Қисми муҳими асоҳои ҳушманд бо сенсорҳои ултрасадоӣ, ToF, LiDAR, камера ва системаҳои монанди дарк метавонанд монеаи пеши худро муайян кунанд; аммо пешгӯӣ кардани он ки пиёда ё воситаи нақлиёти дар ҳаракат пас аз чанд лаҳза ба куҷо меравад, масъалаи дигар аст. Ин баррасии ривоятӣ имконияти моделҳои LSTM-ро, ки ҳамчун шабакаи хотираи дароз-кӯтоҳмуддат шинохта мешаванд, меомӯзад: онҳо бо омӯхтани намунаҳои замонии ҳаракати монеаҳои динамикӣ метавонанд асоҳои ҳушмандро аз системаҳои танҳо “монеаро ошкоркунанда” ба дастгоҳҳои ёрирасоне табдил диҳанд, ки “хатари наздикшавандаро пешбинӣ карда метавонанд”.

Баррасӣ LSTM-ро бо GRU, TCN, Transformer-и сабук, RNN-и бо attention дастгиришуда, гибридҳои Kalman filter-RNN, моделҳои графикӣ ва равишҳои TinyML муқоиса мекунад. Ба арзёбии муаллифон, бартарии асосии LSTM қобилияти моделсозии вобастагиҳои дарозмуддат дар ҳаракати пиёдагардон, мавҷудияти вариантҳои зиёди махсуси вазифавӣ ва он аст, ки баъзе моделҳои LSTM воқеан дар микроконтроллерҳои синфи ARM Cortex-M иҷро шудаанд. Бо вуҷуди ин, ин бартарӣ далели мутлақи иҷроиш нест; моделҳо дар вазифаҳои гуногун, таҷҳизоти гуногун ва Dataset-ҳои гуногун озмуда шудаанд.

Манбаъ барои интиқоли LSTM ба дастгоҳҳои каммасраф панҷ оилаи асосии сабуксозиро баррасӣ мекунад: соддасозии меъморӣ, таҷзияи low-rank, фишурдасозӣ/буриши сохторӣ, квантонӣ ва дистиллятсияи дониш. Дар яке аз мисолҳои овардашуда, модели DeepConv LSTM бо кванткунии пурраи ададии бутун аз 513 KB ба 136,5 KB хурд шуда, 29,1 KB SRAM истифода бурдааст ва дар ARM Cortex-M4 вақти inference-и 21 ms нишон додааст. Аммо ин ченкунӣ на дар пешгӯии нияти пиёда ва на дар асои ҳушманди воқеӣ, балки дар вазифаи шинохти фаъолияти инсон анҷом дода шудааст.

Натиҷаи муҳимтарини баррасӣ ин аст, ки гарчанде равиши пешгӯии фаъоли асосёфта ба LSTM аз ҷиҳати техникӣ умедбахш аст, ҳанӯз системаи дар асои ҳушманди воқеӣ аз оғоз то анҷом тасдиқшуда вуҷуд надорад. Баъзе таҳқиқоти мавҷуда барои пешгӯии траектория дар роботҳои мобилӣ, баъзеҳо барои ошкоркунии монеа дар асоҳои асосёфта ба STM32 ва баъзеҳо барои иҷрошавии LSTM дар MCU дар вазифаҳои дигар далел медиҳанд. Якҷо кардани ин қисмҳо дар як дастгоҳи воқеӣ, озмоиш бо корбарони дорои нуқсони биноӣ ва чен кардани эътимоднокӣ дар шароити зиндагии ҳаррӯза яке аз ниёзҳои асосии тадқиқоти оянда мебошад.

Аз нигоҳи Туркия: Таҳқиқот метавонад барои донишгоҳҳо ва гурӯҳҳои технологӣ дар Туркия дар соҳаҳои дастгоҳҳои ёрирасони каммасрафи асосёфта ба STM32, электроникаи пӯшиданӣ, технологияҳои шаҳри дастрас ва навигатсияи дастгиришаванда бо зеҳни сунъӣ як чаҳорчӯбаи татбиқшавандаи R&D пешниҳод кунад. Дар манбаъ WeWALK Smart Cane 2-и марказаш дар Истанбул низ ҳамчун яке аз мисолҳои тиҷоратӣ зикр шудааст; аммо муаллифон махсус таъкид мекунанд, ки изҳороти иҷроии маҳсулоти тиҷоратӣ ба ҳуҷҷатҳои истеҳсолкунанда такя мекунанд ва бо таҳқиқоти мустақили аз арзёбии ҳамтоён гузашта тасдиқ нашудаанд. Азбаски дар таҳқиқот дар Туркия ягон озмоиши саҳроии бо пешгӯии нияти пиёда асосёфта ба LSTM вуҷуд надорад, барои тарҳи маҳаллии роҳравҳо, зичии пиёдагардон, рафтори ҳаракати нақлиёт, шароити обу ҳаво, одатҳои корбарон ва талаботи дастрасӣ бояд маълумоти воқеии саҳроӣ алоҳида ҷамъоварӣ карда шавад.

