Aqlli hassalarning muhim qismi ultratovush sensori, ToF, LiDAR, kamera va shunga oʻxshash sezish tizimlari yordamida oldidagi toʻsiqni aniqlay oladi; biroq harakatlanayotgan piyoda yoki transport vositasi bir necha lahzadan keyin qayerga yoʻnalishini oldindan aytish boshqa turdagi muammodir. Ushbu narrativ sharh uzoq-qisqa muddatli xotira tarmogʻi sifatida tanilgan LSTM modellarining dinamik toʻsiqlarning vaqt boʻyicha harakat naqshlarini oʻrganib, aqlli hassalarni faqat “toʻsiqni aniqlovchi” tizimlardan “yaqinlashayotgan xavfni oldindan koʻra oladigan” yordamchi qurilmalarga aylantirish salohiyatini koʻrib chiqadi.

Sharh LSTM'ni GRU, TCN, yengil Transformer, attention bilan qoʻllab-quvvatlangan RNN, Kalman filtri-RNN gibridlari, grafik asosidagi modellar va TinyML yondashuvlari bilan taqqoslaydi. Mualliflar bahosiga koʻra, LSTM'ning asosiy afzalligi piyoda harakatlaridagi uzoq muddatli bogʻliqliklarni modellashtira olishi, vazifaga xos koʻplab variantlarga ega boʻlishi va ayrim LSTM modellarining ARM Cortex-M sinfidagi mikrokontrollerlarda amalda ishga tushirilganidir. Biroq bu ustunlik mutlaq ishlash dalili emas; modellar turli vazifalarda, turli apparatlarda va turli ma’lumotlar toʻplamlarida sinovdan oʻtkazilgan.

Manba LSTM'ni kam quvvatli qurilmalarga koʻchirish uchun besh asosiy yengillashtirish oilasini koʻrib chiqadi: arxitekturani soddalashtirish, past-rank ajratish, strukturaviy siqish/budash, kvantlash va bilimni distillatsiya qilish. Keltirilgan misollardan birida toʻliq butun sonli kvantlash qoʻllangan DeepConv LSTM modeli 513 KB'dan 136,5 KB'gacha kichraygan, 29,1 KB SRAM ishlatgan va ARM Cortex-M4 da 21 ms inferensiya vaqtini koʻrsatgan. Ammo bu oʻlchov piyoda niyatini bashorat qilishda yoki haqiqiy aqlli hassada emas, inson faoliyatini tanish vazifasida bajarilgan.

Sharhning eng muhim xulosasi shuki, LSTM asosidagi faol bashorat yondashuvi texnik jihatdan istiqbolli boʻlsa-da, haqiqiy aqlli hassada uchidan-uchigacha tasdiqlangan tizim hali mavjud emas. Mavjud tadqiqotlarning ayrimlari mobil robotlarda trayektoriyani bashorat qilish, ayrimlari STM32 asosidagi hassalarda toʻsiqni aniqlash, yana ayrimlari esa LSTM'ning boshqa vazifalarda MCU da ishlatilishi mumkinligi haqida dalil beradi. Bu qismlarni bitta haqiqiy qurilmada birlashtirish, koʻrishida nuqsoni boʻlgan foydalanuvchilar bilan sinash va kundalik hayot sharoitida ishonchliligini oʻlchash kelajakdagi asosiy tadqiqot ehtiyojidir.

Turkiya nuqtayi nazaridan: Tadqiqot kam quvvatli STM32 asosidagi yordamchi qurilmalar, taqiladigan elektronika, kirish imkoniyati yaratilgan shahar texnologiyalari va sun’iy intellekt bilan qoʻllab-quvvatlangan navigatsiya sohalarida Turkiyadagi universitetlar va texnologik jamoalar uchun amaliy Ar-Ge doirasini taqdim etishi mumkin. Manbada Istanbulda joylashgan WeWALK Smart Cane 2 ham tijoriy misollardan biri sifatida tilga olinadi; biroq mualliflar tijoriy mahsulotlarga oid ishlash bayonotlari ishlab chiqaruvchi hujjatlariga tayanganini va mustaqil hakamlikdan oʻtgan tadqiqotlar bilan tasdiqlanmaganini alohida qayd etadi. Tadqiqotda Turkiyada LSTM asosidagi piyoda niyatini bashorat qilish bilan oʻtkazilgan dala tajribasi mavjud emasligi sababli, mahalliy trotuar tuzilishi, piyoda zichligi, transport xulqi, ob-havo sharoitlari, foydalanuvchi odatlari va kirish imkoniyati talablari uchun qoʻshimcha haqiqiy dala ma’lumotlarini yigʻish zarur.

