Management and Future Technologies | Volume 2, Issue 1 | № 005

Management and Future Technologies journal.umft.uz March 2025 Volume 2, Issue 1 Lokallashtirish modeli (Bayes filtrlash) : Robot o‘z muhitida joylashuvini aniqlash uchun Bayes filtri asosida hisob-kitob qiladi: 𝑝𝑝�𝑥𝑥� |𝑧𝑧�:� , 𝑢𝑢�:� � � �𝑝𝑝�𝑧𝑧� |𝑥𝑥� , 𝑚𝑚� � p�x� |x��� , u� �p�x��� |z�:� , u�:��� �dx��� 41 (1) x� – hozirgi joylashuvi, z�:� – sensor oʻlchovlari, u�:� – robot harakati, m-xarita; Yo‘l rejalashtirish modeli: A* algoritmi yo‘lni rejalashtirish uchun quyidagi xarajat funksiyasidan foydalanadi: (2) F�n� � G�n� � H�n� G�n� –bosib oʻtilgan yoʻl uzunligi, H�n� – maqsad tugungacha taxminiy yoʻl uzunligi; Harakat modeli: Mobil robot differensial harakat tenglamalari orqali boshqariladi: � ��� x � v cos�θ� , y � v sin�θ� , θ � � 𝑣𝑣� , 𝑣𝑣� – gʻildirak tezliklari, L-gʻildiraklar orasidagi masofa � (3) Birinchi navbatda, robotning lokallashtirish modeli sifatida Bayes filtrlash yondashuvi qo‘llanilgan. Tadqiqotda robot sensor o‘lchovlari (z(1:ₜ)), avvalgi harakatlar (u(1:ₜ)) va atrof-muhit xaritasi (m) ma’lumotlariga asoslanib, hozirgi pozitsiyasini aniqlash uchun quyidagi formula (1) ishlatilgan. Ushbu model yordamida robotning aniq lokallashtirilishi ta’minlanadi, so‘ngra bu natijalar Gmapping va Hector SLAM metodlari orqali xaritalash jarayoniga integratsiya qilinadi. Yo‘l rejalashtirish bosqichida esa A* algoritmi qo‘llanilib, optimal marshrutni aniqlashda quyidagi xarajat funksiyasi, ya’ni formula (2) asosiy rol o‘ynaydi. Bu yerda G(n) – robot tomonidan bosib o‘tilgan yo‘l uzunligi, H(n) – maqsad tugungacha bo‘lgan taxminiy yo‘l uzunligi. Ushbu formuladan foydalanib, robot qisqa va samarali yo‘lni tanlab, tez va optimal harakatlanishni ta’minlaydi. Robotning harakatini real vaqt rejimida boshqarish uchun esa differensial harakat tenglamalari asosida qurilgan harakat modeli qo‘llaniladi. Bu model quyidagi formula (3) orqali ifodalanadi. Bu tenglamalarda v – umumiy tezlik, vr va vl – o‘ng va chap g‘ildiraklarning tezliklari, L esa g‘ildiraklar orasidagi masofani bildiradi. Ushbu formulalar robotning harakat yo‘nalishini va tezligini aniqlab, uning atrof-muhitga moslashuvchanligini oshiradi.

