دانلود پایان نامه شبکه های عصبی عمیق پویای تطبیقی برای سیستم های خودمختار

1. مقدمه و بستر تست 2. چارچوب ناوبری سلسله‌مراتبی 3. شبکه‌های عصبی عمیق پویای تطبیقی 4. کاهش اثرات مصنوعات دنیای واقعی 5. نتیجه‌گیری

چکیده – عملکرد خودمختار ربات‌ها و حسگرها در محیط‌های دورافتاده و ناشناخته، نیازمند یک رویکرد بین‌رشته‌ای دقیق است که پل ارتباطی میان علوم کامپیوتر، ریاضیات و مهندسی باشد. چالش اصلی در استقرار مجموعه‌های کامل خودمختاری، مدیریت جریان چرخه‌ای داده‌ها، از اکتساب اولیه (داده‌های خام) تا ادراک میانی و پیش‌بینی‌های نهایی است. در حالی که شبکه‌های عصبی عمیق (DNN) ادراک و منطق پیشرفته‌ای را فراهم می‌کنند، از نظر محاسباتی سنگین و در ذات خود ایستا هستند. این موضوع با محدودیت منابع در سیستم‌های راه دور که با پردازنده‌های تعبیه‌شده (Embedded)، حسگرهای سبک‌وزن و ذخایر انرژی محدود دست‌وپنجه نرم می‌کنند، در تضاد است. شبکه‌های عصبی عمیق پویا (DDNN) با فراهم کردن امکان شاخه‌بندی و مقیاس‌بندی در زمان اجرا (Runtime)، نویدبخش کاهش این گلوگاه هستند، اما اغلب فاقد «آگاهی از زمینه» (Context Awareness) می‌باشند. در این تحقیق، روش‌شناسی‌ها و کاربردهای سرتاسری (End-to-end) با تمرکز بر توسعه شبکه‌های عصبی عمیق پویای تطبیقی (ADDNN) ارائه شده است؛ این شبکه‌ها در قالب چارچوب‌های نوین به کار گرفته شده‌اند تا خط لوله‌ی ادراک و ناوبری را با توانایی انتخاب هوشمندانه زمان و چگونگی شاخه‌بندی و مقیاس‌بندی، تقویت کنند. در نهایت، این پژوهش نشان می‌دهد که ADDNNها می‌توانند با بهبود همزمان و قابل‌توجه کارایی و دقت، توازن (Trade-off) سنتی میان این دو را از بین ببرند. شواهد برای اثبات این ادعا، ابتدا از طریق توسعه یک بستر تست «سخت‌افزار در حلقه» (HIL) مستحکم جمع‌آوری شده است که شبیه‌سازی با وفاداری بالا (Microsoft AirSim) را با استقرار روی سخت‌افزار محاسبات لبه (NVIDIA Jetson) ترکیب می‌کند. این پیکربندی، تأخیر استنتاج، توان مصرفی و میزان مصرف انرژی را در برابر دقت ناوبری به‌طور دقیق ارزیابی می‌کند. یک چارچوب ناوبری منعطف طراحی و در این بستر پیاده‌سازی شده است. در هسته آن، یک سیاست میان‌سطحی تعمیم‌یافته قرار دارد که از ترکیبی از الگوریتم‌های مبتنی بر قانون، یادگیری آغازین (یا تقلیدی) و یادگیری تقویت‌شده عمیق (DRL) برای تولید اقدامات حرکتی تعمیم‌یافته در پاسخ به مشاهدات حسگرهای آنبرد استفاده می‌کند. نقطه قوت کلیدی این سیاست میان‌سطحی، قابلیت استقرار آن در کنترل‌کننده‌های بلادرنگ مختلف است که حلقه میان حسگری و عملگری را برای کالبدهای (Embodiments) مختلف ربات می‌بندد. ساختار ماژولار چارچوب ناوبری سلسله‌مراتبی، امکان انطباق با پیکربندی‌های مختلف حسگر و پیچیدگی‌های محیطی را با کمترین نیاز به بازآموزی و بدون نیاز به تنظیم دقیق (Fine-tuning) فراهم می‌کند. این سیستم در ادامه با یک سیاست سطح‌بالا از طریق ادغام مدل‌های زبانی بزرگ چندوجهی (MLLM) پیشرفته تقویت شده است که برای نظارت و بهبود عملکرد کل چارچوب به روش «صفر-نمونه» (Zero-shot) استفاده می‌شوند. در نهایت، ملاحظاتی در مورد «مصنوعات» (Artifacts) ذاتی داده‌های علمی دنیای واقعی که از طریق ترکیبی از محاسبات آنبرد و آفبرد پردازش می‌شوند، برای دو وظیفه پایین‌دستی در نظر گرفته شده است: مدل‌سازی تبخیر-تعرق در محیط‌های حوزه آبخیز، و طبقه‌بندی خودمختار نمونه‌های زمین‌شناسی برای مأموریت‌های مریخی و ماه. این ملاحظات مواردی همچون نسبت پایین سیگنال به نویز، داده‌های مفقود ناشی از خرابی ابزار یا خطای انسانی، تعیین مقدار و کاهش عدم قطعیت، و تلفیق حسگرهای ناهمگون را شامل می‌شود.

Autonomous operation of robots and sensors in remote, unknown environments require a rigorous interdisciplinary approach bridging computer science, mathematics, and engineering. A central challenge in deploying full autonomy stacks is managing the cyclic flow of data from raw acquisition to intermediate perception and final predictions. While deep neural networks (DNN) enable advanced perception and logic, they are computationally demanding and static in nature. This clashes with the resource demands of remote systems which are constrained by embedded processors, lightweight sensors, and limited energy reservoirs. Dynamic DNNs (DDNN) provide great promise in mitigating this bottleneck by enabling runtime branching and scaling, but they often lack context awareness. Presented are end-to-end methodologies and applications focused on the development of adaptive DDNNs (ADDNN), which are demonstrated in novel frameworks to augment perception and navigation pipelines with the ability to intelligently select when and how to branch and scale. Ultimately, this research demonstrates that ADDNNs can break the traditional trade-off between efficiency and accuracy, by simultaneously, and significantly, improving both. Evidence to support this claim is collected by first developing a robust hardware-in-the-loop (HIL) testbed, that combines high-fidelity simulation (Microsoft AirSim) with deployment on edge computing hardware (NVIDIA Jetson). This setup rigorously benchmarks inference latency, power consumption, and energy expenditure, against navigation accuracy. A flexible navigation framework is designed and deployed to this testbed. At its core, is a generalized mid-level policy that uses a combination of rule-based, initiation learning, and deep reinforcement learning (DRL) algorithms to generate generalized motion actions in response to onboard sensor observations. A key strength of the mid-level policy is in its ability to be deployed to various real-time controllers, closing the loop between sensing and actuation for varying robot embodiments. The modular structure of the hierarchical navigation framework allows for varying sensor configurations and environmental complexities with little retraining and no fine tuning. This is further augmented with a high-level policy by integrating cutting-edge multimodal large language models (MLLMs), which are used to supervise and improve the performance of the entire framework in a zero-shot manner. Finally, considerations are taken into artifacts that are inherent with real-world scientific data that is processed through a combination of onboard and offboard computing, for two downstream tasks: modeling evapotranspiration in watershed environments, and autonomously classifying geological samples for Martian and lunar missions. Such considerations are taken in poor signal-to-noise ratios, missing data due to instrumental failure and human error, uncertainty quantification and reduction, and heterogeneous sensor fusion.