Aqlli hassalarda yetishmayotgan narsa faqat yaxshiroq sensormi?

Tadqiqotning boshlangʻich nuqtasi aqlli hassalarning atrof-muhitni sezishi bilan atrofdagi harakatning kelajagini bashorat qilishi oʻrtasidagi farqdir. Ultratovush sensori yoki ToF tizimi toʻsiq qanchalik uzoqda ekanini oʻlchashi mumkin; kamera piyoda yoki transport vositasini tasniflashi mumkin; LiDAR atrof-muhit geometriyasini chiqarishi mumkin. Biroq harakatlanayotgan odam yoʻnalishini oʻzgartirib, hassa foydalanuvchisining oldiga kiradimi-yoʻqmi, buni tushunish uchun ketma-ket vaqt bosqichlaridagi harakatni birgalikda baholash zarur.

Sharhda koʻrib chiqilgan mavjud tizimlarning muhim qismi shu sababli “hozirgi holat”ni sezuvchi yechimlar sifatida tasniflanadi. Jetson Nano va RGB-D/LiDAR ishlatadigan tizimlar yuqori darajadagi vizual sezish va SLAM ni amalga oshira oladi, STM32 asosidagi kam quvvatli yechimlar esa masofa chegarasiga koʻra tez tebranishli ogohlantirish bera oladi. Edge-cloud arxitekturalari esa obyektni tanish va masofadan ma’lumot uzatishni imkonli qiladi. Shunga qaramay, mualliflar koʻrib chiqqan tipik tizimlarda LSTM kabi haqiqiy vaqtli harakat modelining qaror zanjiriga qoʻshilmaganligi umumiy boʻshliqni yuzaga keltiradi.

Taklif etilgan umumiy arxitektura qanday ishlaydi?

Tadqiqotning Shakl 1–3 da birlashtirilgan konseptual arxitekturasi uch asosiy qatlamga ajratiladi: sezish, qaror va qayta aloqa. Sezish qatlami ultratovush sensorlari, ToF, LiDAR, RGB-D kamera va IMU kabi manbalardan ma’lumot yigʻadi. Ma’lumotlar koʻp sensorli fusion dan oʻtkazilib, vaqt oynasiga aylantiriladi. Qaror qatlamida yengillashtirilgan LSTM oldingi joylashuv, tezlik, masofa va oʻzgarish ma’lumotlaridan kelajakdagi harakat yoki piyoda niyatini bashorat qilishni maqsad qiladi. Yakuniy bosqichda xavf darajasi ovoz, tebranish yoki boshqa foydalanuvchi qayta aloqasiga aylantiriladi.

Verianla Live: Vizualizatsiya yuqoridagi koʻrinadigan ilmiy jarayon jadvalidan yaratiladi. Jadval mashina oʻqiy oladigan ilmiy source-of-truth sifatida saqlanadi.

LSTM nega vaqt qatorlari uchun ishlatiladi?

Standart recurrent neyron tarmoqlarda uzun ketma-ketliklar boʻylab backpropagation paytida gradientlarning kamayishi yoki ortishi uzoq vaqt bosqichlaridagi axborotni oʻrganishni qiyinlashtirishi mumkin. LSTM'ning asosiy farqi shundaki, hujayra holati hamda unutish, kirish va chiqish darvozalari axborot oqimini nazoratli tarzda boshqaradi.

Tadqiqotda standart LSTM forward pass quyidagi tenglamalar bilan tushuntiriladi:

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

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

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

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

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

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

Bu yerda \(x_t\) joriy vaqt bosqichidagi kirishni, \(h_{t-1}\) oldingi yashirin holatni, \(c_t\) hujayra holatini, \(f_t\) unutish darvozasini, \(i_t\) kirish darvozasini va \(o_t\) chiqish darvozasini ifodalaydi. Bu tuzilma piyodaning faqat bitta tasvirdagi joylashuvini emas, balki ketma-ket harakat naqshini ham hisobga oladigan model qurishga imkon beradi.