Оё дар асоҳои ҳушманд танҳо сенсори беҳтар намерасад?

Нуқтаи оғозии таҳқиқот фарқи байни дарки муҳит аз ҷониби асои ҳушманд ва пешгӯии ояндаи ҳаракат дар муҳит мебошад. Сенсори ултрасадоӣ ё системаи ToF метавонад чен кунад, ки монеа чӣ қадар дур аст; камера метавонад пиёда ё воситаи нақлиётро тасниф кунад; LiDAR метавонад геометрияи муҳитро барорад. Аммо барои фаҳмидани он ки шахси ҳаракаткунанда самташро иваз карда, ба пеши корбари асо медарояд ё не, бояд ҳаракат дар қадамҳои пайдарпайи вақт якҷоя арзёбӣ шавад.

Аз ҳамин сабаб, қисми муҳими системаҳои мавҷудае, ки дар баррасӣ омӯхта шудаанд, ҳамчун роҳҳалҳои дарккунандаи “вазъи ҳозира” тасниф мешаванд. Системаҳои истифодабарандаи Jetson Nano ва RGB-D/LiDAR метавонанд дарки визуалии сатҳи баланд ва SLAM анҷом диҳанд, дар ҳоле ки роҳҳалҳои каммасрафи асосёфта ба STM32 метавонанд аз рӯи остонаи масофа зуд ҳушдори ларзишӣ диҳанд. Меъмориҳои edge-cloud низ шинохти объект ва интиқоли дурдасти маълумотро имконпазир месозанд. Бо вуҷуди ин, дар системаҳои маъмулие, ки муаллифон баррасӣ кардаанд, ба занҷири қарор ворид нашудани модели воқеии ҳаракати замонӣ ба монанди LSTM як холигии умумӣ эҷод мекунад.

Меъмории умумии пешниҳодшуда чӣ гуна кор мекунад?

Меъмории консептуалие, ки таҳқиқот дар Шакл 1–3 ҷамъ овардааст, ба се қабати асосӣ ҷудо мешавад: дарк, қарор ва бозхурд. Қабати дарк аз манбаъҳое чун сенсорҳои ултрасадоӣ, ToF, LiDAR, камераи RGB-D ва IMU маълумот ҷамъ мекунад. Маълумот аз fusion-и бисёрсенсорӣ гузаронда шуда, ба равзанаи замонӣ табдил дода мешавад. Дар қабати қарор LSTM-и сабукшуда мақсад дорад аз ҷойгиршавӣ, суръат, масофа ва маълумоти тағйироти гузашта ҳаракати оянда ё нияти пиёдаро пешгӯӣ кунад. Дар марҳилаи охир сатҳи хатар ба садо, ларзиш ё шакли дигари бозхурди корбар табдил дода мешавад.

Verianla Live: Визуализатсия аз ҷадвали намоёни раванди илмии боло сохта мешавад. Ҷадвал ҳамчун scientific source-of-truth-и барои мошин хондашаванда нигоҳ дошта мешавад.

Чаро LSTM барои силсилаҳои замонӣ истифода мешавад?

Дар шабакаҳои стандартии нейронии такрорӣ ҳангоми backpropagation дар силсилаҳои дароз хурд ё калон шудани градиентҳо метавонад омӯзиши маълумотро дар қадамҳои дури замонӣ мушкил кунад. Фарқи асосии LSTM дар он аст, ки ҳолати ҳуҷайра ва дарвозаҳои фаромӯшӣ, вуруд ва баромад ҷараёни маълумотро ба таври идорашаванда танзим мекунанд.

Дар таҳқиқот forward pass-и стандартии LSTM бо муодилаҳои зерин шарҳ дода мешавад:

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

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

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

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

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

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

Дар ин ҷо \(x_t\) вуруди қадами вақти ҳозира, \(h_{t-1}\) ҳолати пинҳонии қаблӣ, \(c_t\) ҳолати ҳуҷайра, \(f_t\) дарвозаи фаромӯшӣ, \(i_t\) дарвозаи вуруд ва \(o_t\) дарвозаи баромадро ифода мекунад. Ин сохтор имкон медиҳад моделе сохта шавад, ки на танҳо ҷойгиршавии пиёдаро дар як тасвир, балки намунаи пайдарпайи ҳаракатро низ ба ҳисоб гирад.

