Розробка інтелектуальної системи аналізу та передбачення руху об’єктів у динамічному середовищі

Abstract

UA : Робота викладена на 88 сторінках друкованого тексту, містить 14 рисунків, 11 таблиць, 31 джерело, 9 додатків. Об’єкт дослідження – процес аналізу та передбачення руху об’єктів у динамічному середовищі з використанням методів глибокого навчання та комп’ютерного зору. Мета роботи полягає у розробці інтелектуальної системи аналізу та передбачення руху об’єктів у динамічному середовищі на основі нейромережевої моделі YOLOv12, а також її експериментальному тестуванні. Методи дослідження – теоретичний та порівняльний аналіз, машинне навчання (детекція об’єктів, кластеризація), математичне моделювання (екстраполяція, проективна геометрія), емпіричне дослідження та тестування. У роботі досліджено еволюцію методів детекції та трекінгу об’єктів. Спроєктовано модульну конвеєрну архітектуру системи. Створено кастомний датасет за допомогою симуляції в Unreal Engine 5 та навчено модель YOLOv12n, що забезпечує високу точність детекції. Реалізовано алгоритм компенсації руху камери за допомогою матриці гомографії та оптичного потоку. Розроблено підсистему аналізу траєкторій, яка включає обчислення швидкості, детекцію відскоків та виявлення стін методом DBSCAN, а також підсистему прогнозування зіткнень. Проведено експериментальне тестування, яке підтвердило виконання функціональних та нефункціональних вимог до продуктивності та точності системи.EN : The work is presented on 88 pages of printed text, 14 figure, 11 tables, 31 references, 9 annexes. The object of study is the process of analyzing and predicting object movement in a dynamic environment using deep learning and computer vision methods. The purpose of the work is to develop an intelligent system for object movement analysis and prediction in a dynamic environment based on the YOLOv12 neural network model, as well as its experimental testing. Research methods – theoretical and comparative analysis, machine learning (object detection, clustering), mathematical modeling (extrapolation, projective geometry), empirical research and testing. The paper investigates the evolution of object detection and tracking methods. A modular pipeline architecture of the system is designed. A custom dataset was created using simulation in Unreal Engine 5, and the YOLOv12n model was trained, providing high detection accuracy. An algorithm for camera motion compensation using a homography matrix and optical flow was implemented. A trajectory analysis subsystem was developed, which includes velocity calculation, bounce detection, and wall detection using the DBSCAN method, as well as a collision prediction subsystem. Experimental testing was conducted, which confirmed the fulfillment of functional and non-functional requirements for the system’s performance and accuracy.