Trayektoriyani bashorat qilish bilan piyoda niyatini bashorat qilish bir xil vazifa emas

Sharh bu ikki vazifani bir-biridan ajratadi. Trayektoriyani bashorat qilish oldingi joylashuvlardan foydalangan holda piyodaning keyingi vaqt bosqichlaridagi uzluksiz fazoviy koordinatalarini bashorat qilishga asoslangan regressiya muammosidir. Kesib oʻtish niyatini bashorat qilish esa, masalan, piyoda yoʻlni kesib oʻtadimi-yoʻqmi, shuni aniqlashga qaratilgan tasniflash muammosidir.

Aqlli hassa nuqtayi nazaridan ikki turdagi ma’lumot bir-birini toʻldirishi mumkin: niyat modeli harakatning ma’nosini tasniflagan holda, trayektoriya modeli harakat jismonan qaysi yoʻnalishda rivojlanishi mumkinligini bashorat qiladi. Biroq sharh bu ikki vazifaning haqiqiy hassada birgalikda tasdiqlanganini koʻrsatmaydi.

LSTM'ning boshqa vaqt qatori modellariga nisbatan oʻrni

Mualliflar LSTM'ni yagona mumkin boʻlgan yechim sifatida taqdim etmaydi. GRU kamroq parametrli recurrent tuzilmani taklif qilsa, TCN parallel hisoblash afzalligiga, Transformer oilasi uzoq masofadagi bogʻlanishlarni attention mexanizmi bilan modellashtirish kuchiga, grafik asosidagi modellar esa gavjum muhitlarda piyodalar oʻzaro ta’sirini ifodalash qobiliyatiga ega.

Sharhning LSTM foydasiga qilgan asosiy bahosi uchta dalil qatlamining bir vaqtda mavjudligidir: trayektoriya bashoratida koʻp yillik tadqiqot ekotizimi, vazifaga xos koʻplab LSTM variantlari va mikrokontroller sinfidagi real apparatdan xabar qilingan ayrim inferensiya oʻlchovlari. Biroq bular turli vazifa va ma’lumotlar toʻplamlaridan olinganini unutmaslik kerak; jadval natijalarini toʻgʻridan-toʻgʻri “LSTM boshqa barcha modellardan yaxshiroq” deb talqin qilib boʻlmaydi.

Social LSTM va takomillashtirilgan modellar nima beradi?

Klassik LSTM bitta piyodaning oldingi harakatini oʻrganishi mumkin. Social LSTM yondashuvida qoʻshni piyodalarning yashirin holatlari ijtimoiy pooling mexanizmi orqali modelga qoʻshilib, odamlarning bir-birining harakatiga ta’siri ifodalanishga harakat qilinadi. SR-LSTM esa fazoviy munosabatlar tasvirini yaxshilaydi. Sharhda keltirilgan takomillashtirilgan Social LSTM misolida dinamik bandlik maydoni yoʻqotishidan foydalanib, turli gavjumlik zichliklarida baseline ga nisbatan toʻqnashuv darajasida %31, oʻrtacha siljish xatosida %5 va yakuniy siljish xatosida %6 kamayish qayd etilgan.

Bu raqamlar aqlli hassada oʻtkazilgan tajribalardan emas, sharhda koʻrib chiqilgan tegishli piyoda trayektoriyasi tadqiqotidan olingan. Shuning uchun ular LSTM oilasining metodik salohiyatini koʻrsatadi; hassa foydalanuvchi xavfsizligini aynan shu foizlarda oshirishini koʻrsatmaydi.

Aqlli hassaning apparat cheklovlari nega muhim?

Sharh moʻljallagan foydalanish sinfida faqat model aniqligi yetarli emas. Qurilma koʻchma boʻlishi, batareya bilan soatlab ishlashi va toʻsiq yaqinlashayotganida bashoratni kechiktirmasdan berishi kerak. Tadqiqotda odatiy maqsadlar qatorida sakkiz soatdan ortiq ish vaqti, taxminan 50–150 ms umumiy tizim javob vaqti va STM32 sinfidagi qurilmalarda yuzlab kilobayt darajasidagi Flash/SRAM chegaralari muhokama qilinadi.