Пешгӯии траектория ва пешгӯии нияти пиёда як вазифа нестанд

Баррасӣ ин ду вазифаро аз ҳам ҷудо мекунад. Пешгӯии траектория масъалаи регрессияест, ки ба пешгӯии координатаҳои пайвастаи фазоии пиёда дар қадамҳои ояндаи вақт бо истифода аз ҷойгиршавиҳои гузашта асос меёбад. Пешгӯии нияти убур бошад, масъалаи тасниф аст, ки масалан муайян кардани он ки пиёда роҳро убур мекунад ё не, ҳадаф дорад.

Аз нигоҳи асои ҳушманд, ин ду навъи маълумот метавонанд ҳамдигарро пурра кунанд: модели ният маънои ҳаракатро тасниф мекунад, дар ҳоле ки модели траектория пешгӯӣ мекунад, ки ҳаракат аз ҷиҳати ҷисмонӣ ба кадом самт инкишоф меёбад. Аммо баррасӣ нишон намедиҳад, ки ин ду вазифа дар асои воқеӣ якҷоя тасдиқ шудаанд.

Мавқеи LSTM нисбат ба дигар моделҳои силсилаи замонӣ

Муаллифон LSTM-ро ягона роҳи имконпазир намеҳисобанд. GRU сохтори такрории дорои параметрҳои камтар пешниҳод мекунад, TCN бартарии ҳисоббарории параллелӣ дорад, оилаи Transformer қудрати моделсозии робитаҳои дурро бо механизми attention дорад ва моделҳои графикӣ метавонанд таъсири мутақобилаи пиёдагардонро дар муҳитҳои серодам ифода кунанд.

Арзёбии асосии баррасӣ ба фоидаи LSTM мавҷудияти ҳамзамони се қабати далел аст: экосистемаи тадқиқотии тӯлонӣ дар пешгӯии траектория, вариантҳои сершумори махсуси вазифавии LSTM ва баъзе ченкуниҳои inference аз таҷҳизоти воқеии синфи микроконтроллер. Аммо бояд фаромӯш нашавад, ки инҳо аз вазифа ва Dataset-ҳои гуногун гирифта шудаанд; натиҷаҳои ҷадвалро бевосита ҳамчун “LSTM аз ҳамаи моделҳои дигар беҳтар аст” шарҳ додан мумкин нест.

Social LSTM ва моделҳои такмилёфта чӣ медиҳанд?

LSTM-и классикӣ метавонад ҳаракати гузаштаи як пиёдаро омӯзад. Дар равиши Social LSTM ҳолатҳои пинҳонии пиёдагардони ҳамсоя тавассути механизми social pooling ба модел илова шуда, кӯшиш мешавад таъсири ҳаракати одамон ба якдигар ифода карда шавад. SR-LSTM бошад, намояндагии робитаҳои фазоиро беҳтар мекунад. Дар мисоли Social LSTM-и такмилёфтае, ки дар баррасӣ оварда шудааст, бо истифода аз талафоти майдони ишғоли динамикӣ нисбат ба baseline дар зичиҳои гуногуни издиҳом коҳиши %31 дар сатҳи бархӯрд, %5 дар хатои миёнаи ҷойивазкунӣ ва %6 дар хатои ниҳоии ҷойивазкунӣ гузориш шудааст.

Ин рақамҳо аз таҷрибаҳои асои ҳушманд нестанд, балки аз таҳқиқоти дахлдори траекторияи пиёда, ки дар баррасӣ омӯхта шудааст, гирифта шудаанд. Аз ин рӯ, онҳо имконияти методии оилаи LSTM-ро нишон медиҳанд; нишон намедиҳанд, ки асо амнияти корбарро бо ҳамин фоизҳо беҳтар мекунад.

Чаро маҳдудиятҳои сахтафзории асои ҳушманд муҳиманд?

Дар синфи истифодае, ки баррасӣ ҳадаф мегирад, танҳо дақиқии модел кофӣ нест. Дастгоҳ бояд сайёр бошад, бо батарея соатҳо кор кунад ва ҳангоми наздик шудани монеа пешгӯиро бе таъхир истеҳсол намояд. Дар таҳқиқот байни ҳадафҳои маъмул зиёда аз ҳашт соат вақти кор, тақрибан 50–150 ms вақти умумии посухи система ва маҳдудиятҳои Flash/SRAM дар сатҳи садҳо килобайт дар дастгоҳҳои синфи STM32 баррасӣ мешаванд.

