Прогнозування місій робототехнічних платформ з використанням Kernel Activation Network з асиметричним ядром

Автор(и)

  • Олександр Ігорович Лактіонов Національний університет «Полтавська політехніка імені Юрія Кондратюка», Україна https://orcid.org/0000-0002-5230-524X
  • Аліна Сергіївна Янко Національний університет «Полтавська політехніка імені Юрія Кондратюка», Україна https://orcid.org/0000-0003-2876-9316
  • Богдан Радиславович Боряк Національний університет «Полтавська політехніка імені Юрія Кондратюка», Україна https://orcid.org/0000-0002-8114-7930
  • Олексій Валерійович Михайліченко Національний університет «Полтавська політехніка імені Юрія Кондратюка», Україна https://orcid.org/0009-0009-3512-0030

DOI:

https://doi.org/10.15587/1729-4061.2025.340833

Ключові слова:

прогнозування функціоналу, взаємодія факторів, несиметричне ядро, нейронна мережа, робототехнічна платформа

Анотація

Об'єктом дослідження є процеси прогнозування функціональної ефективності робототехнічних платформ, що впливають на оптимізацію планування їхніх місій. В умовах зростаючого попиту на автономні мобільні системи критичною проблемою є забезпечення високої ефективності їхньої динаміки за різних навантажень, рельєфів та швидкостей, що вимагає надійних інструментів для ухвалення рішень ще до фізичного запуску.

Для вирішення проблеми розроблено та програмно реалізовано метод на основі кастомізованої Kernel Activation Network (KAN), що прогнозує функціональну ефективність платформи. Результати демонструють значне підвищення точності: KAN досягає MSE 0.00055727 на синтетичних даних та 0.00041720 на експериментальній вибірці, тоді як інші архітектури демонструють 0.00105989 і вище.

Ключова інновація KAN – використання несиметричного хі-квадрат ядра паралельно з Гаусовим ядром, а також інтеграція вхідних оцінок, що враховують потрійну взаємодію факторів. Це пояснює здатність мережі ефективно фіксувати складні нелінійні залежності між численними параметрами платформи (опір кочення, аеродинамічний опір, сила скелелазіння тощо) та умовами середовища. Застосування несиметричного ядра значно спрощує архітектуру мережі, дозволяючи досягти високої точності при меншій обчислювальній складності.

На практиці отримані результати слугують додатковим інструментом для оптимізації планування місій робототехнічних платформ. Це дозволяє оптимізувати вибір обладнання, розробляти стратегічні логістичні маршрути, підвищувати безпеку та надійність автономних систем у реальних умовах. Досягнутий Technology Readiness Level становить 4

Біографії авторів

Олександр Ігорович Лактіонов, Національний університет «Полтавська політехніка імені Юрія Кондратюка»

Кандидат технічних наук

Кафедра автоматики, електроніки та телекомунікацій

Аліна Сергіївна Янко, Національний університет «Полтавська політехніка імені Юрія Кондратюка»

Кандидат технічних наук, доцент

Кафедра комп'ютерних та інформаційних технологій і систем

Богдан Радиславович Боряк, Національний університет «Полтавська політехніка імені Юрія Кондратюка»

Кандидат технічних наук

Кафедра автоматики, електроніки та телекомунікацій

Олексій Валерійович Михайліченко, Національний університет «Полтавська політехніка імені Юрія Кондратюка»

