SUN'IY INTELLEKT YORDAMIDA BOSHQARILADIGAN AVTOMOBILLARNING ISHLASH JARAYONI VA AFZALLIKLARI

newjournal.org zenodo.org 1 SUN’IY INTELLEKT YORDAMIDA BOSHQARILADIGAN AVTOMOBILLARNING ISHLASH JARAYONI VA AFZALLIKLARI Ilmiy rahbar: D.Inamov Namangan Davlat Texnika Universiteti M-22-ITT-25 guruh magistr talabasi Yoqubjonov Furqatjon Davlatali o’g’li Telefon: +998937454102 E-mail: [email protected] Annotatsiya: Ushbu tadqiqot sun’iy intellekt asosida boshqariladigan avtonom avtomobillarning hisoblash arxitekturasi, sensorli ma’lumotlarni qayta ishlash jarayonlari va qaror qabul qilishni modellashtiruvchi algoritmik tizimlarini ilmiynazariy jihatdan tahlil qiladi. Avtomatlashtirilgan boshqaruv muhitida ko‘pkanalli sensor integratsiyasi, neyron tarmoqlar orqali prediktiv baholash hamda muhitni kontekstual identifikatsiyalash mexanizmlari o‘zaro bog‘liq dinamik tizim sifatida sharhlanadi. Tadqiqot natijalari AI-ga asoslangan transport tizimlarining xavfsizlik barqarorligini mustahkamlash, inson omilidan kelib chiqadigan xatoliklarni minimallashtirish va zamonaviy mobilitet infratuzilmasini optimallashtirishdagi ilmiyamaliy ahamiyatini asoslab beradi. Kalit so‘zlar: avtonom boshqaruv, algoritmik tahlil, sensor integratsiyasi, neyron tarmoqlar, kontekstual identifikatsiya, prediktiv modellashtirish, intellektual transport tizimi Aннотация: В данной работе проводится теоретико-научный анализ вычислительной архитектуры автономных автомобилей, функционирующих на основе искусственного интеллекта, а также алгоритмов обработки сенсорных данных и моделей интеллектуального принятия решений. Многоканальная интеграция сенсоров, предиктивные расчёты, выполняемые нейронными сетями, и контекстуальная идентификация окружающей среды рассматриваются как взаимосвязанные элементы динамической системы управления. Полученные результаты подтверждают значимость AI-технологий в повышении уровня транспортной безопасности, снижении ошибок человеческого фактора и оптимизации современной мобильной инфраструктуры. newjournal.org zenodo.org 2 Ключевые слова: автономное управление, алгоритмическая обработка, сенсорная интеграция, нейронные сети, контекстуальная идентификация, предиктивное моделирование, интеллектуальная транспортная система. Abstract: This study provides a theoretical and scientific examination of the computational architecture of AI-driven autonomous vehicles, focusing on sensor data processing mechanisms and algorithmic decision-making models. Multichannel sensor integration, neural-network-based predictive evaluation, and contextual environmental identification are analyzed as interdependent components of a dynamic control system. The findings emphasize the scientific and practical significance of AI-enabled mobility solutions in enhancing transportation safety, reducing human-factor errors, and optimizing modern mobility infrastructure. Keywords: autonomous control, algorithmic processing, sensor integration, neural networks, contextual identification, predictive modeling, intelligent transportation system Avtomobil sanoatining shakllanishi sanoat inqilobidan keyingi global texnologik o‘zgarishlarning eng muhim yo‘nalishlaridan biri sifatida e’tirof etiladi. 19-asr oxirida G‘arb davlatlarida paydo bo‘lgan dastlabki avtomobil yig‘ish jarayonlari asosan kichik ustaxonalardagi qo‘lda bajariladigan mexanik amaliyotlarga tayanardi. Biroq 20-asr davomida texnologik taraqqiyot, yirik korporatsiyalar o‘rtasidagi ishlab chiqarish kooperatsiyasi va massaviy ishlab chiqarish tamoyilining shakllanishi avtomobilsozlikni murakkab, yuqori avtomatlashtirilgan sanoat tizimiga aylantirdi. Bu jarayon transport vositalari narxining pasayishi, bozorlardagi raqobatning keskinlashuvi va dunyo miqyosida avtomobillardan foydalanishning ommalashuvi bilan chambarchas bog‘liq bo‘ldi. Transmilliy konsernlarning integratsiyalashuv jarayonlari (masalan, Ford– Mazda, Volkswagen–Audi–Skoda ittifoqlari) sanoatning global tarmoqlarga birlashishiga olib keldi. Ushbu