Volume 2, Issue 1 March 2025 Management and Future Technologies journal.umft.uz 42 a) b) c) * 1-rasm. TheConstructSim muhitida Dijkstra va A algoritmlarini qoʻllashdan olingan natijalari a) b) c) 2-rasm. TheConstructSim muhitida RRT va DWA algoritmlarini qoʻllashdan olingan natijalari. Natija va Tahlil TheConstructSim muhitida Dijkstra,A* ,RRT va DWA algoritmlari sinovdan oʻtkazildi. Sinov natijalariga quydagicha: 2-jadval: Algoritmlarning hisoblash vaqti(s), yoʻl uzunligi(m) va Toʻsiqlardan qochish koʻrsatkichlari Algoritmlar Dijkstra A* RRT DWA Hisoblash vaqti(s) 1.2 0.8 0.7 0.6 Yoʻl usunligi(m) 8.7 8.1 9.5 8.4 Toʻsiqlardan qochish Yaxshi Oʻrtacha Juda yaxshi Juda yaxshi Hisoblash vaqti(s) – algoritmning yo‘lni rejalashtirish va hisoblash tezligi bo‘yicha baholangan. Yoʻl usunligi(m)– har bir algoritmning maqsad nuqtaga yetish uchun tanlagan yo‘li uzunligiga asoslangan. To‘siqlardan qochish – bu avtonom mobil robot yoki transport vositasining oldindan belgilangan marshrut davomida harakatlanayotganda, dinamik yoki statik to‘siqlarga urilishining

Management and Future Technologies journal.umft.uz March 2025 Volume 2, Issue 1 oldini olish uchun bajaradigan asosiy funksiyalardan biridir. Bu funksional real vaqtli navigatsiya, xavfsiz harakatlanish va samarali yo‘l rejalashtirish uchun zarur. Algoritmlarning yo'l uzunligiga bog'liqliligi Algoritmlarning vaqtga bog'liqligi 1.4 10 1.2 9.5 1 9 0.8 8.5 0.6 8 0.4 7.5 0.2 0 Dijkstra A* RRT 7 DWA Dijkstra A* RRT DWA 3-rasm. Algoritmlarni vaqt va yoʻl uzunligiga bogʻliqligi Algoritmlarni turli muhitlarda qo'llanilishi 6 5 4 3 2 1 0 Dijkstra Statik muhitda A* RRT Dinamik muhitda Tor va murakkab joylarda DWA Real vaqt rejimida 4-rasm: Algoritmlarni turli muhitlarda qoʻllanilish koʻrsatkichlari 3-jadval. Algoritmlarni turli muhitlarda qo'llanilish samaradorligi koʻrsatkichlari Muhitlar Statik muhitda Dinamik muhitda Tor va murakkab joylarda Real vaqt rejimida Dijkstra 5 1 2 1 A* 4 3 3 3 RRT 3 4 5 4 DWA 2 5 4 5 43

Volume 2, Issue 1 44 March 2025 Management and Future Technologies journal.umft.uz Yuqoridagi 3-jadvalda 1-5 gacha bo‘lgan sonlar algoritmning muayyan sharoitdagi samaradorligini ifodalaydi. 1 – juda past samaradorlik 2 – past samaradorlik 3 – o‘rtacha samaradorlik 4 – yaxshi samaradorlik 5 – eng yaxshi samaradorlik Dijkstra eng qisqa yo‘lni aniqlashda mukammal bo‘lsa-da, u barcha tugunlarni tekshirishi sababli katta va murakkab muhitlarda sekin ishladi. Bu usul statik xaritalar uchun juda ishonchli, ammo real vaqt sharoitlarida kam samarali bo‘lishini tadqiqotda kuzatdik(1.a-rasm). A* Dijkstra algoritmiga nisbatan tezroq ishladi, chunki u heuristik funksiya orqali kerakli yo‘nalishni aniqlab, qidiruv maydonini qisqartirdi. Biroq, uning samaradorligi tanlangan heuristika sifatiga va hisoblash resurslariga bog‘liq bo‘lib, optimal yechim topishda ba'zi cheklovlarga (1.c-rasm) duch kelganini kuzatdik. RRT (Rapidly-exploring random tree) algoritmi tor joylarda va murakkab atrof-muhitlarda juda moslashuvchan. U tasodifiy tarzda qidiruvni amalga oshiradi, shuning uchun ba'zida optimal emas, uzoq yoki murakkab yo‘llarni tanlashini kuzatdik. Biroq, yuqori o‘lchamli konfiguratsiya bo‘shlig‘ida tez yechim topishda ustunlikka ega ekanligini koʻrsatdi(2.a-rasm). DWA (Dynamic window approach) real vaqt rejimida samarali ishlaydi, chunki u doimiy ravishda atrof-muhitni kuzatib, to‘siqlardan qochish uchun optimal manevralarni hisoblaydi(2.brasm). U lokal navigatsiyada yuqori tezlik va aniqlikka erishsa-da, global optimal yechim topishda cheklangan bo‘lishi mumkin. (2.c-rasm). Xulosa Ushbu tadqiqotda TheConstructSim muhitida ROS yordamida avtonom mobil robotlarning lokallashtirish va kartografiyalash asosida navigatsiya algoritmlari tahlil qilindi. Dijkstra, A*, RRT va DWA algoritmlarining yo‘l rejalashtirish, to‘siqlardan qochish va real vaqt rejimidagi ishlash samaradorligi baholandi(1-jadval). Natijalar shuni ko‘rsatdiki, Dijkstra algoritmi eng qisqa yo‘lni topishda samarali, ammo hisoblash vaqti uzoq bo‘lishi sababli real vaqt tizimlari uchun mos emas. A* algoritmi tezroq ishlaydi va dinamik muhitlarga moslasha oladi(2-jadval). RRT tor va murakkab hududlar uchun mos, lekin samaradorligi past. DWA esa real vaqt rejimida eng mos variant bo‘lib, dinamik muhitlarda samarali natija beradi(3-jadval). Bundan tashqari, SLAM algoritmlarining (Gmapping, Hector SLAM, RTAB-Map, Cartographer) lokallashtirish va kartografiyalash jarayonlarida ishlashi sinovdan o‘tkazildi. Gmapping va Hector SLAM yopiq muhitlarda samarali, Cartographer va RTAB-Map esa katta va dinamik muhitlarda aniq xarita hosil qiladi. Tadqiqot natijalari turli navigatsiya algoritmlarining samaradorligi muhit sharoitlariga bog‘liqligini ko‘rsatdi. Kelajakda reinforcement learning va GPS integratsiyasi orqali navigatsiyani takomillashtirish istiqbollari koʻrilmoqda.