Платформаҳое чун Jetson Nano ё Jetson Xavier NX метавонанд моделҳои пурқуввати тасвирро иҷро кунанд, аммо масрафи сатҳи watt-и онҳо буҷети батарея ва вазни дастгоҳи пӯшиданиро маҳдуд мекунад. MCU-ҳои синфи STM32 метавонанд бо қувваи хеле камтар кор кунанд, вале иҷрои ҳамзамони LSTM-и калон ва моделҳои тасвир дар як дастгоҳ фишурдасозӣ ва тарҳи ҷиддии системаро талаб мекунад.

LSTM чӣ гуна хурд карда мешавад?

Баррасӣ панҷ равиши асосиро меомӯзад.

1. Соддасозии меъморӣ: Сохторҳое чун Slim LSTM бо кам кардани матритсаҳои вазни дарвозаҳо шумораи параметрҳоро коҳиш медиҳанд. Дар манбаъ дар мисоли LSTM_C6 гузариш аз тақрибан 53.200 параметр ба 3.400 параметр ва коҳиши беш аз %93 параметр гузориш шудааст.
2. Таҷзияи low-rank: Усулҳои SVD, PCA, MPO ва tensor-ring кӯшиш мекунанд матритсаҳои калонро бо ҷузъҳои хурдтар ба таври тақрибӣ ифода кунанд.
3. Фишурдасозии сохторӣ: C-LSTM бо матритсаҳои block-circulant сохтори мунтазами ҳисобро сохта, махсусан дар FPGA шитобдиҳии асосёфта ба FFT-ро ҳадаф мегирад.
4. Квантонӣ: Нигоҳ доштани вазнҳо ва activation-ҳо бо дақиқии пасттар ба монанди INT8 андозаи модел ва бори ҳисобро коҳиш медиҳад.
5. Дистиллятсияи дониш: Рафтори омӯхташудаи модели калони омӯзгор ба модели хурдтари донишҷӯ интиқол дода мешавад.

Чаро мисоли кванткунии INT8 муҳим аст?

Яке аз мисолҳои мушаххастарини баррасӣ аз нигоҳи татбиқшавии MCU таҳқиқоти сахтафзории DeepConv LSTM мебошад, ки дар вазифаи дигар анҷом шудааст. Пас аз кванткунии пурраи ададии бутун, андозаи модел аз 513 KB ба 136,5 KB коҳиш ёфта, 29,1 KB SRAM истифода кардааст, дар ARM Cortex-M4 вақти inference-и 21 ms ва тақрибан %97 дақиқӣ гузориш шудааст.

Verianla Live: Танҳо арзишҳои андозаи модели ҳамон як истинод муқоиса шудаанд. Арзишҳои дақиқӣ, таъхир ё масрафи нерӯи аз вазифаҳои гуногун гирифташуда ба ин график омехта нашудаанд.

Коҳиш аз 513 KB ба 136,5 KB тақрибан ба коҳиши андозаи %73–74 баробар аст. Аммо ҳангоми квантонӣ дақиқӣ низ дар манбаъ аз %98,24 то тақрибан %97 коҳиш ёфтааст. Муҳимтар аз ин, вазифаи ин модел шинохти фаъолияти инсон мебошад. Аз ин рӯ, натиҷаро ҳамчун “LSTM дар асои ҳушманд дар 21 ms кор мекунад” умумӣ кардан мумкин нест; он танҳо истиноди сахтафзорӣ медиҳад, ки LSTM-и фишурдашуда метавонад дар синфи монанди MCU иҷро шавад.

Чаро мушкили Dataset гузариш ба маҳсулоти воқеиро душвор мекунад?

Яке аз холигиҳои муҳимтарине, ки баррасӣ таъкид мекунад, ин аст, ки Dataset-ҳои мавҷудаи пешгӯии пиёда аз нуқтаи назари воқеии асои ҳушманд ҷамъоварӣ нашудаанд. Дар ҳоле ки камераи автомобил тақрибан собит ва дар баландии бештар аст, камераи болои асо пасттар ҷойгир мешавад, ҳангоми роҳ рафтан меларзад ва аз сабаби монеаҳои наздик ба замин метавонад бештар пӯшида шавад.