Jetson Nano yoki Jetson Xavier NX kabi platformalar kuchli tasvir modellarini ishlata oladi, biroq watt darajasidagi energiya sarfi taqiladigan qurilmaning batareya va ogʻirlik byudjetini qiyinlashtiradi. STM32 sinfidagi MCU'lar ancha kam quvvatda ishlashi mumkin, lekin katta LSTM va tasvir modellarini bir qurilmada bir vaqtning oʻzida bajarish jiddiy siqish va tizim dizaynini talab qiladi.

LSTM qanday kichraytiriladi?

Sharh beshta asosiy yondashuvni koʻrib chiqadi.

1. Arxitekturani soddalashtirish: Slim LSTM kabi tuzilmalar darvozalarning ogʻirlik matritsalarini kamaytirib, parametrlar sonini pasaytiradi. Manbada LSTM_C6 misolida taxminan 53.200 parametrdan 3.400 parametrga oʻtilgani va %93 dan ortiq parametr kamayishiga erishilgani keltiriladi.
2. Past-rank ajratish: SVD, PCA, MPO va tensor-ring usullari katta matritsalarni kichikroq komponentlar bilan taxminiy ifodalashga harakat qiladi.
3. Strukturaviy siqish: C-LSTM blok-davriy matritsalar bilan muntazam hisoblash tuzilmasini yaratib, ayniqsa FPGA da FFT asosidagi tezlashtirishni maqsad qiladi.
4. Kvantlash: Ogʻirlik va aktivatsiyalarni INT8 kabi pastroq aniqlikda saqlash model hajmi va hisoblash yukini kamaytiradi.
5. Bilimni distillatsiya qilish: Katta oʻqituvchi modelning oʻrganilgan xulqi kichikroq talaba modelga oʻtkaziladi.

INT8 kvantlash misoli nega muhim?

Sharhda MCU qoʻllanuvchanligi nuqtayi nazaridan eng aniq misollardan biri boshqa vazifada bajarilgan DeepConv LSTM apparat tadqiqotidir. Toʻliq butun sonli kvantlashdan soʻng model hajmi 513 KB'dan 136,5 KB'gacha kamaygani, 29,1 KB SRAM ishlatgani, ARM Cortex-M4 da 21 ms inferensiya va taxminan %97 aniqlik qayd etilgani keltiriladi.

Verianla Live: Faqat ayni referensdagi model hajmi qiymatlari taqqoslangan. Turli vazifalardan kelgan aniqlik, kechikish yoki quvvat sarfi qiymatlari bu grafikda aralashtirilmagan.

513 KB'dan 136,5 KB'gacha kamayish taxminan %73–74 hajm kamayishiga teng. Biroq kvantlash vaqtida aniqlik ham manbada %98,24 dan taxminan %97 gacha pasaygan. Yana muhimrogʻi, bu modelning vazifasi inson faoliyatini tanishdir. Shuning uchun natijani “aqlli hassada LSTM 21 ms da ishlaydi” tarzida umumlashtirib boʻlmaydi; u faqat shunga oʻxshash MCU sinfida siqilgan LSTM ishlatilishi mumkinligiga apparat referensi beradi.

Ma’lumotlar toʻplami muammosi nega haqiqiy mahsulotga oʻtishni qiyinlashtiradi?

Sharh ta’kidlagan eng muhim boʻshliqlardan biri mavjud piyoda bashorati ma’lumotlar toʻplamlari aqlli hassaning haqiqiy koʻrish nuqtasidan yigʻilmaganligidir. Avtomobil kamerasi taxminan barqaror va balandroq joylashgan boʻlsa, hassa ustidagi kamera pastroq boʻladi, yurish paytida tebranadi va yerga yaqin toʻsiqlar sabab koʻproq toʻsilishga duch kelishi mumkin.