Management and Future Technologies journal.umft.uz March 2025 Volume 2, Issue 1 Adabiyotlar 1. ROS based SLAM implementation for Autonomous navigation using Turtlebot Sumegh Pramod Thale, Mihir Mangesh Prabhu, Pranjali Vinod Thakur and Pratik Kadam Published online: 29 July 2020 2. Norqo'ziyev, Q. (2023). MOBIL ROBOTLAR UCHUN YO'LNI REJALASHTIRISH ALGORITMI. Research and implementation. 3. Buriboev, A., Kang, H. K., Lee, J. D., Oh, R., & Jeon, H. S. (2022). Rmap+: Autonomous Path Planning for Exploration of Mobile Robot Based on Inner Pair of Outer Frontiers. KSII Transactions on Internet and Information Systems (TIIS), 16(10), 3373-3389.. 4. Норкозиев, К., & Тоджиев, А. (2023). Использование искусственных нейронных сетей при разработке алгоритма поиска оптимального пути мобильных роботов в динамических средах. Информатика и инженерные технологии, 1(1), 25–29. извлечено от https://inlibrary.uz/index. php/computer-engineering/article/view/25025 5. Norqo‘ziyev, Q., Aynakulov, T., Mahkamov, S., & Sodiqov, D. (2024). Implementing mobile robot walking path control and tracking in c# windows form application. International Journal of scientific and Applied Research, 1(3), 95-99. 6. Norqo‘ziyev Quvonchbek Komiljon o‘g‘li, Irgasheva Umida Abdimital qizi, Aynaqulov Tohir Turg'un o'gli, & Sodiqova Zilola Yahyoqul qizi. (2024). A fast and optimal wayfinding algorithm using information from lidar sensors in the environment. Лучшие интеллектуальные исследования, 19(3), 157–163. Retrieved from https://web-journal.ru/journal/article/view/5209 7. Norqo‘ziyev Quvonchbek Komiljon o‘g‘li, Tojiyev Alisher Hasan o‘g‘li, Sodiqov Diyorbek Sodiq o‘g‘li, & Sodiqova Zilola Yahyoqul qizi. (2024). Ai wayfinding algorithm of a mobile robot. Лучшие интеллектуальные исследования, 19(3), 150–156. Retrieved from https://web-journal.ru/journal/ article/view/5208 8. Yamauchi, B.: A frontier-based approach for autonomous exploration, cira. Paper presented at the Proceedings of the 1997 IEEE International Symposium on Computational Intelligence in Robotics and Automation (CIRA'97), Monterey, CA, 10–11 July 1997 9. Buriboev, A., Choi, A. J., & Jeon, H. S. (2024). Optimized Frontier-Based Path Planning Using the TAD Algorithm for Efficient Autonomous Exploration. Electronics, 14(1), 74. 10. Uslu, E., Çakmak, F., Balcılar, M., Akıncı, A., Amasyalı, M. F., & Yavuz, S. (2015, September). Implementation of frontier-based exploration algorithm for an autonomous robot. In 2015 International Symposium on Innovations in Intelligent SysTems and Applications (INISTA) (pp. 1-7). IEEE. 11. Drenth, R. (2023). Investigation of Frontier and Rapidly-Exploring Random Tree Based Robot Exploration Algorithms and Implementation of Multi Robot Exploration (Doctoral dissertation). 