Ин фарқ нишон медиҳад, ки барои асои ҳушманди воқеӣ на танҳо маълумоти бештар, балки маълумот аз нуқтаи назари дуруст лозим аст. Аз ин рӯ, муаллифон ҷамъоварии системавии тасвирҳои ҷаҳони воқеӣ аз баландии асо, тамғаҳои нияти пиёда ва маълумоте, ки ҳаракати платформаро ифода мекунад, ҳамчун яке аз авлавиятҳои оянда муайян мекунанд.

Пешгирии фаъоли монеа чӣ гуна тасаввур карда мешавад?

Дар таҳқиқоти роботҳои мобилие, ки дар баррасӣ оварда шудаанд, LSTM барои пешгӯии ҷойгиршавии оянда аз ҳаракатҳои гузашта истифода мешавад; эҳтимоли пешгӯишудаи бархӯрд баъдан ба механизми қарори робот интиқол дода мешавад. Ҳамин тавр, система метавонад ба ҷойи посух додан пас аз хеле наздик шудани монеа, бархӯрди эҳтимолиро пешакӣ ба ҳисоб гирад.

Мувофиқи он дар асои ҳушманд вазъ дигар аст. Робот муҳаррики худро идора мекунад, аммо асо дар аксари сенарияҳо қарорро худаш иҷро намекунад; ба корбар ҳушдори ларзишӣ ё овозӣ медиҳад. Аз ин рӯ, на танҳо дақиқии пешгӯӣ, балки фаҳмо будани ҳушдор, вақти он, бори маърифатӣ ба корбар ва сатҳи ҳушдорҳои бардурӯғ низ бояд қисми иҷрои воқеии система бошад.

LSTM дар ҷойгиркунӣ чӣ гуна истифода мешавад?

Баррасӣ инчунин таҳқиқотеро меомӯзад, ки LSTM-ро барои дастгирии баҳодиҳии ҷойгиршавӣ ҳангоми қатъ шудани GPS/GNSS бо истифода аз намунаҳои замонии маълумоти IMU истифода мебаранд. Дар яке аз мисолҳои овардашуда, системаи CNN-LSTM pedestrian dead-reckoning тақрибан 0,52 m RMSE гузориш кардааст; дар баъзе таҳқиқоти GPS/INS бошад, LSTM ҳангоми қатъи GNSS нисбат ба усулҳои анъанавӣ хатои камтари ҷойгиршавӣ додааст.

Арзиши ҳисоббарорӣ ва конфигуратсияи сенсорҳои ин системаҳо метавонанд аз буҷети захираҳои асои ҳушманди воқеӣ фарқ кунанд. Аз ин рӯ, натиҷаҳои ҷойгиркуниро бевосита ҳамчун иҷрои асо интиқол додан мумкин нест.

Чаро cloud, V2X ва 5G баррасӣ мешаванд?

Сенсорҳои танҳо маҳаллии асои ҳушманд маълумотеро чун воситаи нақлиёти наздикшаванда берун аз майдони дид ё марҳилаи чароғаки роҳ намедонанд. Баррасӣ муҳокима мекунад, ки пайвастагии асосёфта ба IoT, V2X ва 5G метавонад ин маълумоти норасои муҳитиро пурра кунад. Дар меъмории назариявӣ дастгоҳи каммасраф пешгӯии асосиро маҳаллӣ иҷро мекунад, дар ҳоле ки моделҳои мураккабтар метавонанд дар edge-cloud иҷро шаванд; рӯйдодҳои муҳим ба системаҳои мониторинги дурдаст интиқол дода мешаванд ва вазнҳои нави модел метавонанд тавассути OTA ба дастгоҳ тақсим карда шаванд.

Бо вуҷуди ин, таҳқиқот интегратсияи LSTM + V2X + 5G + асои ҳушманди воқеиро ба таври таҷрибавӣ тасдиқ намекунад. Қатъи фарогирии шабака, таъхир, масрафи нерӯ ва махфият бояд дар татбиқи воқеӣ алоҳида ҳал карда шаванд.

Чаро махфият ва амнияти корбар танҳо масъалаи алгоритм нест?

Камераҳои RGB ё RGB-D метавонанд дигар одамонро дар ҷойҳои ҷамъиятӣ низ тасвир кунанд. Аз ин рӯ, баррасӣ аҳамияти равишҳое чун коркард дар худи дастгоҳ ва минимизатсияи маълумотро то ҳадди имкон таъкид мекунад. Илова бар ин, таҷрибаҳои ҷаҳони воқеӣ бо корбарони дорои нуқсони биноӣ бояд зери тасдиқи ахлоқӣ ва ризоияти огоҳона анҷом дода шаванд.