Аспірант

Кафедра автоматики, електроніки та телекомунікацій

Посилання

  1. Yanko, A., Pedchenko, N., Kruk, O. (2024). Enhancing the protection of automated ground robotic platforms in the conditions of radio electronic warfare. Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu, 6, 136–142. https://doi.org/10.33271/nvngu/2024-6/136
  2. Papadopoulos, C., Mitridis, D., Yakinthos, K. (2022). Conceptual Design of a Novel Unmanned Ground Effect Vehicle (UGEV) and Flow Control Integration Study. Drones, 6 (1), 25. https://doi.org/10.3390/drones6010025
  3. Yanko, A., Krasnobayev, V., Martynenko, A. (2023). Influence of the number system in residual classes on the fault tolerance of the computer system. Radioelectronic and Computer Systems, 3, 159–172. https://doi.org/10.32620/reks.2023.3.13
  4. Krasnobayev, V., Yanko, A., Kovalchuk, D. (2023). Control, Diagnostics and Error Correction in the Modular Number System. Computer Modeling and Intelligent Systems, 3392, 199–213. https://doi.org/10.32782/cmis/3392-17
  5. Trujillo, J.-C., Munguia, R., Grau, A. (2021). Aerial Cooperative SLAM for Ground Mobile Robot Path Planning. The 8th International Symposium on Sensor Science, 65. https://doi.org/10.3390/i3s2021dresden-10164
  6. Asiminari, G., Moysiadis, V., Kateris, D., Busato, P., Wu, C., Achillas, C. et al. (2024). Integrated Route-Planning System for Agricultural Robots. AgriEngineering, 6 (1), 657–677. https://doi.org/10.3390/agriengineering6010039
  7. Yu, S., Hirche, M., Huang, Y., Chen, H., Allgöwer, F. (2021). Model predictive control for autonomous ground vehicles: a review. Autonomous Intelligent Systems, 1 (1). https://doi.org/10.1007/s43684-021-00005-z
  8. Macaulay, M. O., Shafiee, M. (2022). Machine learning techniques for robotic and autonomous inspection of mechanical systems and civil infrastructure. Autonomous Intelligent Systems, 2 (1). https://doi.org/10.1007/s43684-022-00025-3
  9. Rybczak, M., Popowniak, N., Lazarowska, A. (2024). A Survey of Machine Learning Approaches for Mobile Robot Control. Robotics, 13 (1), 12. https://doi.org/10.3390/robotics13010012
  10. Golub, V., Bisyk, S., Golub, G., Tsyvenkova, N., Sedov, S., Nadykto, V. et al. (2025). Devising a method for categorizing combat wheeled vehicles using fuzzy cluster analysis. Eastern-European Journal of Enterprise Technologies, 2 (1 (134)), 13–21. https://doi.org/10.15587/1729-4061.2025.324546
  11. Laktionov, O., Yanko, A., Pedchenko, N. (2024). Identification of air targets using a hybrid clustering algorithm. Eastern-European Journal of Enterprise Technologies, 5 (4 (131)), 89–95. https://doi.org/10.15587/1729-4061.2024.314289
  12. Barus, E. S., Zarlis, M., Nasution, Z., Sutarman, S. (2025). Development of machine learning for forecasting optimization implemented in morphology plant growth. Eastern-European Journal of Enterprise Technologies, 3 (2 (135)), 42–53. https://doi.org/10.15587/1729-4061.2025.331745
  13. Harumy, H. F., Ginting, D. S., Manik, F. Y., Yel, M. B. (2025). Dominant disaster detection and prediction in coastal areas using neural network system to optimize disaster management in coastal areas. Eastern-European Journal of Enterprise Technologies, 2 (2 (134)), 6–16. https://doi.org/10.15587/1729-4061.2025.321966
  14. Laktionov, A. (2021). Improving the methods for determining the index of quality of subsystem element interaction. Eastern-European Journal of Enterprise Technologies, 6 (3 (114)), 72–82. https://doi.org/10.15587/1729-4061.2021.244929
  15. Bai, Y. (2022). RELU-Function and Derived Function Review. SHS Web of Conferences, 144, 02006. https://doi.org/10.1051/shsconf/202214402006
  16. Bolohin, A., Bolohina, Y., Tymchuk, Y. (2025). Ranking of the technical condition of aircraft according to the diagnostic data of the glider design. System Research and Information Technologies, 2, 98–105. https://doi.org/10.20535/srit.2308-8893.2025.2.06
  17. Hryshchuk, O., Zagorodnyuk, S. (2025). Managing energy consumption in FPGA-based edge computing systems with soft-core CPUs. Journal of Edge Computing, 4 (1), 57–72. https://doi.org/10.55056/jec.717