12. Sariff, N., & Buniyamin, N. (2006, June). An overview of autonomous mobile robot path planning algorithms. In 2006 4th student conference on research and development (pp. 183-188). IEEE. 13. Hachour, O. (2008). Path planning of Autonomous Mobile robot. International journal of systems applications, engineering & development, 2(4), 178-190. 14. Sánchez-Ibáñez, J. R., Pérez-del-Pulgar, C. J., & García-Cerezo, A. (2021). Path planning for autonomous mobile robots: A review. Sensors, 21(23), 7898. 45

Volume 2, Issue 1 March 2025 46 Mualliflar Muhsinjon O‘ktamov Kommunikatsiya va raqamli texnologiyalar kafedrasi, “University of management and future technologies” universiteti, Toshkent, 100208, O‘zbekiston; muhsinbek@umft.uz Sirojiddin Saydullayev Kommunikatsiya va raqamli texnologiyalar kafedrasi, “University of management and future technologies” universiteti, Toshkent, 100208, O‘zbekiston; sirojiddinmuxiddinogli@gmail.com Muhriddin Muxiddinov Kommunikatsiya va raqamli texnologiyalar kafedrasi, “University of management and future technologies” universiteti, Toshkent, 100208, O‘zbekiston; mmuhriddinm@gmail.com Ma’sul: mmuhriddinm@gmail.com Copyright: © 2024 by the authors. Ushbu maqola Creative Commons Attribution (CC BY) litsenziyasi shartlari asosida tarqatiladigan ochiq foydalanish maqolasi hisoblanadi (https://creativecommons.org/ licenses/by/4.0/). Management and Future Technologies journal.umft.uz CHUQUR O‘QITISH TEXNOLOGIYALARI ASOSIDA KO‘ZI OJIZ VA ZAIF KO‘RUVCHILAR HARAKATCHANLIGI VA MUSTAQILLIGINI OSHIRISH A nnotatsiya: Ushbu maqolada ko‘zi ojiz va zaif ko‘ruvchi foydalanuvchilar uchun aqlli ko‘zoynaklar texnologiyasini yaratish va qo‘llash masalalari chuqur tahlil qilingan. Ilgari o‘tkazilgan tadqiqotlar va ilmiy ishlanmalar tahlili asosida aqlli ko‘zoynaklarning asosiy komponentlari – kameralar, sensorlar, chuqur o‘qitish algoritmlari va ovozli interfeyslar – hamda ularning foydalanuvchilarga ta’siri yoritib beriladi. Chuqur o‘qitish (deep learning) texnologiyalarining, jumladan konvolyutsion neyron tarmoqlar (CNN) va YOLO kabi obyekt aniqlash algoritmlarining ushbu sohadagi o‘rni ilmiy jihatdan ko‘rib chiqiladi. Shuningdek, aqlli ko‘zoynaklarning real vaqt rejimidagi ishlashini ta’minlash uchun qo‘llanilgan usullar, eksperimental sinovlar va foydalanuvchilar tajribasi natijalari keltiriladi. Aqlli ko‘zoynaklarning jamiyatga ta’siri, afzallik va cheklovlari muhokama qilinib, kelgusida yanada rivojlantirish yo‘nalishlari haqida xulosalar beriladi. Maqola davomida keltirilgan faktlar tegishli ilmiy manbalar bilan tasdiqlanadi. Kalit so‘zlar: chuqur o‘qitish texnologiyalari, real vaqt rejimi, aqlli ko‘zoynak, ko‘zi ojiz foydalanuvchi, obyektlarni aniqlash, ovozli interfeys, foydalanuvchi tajribasi.

