышı да реалдуу система performansının parçası olmak zorundadır.

Konumlandırmada LSTM кантип kullanılabilir?

Derleme ayrıca LSTM'nin GPS/GNSS kesintileri sırasında IMU маалыматтарыndeki убакыттык örüntüleri kullanarak жайгашуу kestirimini destekleyen изилдөөları inceliyor. Aktarılan örneklerden бир CNN-LSTM yaya dead-reckoning системасы болжол менен 0,52 m RMSE bildirirken bazı GPS/INS изилдөөlarında LSTM, GNSS kesintilerinde келгенeksel ыкмаlere ылайык дагы төмөн жайгашуу катасы sağlamıştır.

Бул системаларin hesaplama maliyeti жана сенсор konfigürasyonu реалдуу akıllı bastonun булак bütçesinden ар түрдүү болушу мүмкүн. Ошондуктан жайгашууlandırma жыйынтыктарı түздөн-түз baston performansı катары aktarılmamalıdır.

Bulut, V2X жана 5G эмне үчүн tartışılıyor?

Akıllı bastonun гана жергиликтүү сенсорлорi, görüş alanının тышкарыки yaklaşan araç же trafik ışığı fazı сыяктуу bilgileri bilemez. Derleme IoT, V2X жана 5G негизиндеги bağlantının бул eksik экологиялык bilgiyi толукamlayabileceğini tartışıyor. Teorik архитектурада төмөн güçlü түзмөк негизги болжолу жергиликтүүда yaparken дагы karmaşık моделдейт edge-cloud үстүндө çalıştırılabilir; критикалык olaylar uzaktan izleme системаларine aktarılabilir жана жаңы model ağırlıkları OTA ыкмасы менен түзмөкa dağıtılabilir.

Ошентсе да изилдөө, LSTM + V2X + 5G + реалдуу akıllı baston entegrasyonunu deneysel катары doğrulamıyor. Ağ камтууasının kesilmesi, кечигүү, энергия керектөө жана купуялуулук сыяктуу konular реалдуу колдонмода ayrıca çözülmelidir.

Mahremiyet жана колдонуучу ишенимliği эмне үчүн гана algoritma problemi эмес?

RGB же RGB-D kameralar kamusal alandaki башка kişileri да görüntüleyebilir. Derleme бул nedenle mümkün olduğunca түзмөк үстүндө операцияe жана маалымат minimizasyonu сыяктуу ыкмаların öнымдуулукine değiniyor. Bunun yanında görme engelli колдонуучуlarla реалдууleştirilecek реалдуу dünya deneylerinin etik onay жана bilgilendirilmiş onam астында yürütülmesi gerektiğini vurguluyor.

Akıllı baston сыяктуу yardımcı teknolojilerde туура эмес negatif болжол potansiyel tehlikeyi kaçırabilirken aşırı туура эмес pozitif uyarılar колдонуучуyı yorabilir жана системаe ишенимди azaltabilir. Derleme henüz бул dengeyi реалдуу колдонуучуlarla ölçen uçtan uca LSTM негизиндеги бир baston изилдөөsının bulunmadığını bildiriyor.

Изилдөөнүн ыкмасы жана жыйынтыктары

Булактын ыкмаi

Бул изилдөө жаңы бир LSTM modeli eğiten же жаңы бир akıllı baston прототипi test eden deneysel изилдөө değildir. Авторлор изилдөөyı ачык түрдө anlatısal derleme катары tanımlamaktadır. Amaç; LSTM негизиндеги yaya yörüngesi жана niyet болжолуni, hafif model tekniklerini жана akıllı baston аппараттык gereksinimlerini бир гана тапшырма-аппараттык-algoritma алкагында бир araya getirmektir.

Literatür araması IEEE Xplore, Web of Science, Scopus, PubMed жана CNKI маалымат tabanlarını камтууaktadır. Arama döнымдуулукi Ocak 1997–Haziran 2026 катары belirlenmiştir. Başlangıç tarihi, LSTM'nin негизги изилдөөsının 1997'да yayımlanmasına dayandırılmaktadır. Колдонулган arama terimleri арасында “LSTM”, “long short-term memory”, “pedestrian trajectory”, “intention prediction”, “guide stick” жана “smart cane” бар.

Dahil etme ыкмасы үч негизги изилдөө ailesine odaklanmıştır: LSTM менен yaya yörüngesi/niyet болжолу, model sıkıştırma жана edge deployment изилдөөları жана görme engellilere yönelik akıllı baston/navigasyon системаларi. Hakemli журнал жана konferans изилдөөlarına мурунlik verilmiş; belirgin teknik katkı камсыз кылган bazı preprint жана teknik raporlar да literatür sentezine кошулган edilmiştir.