Дар технологияҳои ёрирасон ба монанди асои ҳушманд, пешгӯии false negative метавонад хатари эҳтимолиро аз даст диҳад, дар ҳоле ки ҳушдорҳои аз ҳад зиёди false positive метавонанд корбарро хаста карда, эътимод ба системаро кам кунанд. Баррасӣ хабар медиҳад, ки ҳанӯз таҳқиқоти асои аз оғоз то анҷом асосёфта ба LSTM вуҷуд надорад, ки ин тавозунро бо корбарони воқеӣ чен карда бошад.

Усул ва натиҷаҳои таҳқиқот

Усули манбаъ

Ин кор таҳқиқоти таҷрибавие нест, ки модели нави LSTM-ро омӯзонад ё прототипи нави асои ҳушмандро санҷад. Муаллифон корро равшан ҳамчун баррасии ривоятӣ тавсиф мекунанд. Ҳадаф якҷо кардани пешгӯии траектория ва нияти пиёда асосёфта ба LSTM, усулҳои сабуксозии модел ва талаботи сахтафзории асои ҳушманд дар як чаҳорчӯбаи вазифа-сахтафзор-алгоритм мебошад.

Ҷустуҷӯи адабиёт IEEE Xplore, Web of Science, Scopus, PubMed ва CNKI-ро фаро мегирад. Давраи ҷустуҷӯ Январ 1997–Июн 2026 муайян шудааст. Санаи оғоз ба нашри кори бунёдии LSTM дар 1997 асос ёфтааст. Дар байни истилоҳҳои ҷустуҷӯ “LSTM”, “long short-term memory”, “pedestrian trajectory”, “intention prediction”, “guide stick” ва “smart cane” истифода шудаанд.

Равиши дохилкунӣ ба се оилаи асосии тадқиқот тамаркуз кардааст: пешгӯии траектория/нияти пиёда бо LSTM, таҳқиқоти фишурдасозии модел ва edge deployment ва системаҳои асои ҳушманд/навигатсионӣ барои шахсони дорои нуқсони биноӣ. Ба мақолаҳои журналӣ ва конфронсии аз арзёбии ҳамтоён гузашта афзалият дода шудааст; баъзе preprint ва гузоришҳои техникӣ, ки саҳми техникии равшан доранд, низ ба синтези адабиёт дохил шудаанд.

Ин таҳқиқот баррасии систематикии асосёфта ба PRISMA нест. Шумораи сабтҳои ёфтшуда, хориҷшуда, сабабҳои хориҷкунӣ ва он ки сифати методологии таҳқиқот бо кадом воситаи стандартӣ арзёбӣ шудааст, дода нашудааст. Аз ин рӯ, натиҷаҳоро на ҳамчун андозаи таъсири meta-analytic, балки ҳамчун синтези техникии аз адабиёт сохтаи муаллифон арзёбӣ кардан лозим аст.

Саволҳои тадқиқот

Панҷ равиши сабуксозии таъкидкардаи баррасӣ

Сенсорҳо ва платформаҳои арзёбишуда барои асоҳои ҳушманд

Муҳимтарин натиҷаҳо

Натиҷаи аввал: Гарчанде аксари таҳқиқоти маъмулии асои ҳушманд дар дарки муҳит муваффақанд, қабати воқеии пешгӯии замонӣ, ки рафтори ояндаи монеаҳои ҳаракаткунандаро модел мекунад, васеъ паҳн нашудааст.

Натиҷаи дуюм: LSTM дар таҳқиқоти траекторияи пиёда ва воситаҳои нақлиёт экосистемаи алгоритмии пухта дорад. Social LSTM, SR-LSTM, вариантҳои асосёфта ба attention ва моделҳои multimodal нишон медиҳанд, ки берун аз траекторияи инфиродӣ контексти иҷтимоӣ ва муҳитӣ низ метавонад ба система илова шавад.

Натиҷаи сеюм: Иҷрои LSTM дар микроконтроллерҳо танҳо назариявӣ нест. Таҷрибаи ARM Cortex-M4, ки дар баррасӣ оварда шудааст, нишон медиҳад, ки INT8 DeepConv LSTM-и 136,5 KB метавонад inference-ро дар 21 ms анҷом диҳад. Аммо ин таҷриба вазифаи пешгӯии пиёда ё асои ҳушманд нест.

Натиҷаи чорум: Усулҳое чун соддасозии меъморӣ, таҷзияи low-rank, фишурдасозии сохторӣ, квантонӣ ва дистиллятсияи дониш метавонанд талаботи захиравии LSTM-ро кам кунанд. Азбаски натиҷаҳои ин усулҳо аз Dataset ва сахтафзорҳои гуногун омадаанд, тартиббандии мутлақи онҳо имконнопазир аст.