Management and Future Technologies journal.umft.uz March 2025 Volume 2, Issue 1 Kirish Dunyo miqyosida ko‘rish qobiliyatining pasayishi yoki yo‘qolishi jiddiy ijtimoiy muammo bo‘lib qolmoqda. Jahon sog‘liqni saqlash tashkilotining 2020 yilgi ma’lumotlariga ko‘ra, dunyoda kamida 2,2 milliard kishi turli darajadagi ko‘rish qobiliyati buzilishidan aziyat chekadi, shulardan 1 milliard holatning oldini olish yoki davolash mumkin bo‘lgan edi [1]. To‘liq ko‘zi ojizlar soni taxminan 36–39 million nafarni, past ko‘rish qobiliyatiga ega insonlar esa 240 million atrofida ekanligi qayd etilgan. Ko‘rish qobiliyatidan mahrum bo‘lish insonlarning mustaqil harakatlanishi, atrof-muhitni idrok etishi va kundalik hayot sifatiga salbiy ta’sir ko‘rsatadi. Shu bois, ko‘zi ojiz va zaif ko‘ruvchi insonlarning harakatchanligini ta’minlash, ularga atrof-muhit haqida real vaqt rejimida axborot berish uchun turli yordamchi vositalar va texnologiyalar rivojlantirilib kelinmoqda [2]. Hozirgi kunda ko‘zi ojizlarga yordam berish uchun mavjud eng oddiy vositalardan biri oq tayoq bo‘lib, u yordamida inson yo‘lidagi jismoniy to‘siqlarni sezishi mumkin. Shuningdek, maxsus yo‘riqchi itlar tayyorlanib, ko‘zi ojiz insonga yo‘l-yo‘riq ko‘rsatishda yordam beradi. Biroq, an’anaviy oq tayoq uzoq masofadagi yoki yer sathidan baland joylashgan to‘siqlar haqida ogohlantira olmaydi, gavjum va notanish muhitda samarasiz bo‘lishi mumkin. Yo‘riqchi itlarni tayyorlash esa juda qimmat va ular doimiy parvarish hamda e’tiborni talab qiladi. So‘nggi yillarda ko‘rlarga yordam beruvchi mobil smartfon ilovalari (masalan, ovozli yordamchilar, navigatsiya xizmatlari) ham paydo bo‘ldi, ammo ularni o‘zlashtirish va to‘liq foydalanish darajasi hanuz pastligicha qolmoqda. Zamonaviy axborot texnologiyalari va sun’iy intellektning rivojlanishi natijasida ko‘zi ojiz kishilarning mustaqil harakatlanishi uchun kompyuter ko‘ruvi va sun’iy intellekt asosidagi yangi yechimlar paydo bo‘ldi. Ulardan biri – aqlli ko‘zoynaklar – foydalanuvchi ko‘zoynak shaklidagi gadjetni taqib yurib, atrofdagi muhitni kamera va sensorlar yordamida “ko‘rishi” va olinayotgan ma’lumotlarni real vaqt rejimida tahlil qilib, foydalanuvchiga ovozli ma’lumot tarzida yetkazib berishidir. Aqlli ko‘zoynaklar ko‘rish qobiliyati cheklangan insonlarga individual ravishda yo‘l topishda, harakatlanishda hamda ijtimoiy muloqot va xavfsizlikda ko‘mak beradigan salohiyatli vosita sifatida ko‘rilmoqda [3, 4]. Kiyiladigan yordamchi qurilmalar ichida ayniqsa ko‘zoynak shaklidagi tizimlar ko‘zi ojizlar uchun eng qulay va istiqbolli deb topilmoqda. Google kompaniyasining 2013 yilda taqdim etgan Google Glass qurilmasidan so‘ng deyarli 10 yil ichida Epson, Sony, Microsoft, Envision, eSight, NuEyes, Oxsight va OrCam kabi ko‘plab kompaniyalar turli funksionallikka ega aqlli ko‘zoynaklarni ishlab chiqarishni yo‘lga qo‘ydi. Hozirgi mavjud aqlli ko‘zoynaklarning aksariyati kichik o‘rnatilgan kamera, maxsus protsessor yoki mini-kompyuter, Wi-Fi/Bluetooth orqali internet yoki smartfon bilan bog‘lanish kabi komponentlarga ega bo‘lib, foydalanuvchiga atrofdagi muhit haqida real vaqt ma’lumot uzatishni ta’minlaydi. Ulardan ba’zilari maxsus displey yoki shaffof linzalar orqali vizual axborot chiqarsa-da, ko‘zi ojiz foydalanuvchilar uchun odatda ovozli interfeys asosiy chiqish usuli hisoblanadi – foydalanuvchi ovozli buyruqlar berishi va qurilma esa o‘z navbatida tashqi muhit haqidagi ma’lumotni ovoz orqali etkazishi mumkin. Bunday qurilmalarda qo‘shimcha qulaylik uchun teginish sensorlari, tugmalar yoki hatto imo-ishoralarni tanib olish kabi usullar ham interfeys sifatida qo‘llanishi mumkin. 47