Изилдөө PRISMA негизиндеги системаatik derleme değildir. Канча жазуусуn bulunduğu, kaçının elendiği, кайсы nedenlerle dışlandığı жана изилдөөların metodolojik kalitesinin кайсы standart araçla мааниlendirildiği verilmemektedir. Ошондуктан жыйынтыктар meta-analitik бир etki көлөмү эмес, авторлорın literatürden oluşturduğu teknik sentez катары мааниlendirilmelidir.

Изилдөө soruları

Derlemenin öne çıkardığı беш hafifletme ыкмасы

Akıllı bastonlar үчүн мааниlendirilen сенсор жана platformlar

En öнымдуулукli табылгалар

Birinci табылга: Учурдагы tipik akıllı baston изилдөөlarının çoğu чөйрөyi algılamakta ийгиликтүү olsa да hareketli engellerin gelecekteki davranışını modelleyen реалдуу убакыттык болжол катмары yaygın değildir.

İkinci табылга: LSTM, yaya жана araç yörüngesi изилдөөlarında olgun бир algoritmik ekoсистемаe sahiptir. Social LSTM, SR-LSTM, attention негизиндеги varyantlar жана multimodal моделдейт, tekil yörüngenin ötesinde sosyal жана экологиялык bağlamın системаe eklenebildiğini көрсөтөт.

Üçüncü табылга: LSTM'nin mikrodenetleyicilerde çalışabilmesi гана teorik değildir. Derlemede aktarılan ARM Cortex-M4 deneyi 136,5 KB'lik INT8 DeepConv LSTM'nin 21 ms çıkarım yapabildiğini көрсөтөт. Бирок бул deney бир yaya болжолу же akıllı baston görevi değildir.

Dördüncü табылга: Mimari sadeleştirme, төмөн-rank ayrıştırma, yapılandırılmış sıkıştırma, nicemleme жана bilgi damıtma сыяктуу ыкмаler LSTM'nin булак gereksinimini azaltabilir. Бул ыкмаlerin жыйынтыктарı ар түрдүү маалымат setleri жана аппараттыкlardan geldiği үчүн birbirleriyle mutlak sıralama yapmak mümkün değildir.

Beşinci табылга: Учурдагы маалымат setleri реалдуу baston perspektifini yeterince temsil etmemektedir. Araç üstü же üstten çekilmiş görüntüler, baston колдонулушуndaki төмөн kamera yüksekliği, sallanma, örtülme жана колдонуучуnın ego-hareketinden öнымдуулукli ölçüde ар түрдүүdır.

Altıncı жана en критикалык табылга: İncelenen literatürde LSTM негизиндеги yaya болжолу, реалдуу akıllı baston аппараттыкı, çoklu сенсор algısı, risk derecelendirmesi жана колдонуучу geri bildirimini бир системада бириктирип görme engelli колдонуучуlarla uçtan uca doğrulayan бир изилдөө жок.

Изилдөөнүн kendi чектөөлөрı

Авторлор derlemenin İngilizce жана Çince жарыялооlarla sınırlı болгонун, ар түрдүү изилдөөlardaki performans ölçütlerinin ар түрдүү маалымат setlerinden жана аппараттыкlardan geldiğini, standart бир akıllı baston-LSTM benchmark'ının bulunmadığını жана бул nedenle nicel meta-analiz yapılmadığını belirtiyor. Ыкмаler arasındaki салыштырууларыn öнымдуулукli bölümü түздөн-түз ошол эле deney шарттарыnda yapılmış head-to-head testler эмес, literatürde raporlanmış жыйынтыктарın nitel sentezidir.

Булак içindeki dikkat gerektiren noktalar

Risk eşikleri: Metindeki төрт kademeli uzaklık системасы менен Сүрөт 2'deki эки eşikli risk gösterimi birebir uyuşmamaktadır. Ошондуктан burada бир гана kesin “LSTM baston risk standardı” oluşturulmamıştır.

SVD sıkıştırma ifadesi: Metinde model parametrelerinin %45 azaldığı жана model hacminin orijinalin %45'ine indirildiği ifadeleri бирге geçerken кыскача мазмун Таблица 4 “%45 hacim azaltımı” biçimini kullanmaktadır. Hacmin %45'e inmesi %55 azalma anlamına geldiğinden булак içindeki бул ifadeler matematiksel катары ошол эле değildir.

MCU далилının тапшырма sınırı: DeepConv LSTM үчүн verilen 21 ms, 136,5 KB жана %97 жыйынтыктарı akıllı baston же yaya yörüngesi маалымат setinde elde edilmemiştir. Ошондуктан гана аппараттык uygulanabilirliği үчүн dolaylı referans катары kullanılmalıdır.