Bu farq haqiqiy aqlli hassa uchun faqat koʻproq ma’lumot emas, toʻgʻri nuqtayi nazardan olingan ma’lumot kerakligini koʻrsatadi. Shu sababli mualliflar hassa balandligida olingan real dunyo tasvirlari, piyoda niyati yorliqlari va platforma harakatini ifodalovchi ma’lumotlarni tizimli ravishda yigʻishni kelajakdagi ustuvor yoʻnalishlardan biri sifatida belgilaydi.

Faol toʻsiqdan qochish qanday koʻrib chiqilishi mumkin?

Sharhda keltirilgan mobil robot tadqiqotlarida LSTM oldingi harakatlardan kelajakdagi joylashuvni bashorat qilish uchun ishlatiladi; bashorat qilingan toʻqnashuv ehtimoli keyin robotning qaror mexanizmiga uzatiladi. Shunday qilib, tizim toʻsiq juda yaqinlashgandan keyin javob berish oʻrniga ehtimoliy toʻqnashuvni oldindan hisobga olishi mumkin.

Aqlli hassadagi mos holat boshqacha. Robot oʻz motorini boshqarsa, hassa koʻp senariylarda qarorni oʻzi amalga oshirmaydi; foydalanuvchiga tebranish yoki ovozli ogohlantirish beradi. Shu sababli nafaqat bashorat aniqligi, balki ogohlantirishning tushunarliligi, vaqti, foydalanuvchiga tushadigan kognitiv yuk va yolgʻon ogohlantirish darajasi ham haqiqiy tizim ishlashining bir qismi boʻlishi kerak.

Joylashuvni aniqlashda LSTM qanday ishlatilishi mumkin?

Sharh, shuningdek, GPS/GNSS uzilishlari paytida IMU ma’lumotlaridagi vaqtli naqshlardan foydalanib joylashuvni baholashni qoʻllab-quvvatlaydigan LSTM tadqiqotlarini koʻrib chiqadi. Keltirilgan misollardan birida CNN-LSTM piyoda dead-reckoning tizimi taxminan 0,52 m RMSE bildirgan, ayrim GPS/INS tadqiqotlarida esa LSTM GNSS uzilishlarida an’anaviy usullarga qaraganda pastroq joylashuv xatosini ta’minlagan.

Bu tizimlarning hisoblash xarajati va sensor konfiguratsiyasi haqiqiy aqlli hassaning resurs byudjetidan farq qilishi mumkin. Shu sababli joylashuv natijalarini toʻgʻridan-toʻgʻri hassa ishlashi sifatida koʻchirish mumkin emas.

Nega bulut, V2X va 5G muhokama qilinadi?

Aqlli hassaning faqat mahalliy sensorlari koʻrish maydonidan tashqaridagi yaqinlashayotgan transport vositasi yoki svetofor fazasi kabi ma’lumotlarni bila olmaydi. Sharh IoT, V2X va 5G asosidagi ulanish bu yetishmayotgan atrof-muhit ma’lumotini toʻldirishi mumkinligini muhokama qiladi. Nazariy arxitekturada kam quvvatli qurilma asosiy bashoratni lokal bajaradi, murakkabroq modellar esa edge-cloud da ishga tushirilishi mumkin; muhim hodisalar masofaviy monitoring tizimlariga uzatilishi va yangi model ogʻirliklari OTA orqali qurilmaga tarqatilishi mumkin.

Biroq tadqiqot LSTM + V2X + 5G + haqiqiy aqlli hassa integratsiyasini tajribaviy tasdiqlamaydi. Tarmoq qamrovining uzilishi, kechikish, energiya sarfi va maxfiylik kabi masalalar real qoʻllashda alohida hal etilishi kerak.

Maxfiylik va foydalanuvchi xavfsizligi nega faqat algoritm muammosi emas?

RGB yoki RGB-D kameralar jamoat joyidagi boshqa odamlarni ham tasvirga olishi mumkin. Shu sababli sharh imkon qadar qurilmaning oʻzida qayta ishlash va ma’lumotlarni minimallashtirish kabi yondashuvlarning muhimligini ta’kidlaydi. Bundan tashqari, koʻrishda nuqsoni boʻlgan foydalanuvchilar bilan oʻtkaziladigan real dunyo tajribalari etik tasdiq va xabardor rozilik asosida amalga oshirilishi kerakligini urgʻulaydi.