integratsiya ishlab chiqarish jarayonlarining texnologik uyg‘unlashuvini, xalqaro sifat standartlarining bir xilligini hamda qo‘shilgan qiymat zanjirlarining barqaror shakllanishini ta’minladi. O‘zbekiston avtomobil sanoati esa mustaqillikdan so‘ng boshlangan iqtisodiy modernizatsiya siyosati natijasida shakllangan strategik tarmoqlardan biri sifatida newjournal.org zenodo.org 3 maydonga chiqdi. Asakadagi “O‘zDEUavto” korxonasining tashkil etilishi va uning keyinchalik GM bilan hamkorlikda modernizatsiya qilinishi mamlakatda texnologik transfer, zamonaviy ishlab chiqarish liniyalari va mahalliylashtirish darajasining ortishi uchun muhim poydevor yaratdi. Mahalliy ehtiyot qismlar ulushining bosqichmabosqich oshib borishi esa milliy avtomobil sanoatining o‘ziga xos barqaror rivojlanish indikatoridir. Shuningdek, Samarqanddagi “SamKochAvto” loyihasi og‘ir transport vositalari segmentida yangi ishlab chiqarish zanjirini shakllantirdi va mintaqaviy bozorni kengaytirdi. Shu tariqa avtomobil sanoatining tarixiy evolyutsiyasi mazkur tarmoqning nafaqat iqtisodiy o‘sishning drayveri ekanligini, balki mamlakatning texnologik mustaqilligi, sanoat salohiyati va eksport imkoniyatlarining kuchayishida muhim o‘rin tutishini isbotlaydi. Avtonom boshqaruv tizimlari esa zamonaviy transport sohasining eng ilg‘or yo‘nalishlaridan biri bo‘lib, ular transport vositasining inson ishtirokisiz mustaqil qaror qabul qilish qobiliyatiga tayanadi. Bunday tizimlar ko‘p bosqichli hisoblash jarayonlari, sensorli ma’lumotlarning uzluksiz integratsiyasi va harakat strategiyasini aniq aniqlovchi algoritmik modellar asosida ishlaydi. Avtonom boshqaruv tashqi muhit to‘g‘risidagi real vaqtli axborotni qayta ishlaydi, to‘siqlarni aniqlaydi, harakat trayektoriyasini optimallashtiradi, xavf tug‘ilganda esa muqobil xavfsiz strategiyalarni avtomatik ishga tushiradi. Ushbu tamoyil chuqur o‘rganish algoritmlari, neyron tarmoqlar, prediktiv modellashtirish va aqlli navigatsiya tizimlari bilan chambarchas bog‘liq bo‘lib, hozirgi zamonaviy mobilitet konsepsiyasining asosiy ilmiy texnologik yo‘nalishini tashkil etadi. Algoritmik tahlil avtonom transport vositalarida qaror qabul qilishni ta’minlovchi markaziy hisoblash jarayonlaridan biri hisoblanadi. Bunda sensorlardan yig‘ilgan xom ma’lumotlar murakkab matematik modellar asosida filtrlanadi, segmentatsiya qilinadi, tahlil qilinadi va prognozlanadi. Kompyuter ko‘rish tizimlari yordamida atrof-muhitdagi obyektlar tasniflanadi, yo‘l belgilarining geometriyasi aniqlanadi, transport oqimining dinamikasi baholanadi va potentsial xavf omillarining yuzaga kelish ehtimoli oldindan hisoblanadi. Algoritmik tahlilning aniqligi butun newjournal.org zenodo.org 4 avtonom boshqaruv tizimining ishonchliligi, xavfsizlik darajasi va boshqaruv samaradorligining asosiy ko‘rsatkichlaridan biri sifatida qaraladi. Shu bois algoritmik tahlil, sensor integratsiyasi, neyron tarmoqlar, kontekstual identifikatsiya va prediktiv modellashtirishning o‘zaro uyg‘unlashgan ishlashi intellektual transport tizimlarining funksional barqarorligini va avtonom transport muhitining xavfsizligini sezilarli darajada oshiradi. Avtonom transport vositalarining samarali faoliyat ko‘rsatishi ko‘pkanalli sensor tizimlarining sinxron ishlashiga bevosita bog‘liq. Sensor integratsiyasi avtomobilning atrof-muhitni idrok etish qobiliyatini shakllantiruvchi asosiy bosqich bo‘lib, unda radar, lidar, ultratovush, inertsion o‘lchov modullari va optik kameralar tomonidan yig‘ilgan ma’lumotlar yagona muvofiqlashtirilgan axborot oqimiga birlashtiriladi. Har bir sensor turli fizik xususiyatlarda ishlashi sababli, integratsiya jarayonida xatoliklarni minimallashtirish, fazoviy aniqlikni oshirish va real vaqtli kuzatuvning uzluksizligini ta’minlash uchun maxsus filtrlash algoritmlari (Kalman filtri, bayes modellari, ehtimollik xaritalari) qo‘llaniladi. Sensor integratsiyasi nafaqat ma’lumotlarning to‘liqligini ta’minlaydi, balki atrof-muhitning ko‘p qatlamli semantik