Ticari ürünler: WeWALK Smart Cane 2 жана Glide сыяктуу ticari ürünler изилдөөда örnek катары ele алынатdır; авторлор bunlara ilişkin bazı özellik жана performans bilgilerinin üretici dokümantasyonu/marketing materyalinden geldiğini жана көз карандысыз рецензияланган ырастоо болбогонун açıkça belirtmektedir.

Булак жана ыкма жөнүндө эскертүү

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

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

Yazar sırası: Булакта yer aldığı biçimiyle korunmuştur.

Sorumlu авторлор: Fang Jing жана Huafeng Qu.

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

Булак түрү: Hakemli anlatısal derleme макалаsi. Изилдөө kendi ыкма bölümünde PRISMA негизгиli системаatik derleme болбогонун açıkça belirtmektedir.

Журнал: Future Internet.

Басма: MDPI, Basel, Switzerland.

Cilt / sayı / макала 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.

Рецензия статусу: Future Internet рецензияланган бир bilimsel журналdir жана бул булак yayımlanmış бир derleme макалаsidir.

Лицензия: Creative Commons Attribution (CC BY).

Расмий жарыялоо шилтемеси:https://doi.org/10.3390/fi18070362

Literatür tarama камтуусу: IEEE Xplore, Web of Science, Scopus, PubMed жана CNKI; Ocak 1997–Haziran 2026. Изилдөө İngilizce жана Çince literatürle sınırlıdır. Hakemli жарыялооların yanında belirgin teknik katkı sağladığı düşünülen bazı preprint жана teknik raporlar да incelemeye кошулган edilmiştir.

Жаңы маалымат өндүрүшi: Изилдөөда жаңы маалымат oluşturulmamış же analiz edilmemiştir; жыйынтыктар учурдагы literatürün sentezine dayanmaktadır.

Каржылоо: Изилдөө, Yunnan College of Business Management Scientific Research Foundation камтуусуnda “Design of Intelligent Guide Stick System Based он ESP32 Chip”, Proje No. 2026XK23 tarafından finanse edilmiştir.

Кызыкчылыктардын кагылышы: Авторлор çıkar çatışması bildirmemiştir.

Автордук салымдар: Kavramsal алкак жана изилдөө ыкмаi Yijia Cai; булак desteği Huafeng Qu; revizyon Yuxi Xie, Huafeng Qu жана Shafrida Sahrani; proje yönlendirmesi жана yönetimi Fang Jing tarafından реалдууleştirilmiştir. İlk taslak Yijia Cai tarafından hazırlanmıştır.

Bilimsel жоромол sınırı: Бул булак, LSTM негизиндеги yaya niyeti болжолуnin реалдуу бир akıllı bastonda ийгиликyla ырасталдыğını göstermemektedir. Жыйынтык; ар түрдүү изилдөөlardaki yaya болжолу моделдейтi, mobil robot deneyleri, жайгашууlandırma системаларi, akıllı baston сенсор архитектураleri жана ayrı MCU LSTM dağıtım изилдөөlarının бирге мааниlendirilmesine dayanır. “Uygulanabilirlik” burada түздөн-түз ürün ырастооsı эмес, literatürden çıkarılan teknik potansiyel anlamındadır.

Veri seti sınırı: JAAD, PIE, PedSynth, ETH/UCY, BDD100K жана MS COCO сыяктуу başlıca ачык маалымат булакları akıllı bastonun төмөн, elde taşınan жана sallanan bakış açısını түздөн-түз temsil etmemektedir. Изилдөө бул durumu реалдуу dünya geçişinin негизги маалымат darboğazlarından biri катары баалооktedir.

Булак ички tutarlılık эскертүүсү: Risk mesafesi sınıflandırmasında metin менен Сүрөт 2 арасында ар түрдүү eşik gösterimleri бар. SVD sıkıştırmasının yüzde ifadesinde да негизги metin менен кыскача мазмун таблица birebir ошол эле matematiksel tanımı kullanmamaktadır. Бул ар түрдүүlıklar Verianla metninde sessizce düzeltilmemiştir.

Verianla Live эскертүүсү: Макалаdeki süreç görselleştirmesi булак изилдөөнүн Сүрөт 1–3'teki сенсор, zaman serisi, LSTM, risk жана geri bildirim архитектурасындаn türetilmiştir. Sayısal model-boyutu салыштырууsı болсо булак derlemede aktarılan ошол эле INT8 DeepConv LSTM örneğindeki 513 KB жана 136,5 KB маанилериyle sınırlandırılmıştır. Ар башка изилдөөların ар түрдүү birim жана görevlerdeki performans маанилери бир графикte birleştirilmemiştir.