Aqlli hassa kabi yordamchi texnologiyalarda yolgʻon manfiy bashorat ehtimoliy xavfni oʻtkazib yuborishi mumkin, haddan tashqari yolgʻon musbat ogohlantirishlar esa foydalanuvchini charchatib, tizimga ishonchni kamaytirishi mumkin. Sharh bu muvozanatni haqiqiy foydalanuvchilar bilan oʻlchagan uchidan-uchigacha LSTM asosidagi hassa tadqiqoti hali mavjud emasligini bildiradi.

Tadqiqot usuli va natijalari

Manbaning usuli

Bu tadqiqot yangi LSTM modelini oʻqitadigan yoki yangi aqlli hassa prototipini sinaydigan eksperimental tadqiqot emas. Mualliflar ishni aniq tarzda narrativ sharh deb ta’riflaydi. Maqsad LSTM asosidagi piyoda trayektoriyasi va niyat bashoratini, yengil model usullarini va aqlli hassa apparat talablarini bitta vazifa-apparat-algoritm doirasida birlashtirishdir.

Adabiyot qidiruvi IEEE Xplore, Web of Science, Scopus, PubMed va CNKI ma’lumotlar bazalarini qamrab oladi. Qidiruv davri Yanvar 1997–Iyun 2026 deb belgilangan. Boshlanish sanasi LSTM'ning asosiy tadqiqoti 1997 yilda chop etilganiga asoslanadi. Ishlatilgan qidiruv atamalari orasida “LSTM”, “long short-term memory”, “pedestrian trajectory”, “intention prediction”, “guide stick” va “smart cane” mavjud.

Kiritish yondashuvi uchta asosiy tadqiqot oilasiga qaratilgan: LSTM bilan piyoda trayektoriyasi/niyat bashorati, modelni siqish va edge deployment tadqiqotlari hamda koʻrishida nuqsoni boʻlgan insonlar uchun aqlli hassa/navigatsiya tizimlari. Hakamlikdan oʻtgan jurnal va konferensiya ishlariga ustuvorlik berilgan; aniq texnik hissa qoʻshadigan ayrim preprint va texnik hisobotlar ham adabiyot sinteziga kiritilgan.

Tadqiqot PRISMA asosidagi tizimli sharh emas. Nechta yozuv topilgani, nechtasi chiqarib tashlangani, qanday sabablarga koʻra chiqarilgani va tadqiqotlarning metodologik sifati qaysi standart vosita bilan baholangani berilmagan. Shu sababli natijalarni meta-analitik ta’sir kattaligi emas, balki mualliflarning adabiyotdan tuzgan texnik sintezi sifatida baholash kerak.

Tadqiqot savollari

Sharh ajratib koʻrsatgan besh yengillashtirish yondashuvi

Aqlli hassalar uchun baholangan sensor va platformalar

Eng muhim topilmalar

Birinchi topilma: Mavjud tipik aqlli hassa tadqiqotlarining aksariyati atrof-muhitni sezishda muvaffaqiyatli boʻlsa-da, harakatlanuvchi toʻsiqlarning kelajakdagi xatti-harakatini modellashtiruvchi haqiqiy vaqtli bashorat qatlami keng tarqalmagan.

Ikkinchi topilma: LSTM piyoda va transport vositasi trayektoriyasi tadqiqotlarida yetuk algoritmik ekotizimga ega. Social LSTM, SR-LSTM, attention asosidagi variantlar va multimodal modellar individual trayektoriyadan tashqari ijtimoiy va atrof-muhit kontekstini tizimga qoʻshish mumkinligini koʻrsatadi.

Uchinchi topilma: LSTM'ning mikrokontrollerlarda ishlashi faqat nazariy emas. Sharhda keltirilgan ARM Cortex-M4 tajribasi 136,5 KB hajmdagi INT8 DeepConv LSTM 21 ms inferensiyani bajara olganini koʻrsatadi. Biroq bu tajriba piyoda bashorati yoki aqlli hassa vazifasi emas.