Натиҷаи панҷум: Dataset-ҳои мавҷуда нуқтаи назари асои воқеиро ба қадри кофӣ намояндагӣ намекунанд. Тасвирҳои аз болои автомобил ё аз боло гирифташуда аз баландии пасти камера, ларзиш, пӯшидашавӣ ва ego-motion-и корбар ҳангоми истифодаи асо ба таври назаррас фарқ мекунанд.

Натиҷаи шашум ва муҳимтарин: Дар адабиёти баррасишуда ягон таҳқиқоте вуҷуд надорад, ки пешгӯии пиёда асосёфта ба LSTM, сахтафзори воқеии асои ҳушманд, дарки бисёрсенсорӣ, дараҷабандии хатар ва бозхурди корбарро дар як система муттаҳид карда, онро бо корбарони дорои нуқсони биноӣ аз оғоз то анҷом тасдиқ карда бошад.

Маҳдудиятҳои худи таҳқиқот

Муаллифон мегӯянд, ки баррасӣ бо нашрияҳои англисӣ ва чинӣ маҳдуд аст, нишондиҳандаҳои иҷроиш дар таҳқиқоти гуногун аз Dataset ва сахтафзорҳои гуногун гирифта шудаанд, benchmark-и стандартии асои ҳушманд-LSTM вуҷуд надорад ва аз ин рӯ meta-analysis-и миқдорӣ анҷом дода нашудааст. Қисми муҳими муқоисаҳои байни усулҳо head-to-head test-ҳои мустақим дар шароити якхелаи таҷрибавӣ нестанд, балки синтези сифатии натиҷаҳои гузоришшуда дар адабиёт мебошанд.

Нуқтаҳои манбаъ, ки диққат мехоҳанд

Остонаҳои хатар: Системаи масофаи чорзинагӣ дар матн бо нишондиҳии хавфи дуостона дар Шакл 2 пурра мувофиқат намекунад. Аз ин рӯ, дар ин ҷо як “стандарти дақиқи хавфи асои LSTM” сохта нашудааст.

Ифодаи фишурдасозии SVD: Дар матн ҳам ифодаи он ки параметрҳои модел %45 кам шудаанд ва ҳам ифодаи он ки ҳаҷми модел ба %45-и аслӣ расидааст, якҷо меоянд, дар ҳоле ки ҷадвали хулосаи 4 “%45 коҳиши ҳаҷм” мегӯяд. Азбаски ба %45 расидани ҳаҷм маънои %55 коҳишро дорад, ин ифодаҳои дохили манбаъ аз ҷиҳати математикӣ як нестанд.

Маҳдудияти вазифавии далели MCU: Натиҷаҳои 21 ms, 136,5 KB ва %97 барои DeepConv LSTM дар Dataset-и асои ҳушманд ё траекторияи пиёда ба даст наомадаанд. Аз ин рӯ, онҳо бояд танҳо ҳамчун истиноди ғайримустақим барои татбиқшавии сахтафзор истифода шаванд.

Маҳсулоти тиҷоратӣ: Маҳсулоти тиҷоратӣ ба монанди WeWALK Smart Cane 2 ва Glide дар таҳқиқот ҳамчун мисол баррасӣ мешаванд; муаллифон ошкоро мегӯянд, ки баъзе маълумоти хусусият ва иҷроии онҳо аз ҳуҷҷатҳои истеҳсолкунанда/marketing material омадаанд ва тасдиқи мустақили аз арзёбии ҳамтоён гузашта вуҷуд надорад.

Ёддошт оид ба манбаъ ва усул

Номи пурраи кори аслӣ: A Survey of LSTM Pedestrian Intention Prediction and Lightweight Methods for Intelligent Guide Sticks

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

Тартиби муаллифон: Тавре ки дар манбаъ омадааст, нигоҳ дошта шудааст.

Муаллифони масъул: Fang Jing ва Huafeng Qu.

Муассисаҳо: School of Information and Intelligent Engineering, Yunnan College of Business Management, Kunming, Чин; Institute of Visual Informatics, Universiti Kebangsaan Malaysia, Bangi, Selangor, Малайзия.

Навъи манбаъ: Мақолаи баррасии ривоятии аз арзёбии ҳамтоён гузашта. Таҳқиқот дар бахши усули худ ба таври равшан мегӯяд, ки баррасии систематикии асосёфта ба PRISMA нест.