  18. Kumar Malik, M., Joshi, H., Swaroop, A. (2025). An Effective Hybrid HBA-MAO for Task Scheduling with a Hybrid Fault-Tolerant Approach in Cloud Environment. International Journal of Image, Graphics and Signal Processing, 17 (4), 68–86. https://doi.org/10.5815/ijigsp.2025.04.05
  19. Sveshnikov, S., Bocharnikov, V., Mudrak, Y. (2024). Evaluation and choice of an anti-aircraft missile system under uncertain conditions based on fuzzy-integral calculus and hierarchical cluster analysis. Operations Research and Decisions, 34 (2). https://doi.org/10.37190/ord240209
  20. Lutsyk, Y., Parkhomenko, P., Demeniev, O., Alimov, D. (2023). Analysis of the defense planning system based on the capabilities taking into account the leading experience of NATO member states. Modern Economics, 41, 73–78. https://doi.org/10.31521/modecon.v41(2023)-11
  21. Manziuk, E. (2022). Intelligent information technology for obtaining trust decisions based on the ontology of trust in a human-centered approach. Computer Systems and Information Technologies, 1, 83–88. https://doi.org/10.31891/csit-2022-1-11
  22. Volkov, V., Taran, I., Volkova, T., Pavlenko, O., Berezhnaja, N. (2020). Determining the efficient management system for a specialized transport enterprise. Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu, 4, 185–191. https://doi.org/10.33271/nvngu/2020-4/185
  23. Bazarnyi, S., Husak, Y., Voitko, T., Aliew, F., Yevseiev, S. (2025). Mathematical model of multi-domain interaction based on game theory. Advanced Information Systems, 9 (3), 22–31. https://doi.org/10.20998/2522-9052.2025.3.03
  24. Ponochovniy, Y., Bulba, E., Yanko, A., Hozbenko, E. (2018). Influence of diagnostics errors on safety: Indicators and requirements. 2018 IEEE 9th International Conference on Dependable Systems, Services and Technologies (DESSERT), 53–57. https://doi.org/10.1109/dessert.2018.8409098
  25. Yanko, A., Hlushko, A., Onyshchenko, S., Maslii, O. (2023). Economic cybersecurity of business in Ukraine: strategic directions and implementation mechanism. Economic and Cyber Security, 30–58. https://doi.org/10.15587/978-617-7319-98-5.ch2
  26. Jarema, R. (2018). 10 Steps to Choosing the Right Motors for Your Robotic Project. Husarion Blog, Medium. Available at: https://medium.com/husarion-blog/10-steps-to-choosing-the-right-motors-for-your-robotic-project-bf5c4b997407
  27. Larminie, J., Lowry, J. (2012). Electric Vehicle Technology Explained. John Wiley & Sons. https://doi.org/10.1002/9781118361146
  28. MinMaxScaler. Scikit-learn developers. Available at: https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.MinMaxScaler.html
  29. StandardScaler. Scikit-learn developers. Available at: https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.StandardScaler.html
  30. Berrar, D. (2019). Cross-Validation. Encyclopedia of Bioinformatics and Computational Biology, 542–545. https://doi.org/10.1016/b978-0-12-809633-8.20349-x
  31. BRouter-Web. BRouter. Available at: https://brouter.de/brouter-web
  32. torch. PyPI. Available at: https://pypi.org/project/torch/
  33. Netron. Netron developers. Available at: https://netron.app/
  34. Onyshchenko, S., Zhyvylo, Y., Hlushko, A., Bilko, S. (2024). Cyber risk management technology to strengthen the information security of the national economy. Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu, 5, 136–142. https://doi.org/10.33271/nvngu/2024-5/136
Прогнозування місій робототехнічних платформ з використанням Kernel Activation Network з асиметричним ядром

##submission.downloads##

Опубліковано

2025-09-25

Як цитувати

Лактіонов, О. І., Янко, А. С., Боряк, Б. Р., & Михайліченко, О. В. (2025). Прогнозування місій робототехнічних платформ з використанням Kernel Activation Network з асиметричним ядром. Eastern-European Journal of Enterprise Technologies, 5(9 (137), 93–103. https://doi.org/10.15587/1729-4061.2025.340833

Номер

Том 5 № 9 (137) (2025): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2025 Oleksandr Laktionov, Alina Yanko, Bohdan Boriak, Oleksii Mykhailichenko

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.