Details

Тема выпускной квалификационной работы «Разработка алгоритмов прогнозирования траектории движения». Данная работа посвящена разработке гибридного алгоритма построения траектории движения объекта в условиях частичной информации и шумов. Предложенный подход объединяет преимущества нейросетевого предсказания (модель LSTM), фильтрации (фильтр Калмана) и классического планирования (алгоритм A*), обеспечивая устойчивость, адаптивность и интерпретируемость маршрута. Проведён обзор существующих методов планирования и прогнозирования траекторий, включая социально-осведомлённые модели, пространственные представления среды, генерацию данных и state-of-the-art решения. Реализован программный прототип на языке Python, включающий генерацию синтетических траекторий и лабиринтов, реализацию всех компонентов системы и визуализацию результатов. Экспериментальная часть включает сравнение с алгоритмами Dijkstra, Greedy и классическим A*, а также проверку устойчивости к зашумлённым входным данным. Полученные результаты подтверждают эффективность гибридного подхода и его применимость в задачах автономной навигации, робототехники и интеллектуальных транспортных систем.

The topic of the final qualifying work is “Development of algorithms for predicting the trajectory of movement”. This work is devoted to the development of a hybrid algorithm for constructing the trajectory of an object’s movement under conditions of partial information and noise. The proposed approach combines the advantages of neural prediction (using an LSTM model), filtering (Kalman filter), and classical planning (A* algorithm), ensuring stability, adaptability, and interpretability of the resulting path. A comprehensive review of existing methods is provided, including socially-aware models, spatial representations of the environment, data generation techniques, and state-of-the-art systems. A Python-based prototype has been implemented, featuring synthetic trajectory and maze generation, full component implementation, and result visualization. The experimental evaluation includes comparisons with Dijkstra, Greedy Best-First Search, and classical A*, as well as robustness testing under noisy input data. The results confirm the effectiveness of the hybrid approach and its applicability to autonomous navigation, mobile robotics, and intelligent transport systems.

• Введение
• 1. Обзор предметной области
  • 1.1. Актуальные задачи прогнозирования траектории
    • 1.1.1. Применение в автономном вождении и логистике
    • 1.1.2. Условия и сложности задачи
  • 1.2. Классические алгоритмы планирования
  • 1.3. Методы предсказания поведения
  • 1.4. Алгоритмы фильтрации и стабилизации
  • 1.5. Выводы и критерии оценки
  • 1.6. Групповые взаимодействия в задачах прогнозирования
  • 1.7. Пространственные представления и форматы карт
  • 1.8. Роль симуляторов и генераторов данных
  • 1.9. Обзор современных комплексных решений (state-of-the-art)
  • 1.10. Ограничения существующих подходов
• 2. Архитектура платформы
  • 2.1. Архитектура и принцип работы гибридного подхода
  • 2.2. Математические модели
    • 2.2.1. Модель LSTM-сети
    • 2.2.2. Фильтр Калмана
  • 2.3. Схема взаимодействия компонентов
  • 2.4. Описание новизны подхода
  • 2.5. Выводы
• 3. Реализация прототипа платформы
  • 3.1. Стек технологий
  • 3.3. Генерация данных: траектории и лабиринты
    • 3.3.1. Генерация синтетической траектории
    • 3.3.2. Генерация случайного лабиринта
  • 3.4. Реализация компонентов
    • 3.4.1. LSTM: Предсказание траектории
    • 3.4.2. Kalman: Сглаживание координат
    • 3.4.3. A*: Планирование маршрута
• 4. Результаты
  • 4.1. Методика экспериментов
  • 4.2. Сравнение с базовым A*
  • 4.3. Устойчивость к шуму
  • 4.4. Сравнение с Dijkstra и Greedy Best-First
  • 4.5. Выводы по главе
• Заключение
• Список использованных источников