Toʻrtinchi topilma: Arxitekturani soddalashtirish, past-rank ajratish, strukturaviy siqish, kvantlash va bilimni distillatsiya qilish kabi usullar LSTM'ning resurs talabini kamaytirishi mumkin. Bu usullarning natijalari turli ma’lumotlar toʻplamlari va apparatlardan olinganligi sababli ularni mutlaq tartiblash mumkin emas.

Beshinchi topilma: Mavjud ma’lumotlar toʻplamlari haqiqiy hassa perspektivasini yetarli darajada ifodalamaydi. Avtomobil ustidan yoki yuqoridan olingan tasvirlar hassa ishlatilishidagi past kamera balandligi, tebranish, toʻsilish va foydalanuvchining ego-harakatidan sezilarli darajada farq qiladi.

Oltinchi va eng muhim topilma: Koʻrib chiqilgan adabiyotda LSTM asosidagi piyoda bashorati, haqiqiy aqlli hassa apparati, koʻp sensorli sezish, xavfni darajalash va foydalanuvchi qayta aloqasini bitta tizimda birlashtirib, koʻrishida nuqsoni boʻlgan foydalanuvchilar bilan uchidan-uchigacha tasdiqlagan tadqiqot mavjud emas.

Tadqiqotning oʻz cheklovlari

Mualliflar sharh ingliz va xitoy tillaridagi nashrlar bilan cheklanganini, turli tadqiqotlardagi ishlash koʻrsatkichlari turli ma’lumotlar toʻplamlari va apparatlardan olinganini, standart aqlli hassa-LSTM benchmark'i yoʻqligini va shu sababli miqdoriy meta-tahlil qilinmaganini ta’kidlaydi. Usullar oʻrtasidagi taqqoslashlarning muhim qismi aynan bir xil tajriba sharoitida bajarilgan head-to-head sinovlar emas, balki adabiyotda xabar qilingan natijalarning sifatli sintezidir.

Manbadagi e’tibor talab qiladigan nuqtalar

Xavf chegaralari: Matndagi toʻrt darajali masofa tizimi bilan Shakl 2 dagi ikki chegarali xavf koʻrsatilishi aynan mos kelmaydi. Shu sababli bu yerda yagona aniq “LSTM hassa xavf standarti” yaratilmagan.

SVD siqish ifodasi: Matnda model parametrlarining %45 kamaygani va model hajmi asl hajmning %45 iga tushgani haqidagi ifodalar birga uchrasa, xulosa Tablo 4 “%45 hajm kamayishi” tarzida yozilgan. Hajmning %45 ga tushishi %55 kamayish degani boʻlgani uchun manbadagi bu ifodalar matematik jihatdan bir xil emas.

MCU dalilining vazifa chegarasi: DeepConv LSTM uchun berilgan 21 ms, 136,5 KB va %97 natijalari aqlli hassa yoki piyoda trayektoriyasi ma’lumotlar toʻplamida olinmagan. Shu sababli ular faqat apparatda qoʻllanuvchanlik uchun bilvosita referens sifatida ishlatilishi kerak.

Tijoriy mahsulotlar: WeWALK Smart Cane 2 va Glide kabi tijoriy mahsulotlar tadqiqotda misol sifatida koʻrib chiqiladi; mualliflar ularga oid ayrim xususiyat va ishlash ma’lumotlari ishlab chiqaruvchi hujjatlari/marketing materiallaridan olinganini va mustaqil hakamlikdan oʻtgan tasdiq yoʻqligini ochiq qayd etadi.

Manba va usul haqida izoh

Toʻliq asl tadqiqot nomi: A Survey of LSTM Pedestrian Intention Prediction and Lightweight Methods for Intelligent Guide Sticks

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

Mualliflar tartibi: Manbada berilgan shaklda saqlangan.

Mas’ul mualliflar: Fang Jing va Huafeng Qu.

Muassasalar: School of Information and Intelligent Engineering, Yunnan College of Business Management, Kunming, Xitoy; Institute of Visual Informatics, Universiti Kebangsaan Malaysia, Bangi, Selangor, Malayziya.

Manba turi: Hakamlikdan oʻtgan narrativ sharh maqolasi. Tadqiqot oʻz usul boʻlimida PRISMA asosidagi tizimli sharh emasligini aniq qayd etadi.

Jurnal: Future Internet.

Nashriyot: MDPI, Basel, Switzerland.