Маҷалла: Future Internet.

Ношир: MDPI, Basel, Switzerland.

Ҷилд / шумора / рақами мақола: 18 / 7 / 362.

DOI: 10.3390/fi18070362

Санаи қабул: 8 Июн 2026.

Санаи ревизия: 11 Июл 2026.

Санаи пазируфтан: 13 Июл 2026.

Санаи нашр: 15 Июл 2026.

Ҳолати арзёбии ҳамтоён: Future Internet маҷаллаи илмии аз арзёбии ҳамтоён гузаранда аст ва ин манбаъ мақолаи баррасии нашршуда мебошад.

Литсензия: Creative Commons Attribution (CC BY).

Пайванди расмии нашр:https://doi.org/10.3390/fi18070362

Доираи ҷустуҷӯи адабиёт: IEEE Xplore, Web of Science, Scopus, PubMed ва CNKI; Январ 1997–Июн 2026. Таҳқиқот бо адабиёти англисӣ ва чинӣ маҳдуд аст. Ғайр аз нашрияҳои аз арзёбии ҳамтоён гузашта, баъзе preprint ва гузоришҳои техникӣ, ки саҳми техникии равшан доранд, низ ба баррасӣ дохил шудаанд.

Тавлиди маълумоти нав: Дар таҳқиқот маълумоти нав эҷод ё таҳлил нашудааст; натиҷаҳо ба синтези адабиёти мавҷуда асос меёбанд.

Маблағгузорӣ: Таҳқиқот аз ҷониби Yunnan College of Business Management Scientific Research Foundation дар доираи “Design of Intelligent Guide Stick System Based on ESP32 Chip”, Лоиҳа No. 2026XK23 маблағгузорӣ шудааст.

Манфиатҳои рақобатӣ: Муаллифон ягон манфиати рақобатӣ гузориш накардаанд.

Саҳми муаллифон: Чаҳорчӯбаи консептуалӣ ва усули тадқиқот Yijia Cai; дастгирии манбаъ Huafeng Qu; ревизия Yuxi Xie, Huafeng Qu ва Shafrida Sahrani; роҳнамоӣ ва идоракунии лоиҳа Fang Jing анҷом додаанд. Нусхаи аввалро Yijia Cai омода кардааст.

Ҳадди тафсири илмӣ: Ин манбаъ нишон намедиҳад, ки пешгӯии нияти пиёда асосёфта ба LSTM дар асои ҳушманди воқеӣ бо муваффақият тасдиқ шудааст. Хулоса ба арзёбии якҷояи моделҳои пешгӯии пиёда дар таҳқиқоти гуногун, таҷрибаҳои роботҳои мобилӣ, системаҳои ҷойгиркунӣ, меъмориҳои сенсории асои ҳушманд ва таҳқиқоти ҷудогонаи deployment-и LSTM дар MCU асос меёбад. “Татбиқшавӣ” дар ин ҷо на тасдиқи мустақими маҳсулот, балки имконияти техникии аз адабиёт баровардашуда мебошад.

Маҳдудияти Dataset: Манбаъҳои асосии кушодаи маълумот ба монанди JAAD, PIE, PedSynth, ETH/UCY, BDD100K ва MS COCO нуқтаи назари паст, дастӣ ва ларзандаи асои ҳушмандро мустақиман намояндагӣ намекунанд. Таҳқиқот инро яке аз монеаҳои асосии маълумотӣ дар гузариш ба ҷаҳони воқеӣ мешуморад.

Ёддошти мутобиқати дохилии манбаъ: Дар таснифи масофаи хатар байни матн ва Шакл 2 нишондиҳии остонаҳои гуногун вуҷуд дорад. Дар ифодаи фоизии фишурдасозии SVD низ матни асосӣ ва ҷадвали хулоса таърифи математикии комилан якхеларо истифода намебаранд. Ин фарқҳо дар матни Verianla хомӯшона ислоҳ нашудаанд.

Ёддошти Verianla Live: Визуализатсияи раванд дар мақола аз меъмории сенсор, силсилаи замонӣ, LSTM, хатар ва бозхурди Шакл 1–3-и кори манбаъ гирифта шудааст. Муқоисаи ададии андозаи модел бошад, танҳо бо арзишҳои 513 KB ва 136,5 KB-и ҳамон мисоли INT8 DeepConv LSTM, ки дар баррасии манбаъ оварда шудааст, маҳдуд шудааст. Арзишҳои иҷроии таҳқиқоти гуногун бо воҳид ва вазифаҳои гуногун дар як график якҷо нашудаанд.