modelini yaratish imkonini beradi. Neyron tarmoqlar avtonom boshqaruv tizimining eng murakkab va yuqori intellektual qismidir. Ular sezilarli hajmdagi ma’lumotlar ustida chuqur o‘qitish orqali transport vositasiga mustaqil xulosa chiqarish, risklarni baholash va moslashtirilgan boshqaruv strategiyasini ishlab chiqish imkonini beradi. Konvolyutsion neyron tarmoqlar (CNN) yo‘l belgilarini aniqlash, piyodalar va boshqa obyektlarni tasniflashda muhim rol o‘ynasa, rekurrent neyron tarmoqlar (RNN, LSTM) harakat dinamikasini vaqt bo‘yicha kuzatish va kelajak trayektoriyasini bashoratlashtirishda qo‘llaniladi. Bundan tashqari, o‘z-o‘zini o‘rganuvchi transformer arxitekturalari murakkab vaziyatlarni kontekstual tahlil qilish va ko‘p parametrli qarorlarni real vaqt rejimida optimallashtirish imkonini bermoqda. Kontekstual identifikatsiya avtonom avtomobilning muhitga mos ravishda moslangan harakat strategiyasini ishlab chiqishidagi asosiy omillardan biridir. Bu jarayon nafaqat obyektlarni aniqlashni, balki ularning funksional rolini tushunishni newjournal.org zenodo.org 5 ham o‘z ichiga oladi. Masalan, piyodaning yo‘lga yaqinlashishi, velosipedchining yo‘nalish o‘zgarishi yoki boshqa transport vositasining keskin sekinlashuvi tizim tomonidan kontekstual xavf darajasi sifatida baholanadi. Kontekstual identifikatsiya algoritmlari tasvirni semantik segmentatsiya qilish, obyektlar o‘rtasidagi makon-vaqt aloqalarini aniqlash va situatsion modellarni shakllantirish orqali bajariladi. Natijada avtonom avtomobil turli ssenariylarda optimal harakat qarorlarini tanlashi mumkin. Prediktiv modellashtirish esa tizimning harakat oldidan ehtimoliy vaziyatlarni bashorat qilish qobiliyatini belgilaydi. Bu jarayon statistik ehtimollik modellari, fizik dinamika tenglamalari va mashinaviy o‘rganish algoritmlariga tayanadi. Prediktiv modellar transport oqimining o‘zgarishini, ehtimoliy to‘qnashuv xavfini, boshqa transport vositalarining kelajak yo‘nalishini va yo‘l sharoitlarining o‘zgarishini oldindan hisoblab, xavfsiz boshqaruv strategiyasini shakllantiradi. Mazkur mexanizm favqulodda vaziyatlarda qaror qabul qilish tezligini sezilarli darajada oshiradi va avtonom transport tizimining umumiy barqarorligini mustahkamlaydi. Intellektual transport tizimi (ITS) ushbu barcha texnologik komponentlarning integratsiyalashgan holda ishlashini ta’minlovchi kompleks infratuzilma modeli sifatida qaraladi. ITS real vaqtli monitoring, trafikni boshqarish, raqamli xaritalarni yangilash, avtonom avtomobillar o‘rtasida ma’lumot almashinuvi (V2V), yo‘l infratuzilmasi bilan muloqot (V2I) kabi strategik funksiyalarni bajaradi. Natijada transport tizimi adaptiv, xavfsiz, energiya tejamkor va ekologik barqaror mobilitet muhitiga aylanadi. FOYDALANILGAN ADABIYOTLAR RO’YXATI 1. Hasanov B. Avtomobil sanoati tarixi va rivojlanish bosqichlari. – Toshkent: Fan nashriyoti, 2019. 2. Goodfellow I., Bengio Y., Courville A. Deep Learning. – MIT Press, 2016. 3. Schmidhuber J. Deep Learning in Neural Networks: An Overview. – Neural Networks, 2015, vol. 61, pp. 85–117. newjournal.org zenodo.org 6 4. Rajesh P., Arunkumar N. Autonomous Vehicles: Sensor Fusion and DecisionMaking Algorithms. – Springer, 2020. 5. Chen C., Seff A., Kornhauser A., Xiao J. DeepDriving: Learning Affordance for Direct Perception in Autonomous Driving. – IEEE International Conference on Computer Vision, 2015, pp. 2722–2730. 6. Thrun S., Burgard W., Fox D. Probabilistic Robotics. – MIT Press, 2005. 7. Ghosal D., Jain S., Sharma M. Intelligent Transportation Systems: Technology and Applications. – CRC Press, 2018. 8. Litman T. Autonomous Vehicle Implementation Predictions: Implications for Transport Planning. – Victoria Transport Policy Institute, 2021. 9. Kalman R. A New Approach to Linear Filtering and Prediction Problems. – Transactions of the ASME–Journal of Basic Engineering, 1960, vol. 82, pp. 35–45. 10. O‘zbekiston avtomobilsozlik sanoati bo‘yicha rasmiy hisobotlar. – “O‘zavtosanoat” AJ, 1995–2024.