Jild / son / maqola raqami: 18 / 7 / 362.

DOI: 10.3390/fi18070362

Qabul qilingan sana: 8 Iyun 2026.

Reviziya sanasi: 11 Iyul 2026.

Qabul sanasi: 13 Iyul 2026.

Nashr sanasi: 15 Iyul 2026.

Hakamlik holati: Future Internet hakamlikdan oʻtadigan ilmiy jurnaldir va bu manba chop etilgan sharh maqolasidir.

Litsenziya: Creative Commons Attribution (CC BY).

Rasmiy nashr havolasi:https://doi.org/10.3390/fi18070362

Adabiyot qidiruvi qamrovi: IEEE Xplore, Web of Science, Scopus, PubMed va CNKI; Yanvar 1997–Iyun 2026. Tadqiqot ingliz va xitoy tillaridagi adabiyot bilan cheklangan. Hakamlikdan oʻtgan nashrlar bilan birga aniq texnik hissa qoʻshadi deb hisoblangan ayrim preprint va texnik hisobotlar ham koʻrib chiqishga kiritilgan.

Yangi ma’lumot yaratish: Tadqiqotda yangi ma’lumot yaratilmagan yoki tahlil qilinmagan; natijalar mavjud adabiyot sinteziga asoslanadi.

Moliyalashtirish: Tadqiqot Yunnan College of Business Management Scientific Research Foundation doirasidagi “Design of Intelligent Guide Stick System Based on ESP32 Chip”, Loyiha No. 2026XK23 tomonidan moliyalashtirilgan.

Manfaatlar toʻqnashuvi: Mualliflar manfaatlar toʻqnashuvi yoʻqligini bildirgan.

Muallif hissalari: Konseptual doira va tadqiqot usuli Yijia Cai; manba koʻmagi Huafeng Qu; reviziya Yuxi Xie, Huafeng Qu va Shafrida Sahrani; loyiha yoʻnaltirish va boshqaruvi Fang Jing tomonidan bajarilgan. Dastlabki qoralama Yijia Cai tomonidan tayyorlangan.

Ilmiy talqin chegarasi: Ushbu manba LSTM asosidagi piyoda niyatini bashorat qilish haqiqiy aqlli hassada muvaffaqiyatli tasdiqlanganini koʻrsatmaydi. Xulosa turli tadqiqotlardagi piyoda bashorati modellari, mobil robot tajribalari, joylashuv tizimlari, aqlli hassa sensor arxitekturalari va alohida MCU LSTM deployment tadqiqotlarini birgalikda baholashga asoslanadi. “Qoʻllanuvchanlik” bu yerda toʻgʻridan-toʻgʻri mahsulotni tasdiqlash emas, balki adabiyotdan chiqarilgan texnik salohiyatni anglatadi.

Ma’lumotlar toʻplami cheklovi: JAAD, PIE, PedSynth, ETH/UCY, BDD100K va MS COCO kabi asosiy ochiq ma’lumot manbalari aqlli hassaning past, qoʻlda koʻtariladigan va tebranadigan nuqtayi nazarini bevosita ifodalamaydi. Tadqiqot buni haqiqiy dunyoga oʻtishning asosiy ma’lumot toʻsigʻlaridan biri sifatida baholaydi.

Manba ichki izchilligi haqida izoh: Xavf masofasi tasnifida matn bilan Shakl 2 orasida turli chegara koʻrsatishlari mavjud. SVD siqish foizining ifodasida ham asosiy matn bilan xulosa jadvali aynan bir xil matematik ta’rifni ishlatmaydi. Bu farqlar Verianla matnida jim tarzda tuzatilmagan.

Verianla Live izohi: Maqoladagi jarayon vizualizatsiyasi manba tadqiqotning Shakl 1–3 dagi sensor, vaqt qatori, LSTM, xavf va qayta aloqa arxitekturasidan kelib chiqqan. Sonli model hajmi taqqoslash esa manba sharhida keltirilgan ayni INT8 DeepConv LSTM misolidagi 513 KB va 136,5 KB qiymatlari bilan cheklangan. Turli tadqiqotlarning turli birlik va vazifalardagi ishlash qiymatlari bitta grafikda birlashtirilmagan.