Volume 2, Issue 1 48 March 2025 Management and Future Technologies journal.umft.uz Ilmiy izlanishlar natijasida ko‘plab eksperimental aqlli ko‘zoynak prototiplari taklif etilgan. Masalan, Daescu va boshqalar aqlli ko‘zoynakka server asosidagi yuzni tanib olish tizimini ulanib, asosiy og‘ir hisoblash ishlarini ko‘zoynakdan tashqarida bajarish orqali qurilmaning energiya sarfi va kechikishini kamaytirishga erishganlar. Joshi va boshqalar esa chuqur o‘qitish yordamida turli obyektlarni tanib beruvchi ko‘zoynakka masofa o‘lchovchi datchik qo‘shib, foydalanuvchining harakat yo‘nalishidagi to‘siqlar va xatarlarni ham aniqlay oladigan yordamchi qurilmani yaratganlar. Shuningdek, turli yordamchi texnologiyalar xususiyatlarini tahlil qiluvchi tadqiqotlar ham olib borilmoqda. Xususan, Hu va hammualliflar turli kiyiladigan qurilmalarni – ko‘zoynak, tayoq, qo‘lqop, shlyapa va boshqalar – ularning tuzilishi, funksiyasi, prinsipial ishlash usuli va qo‘llanilish konteksti nuqtai nazaridan o‘rganib chiqib, 14 ta ilmiy prototip va bozorda mavjud 6 ta aqlli ko‘zoynak yechimini tahlil qilganlar. Ushbu tahlil shuni ko‘rsatdiki, hozirgi aksariyat yordamchi qurilmalar sensorlar va foydalanuvchiga axborot yetkazish usullarining cheklanganligi tufayli faqat ma’lum chegaralangan sharoitdagina samarali ishlay oladi. Demak, aqlli ko‘zoynak texnologiyasining to‘laqonli foydasini ko‘rish uchun ularning imkoniyatlarini kengaytirish, yangi sensorlar va usullarni qo‘shish hamda turli muhitlarda sinab ko‘rish zarur bo‘ladi [5]. Ushbu maqolada biz aynan ko‘zi ojiz va zaif ko‘ruvchilar uchun mo‘ljallangan aqlli ko‘zoynaklar tizimini ilmiy asosda ko‘rib chiqamiz. Bunda, avvalo, so‘nggi yillarda rivoj topgan chuqur o‘qitish algoritmlarining rolini tahlil qilamiz. Shuningdek, aqlli ko‘zoynaklarning asosiy funksiyalari va komponentlarini – obyektlarni aniqlash, navigatsiya, ovozli interfeys va h.k. – batafsil yoritamiz. Qurilmaning dasturiy-apparat arxitekturasi va amalga oshirilgan tadqiqot metodlari bayon etilib, olingan eksperimental natijalar keltiriladi. Natijalarga asoslanib, bunday tizimlarning foydalanuvchi hayotiga ta’siri, afzalliklari va mavjud cheklovlari muhokama qilinadi hamda kelgusida texnologiyani yanada takomillashtirish yo‘nalishlari bo‘yicha takliflar beriladi. Materillar va usullar Chuqur o‘qitish texnologiyalarining roli Aqlli ko‘zoynaklarning samarali ishlashi zamirida zamonaviy chuqur o‘qitish (deep learning) algoritmlari yotadi. Xususan, konvolyutsion neyron tarmoqlar (Convolutional Neural Networks, CNN) hozirgi kunda tasvirlarni tanib olish va tahlil qilishda asosiy vositaga aylangan. CNN’lar kiruvchi tasvirlardan turli darajadagi xususiyatlarni (chekka chiziqlar, shakllar, obyektlar) avtomatik ravishda ajratib olib, ularni tanish imkonini beradi. 2012 yilda Krizhevsky va boshqalar taklif etgan AlexNet arxitekturasi ImageNet kabi yirik ma’lumotlar to‘plamidagi tasvirlarni yuqori aniqlikda toifalashga erishib, bu sohada inqilob yasagan edi. AlexNet misolida ilk bor katta chuqurlikka ega CNN modeli grafik protsessorlar yordamida samarali o‘qitilib, an’anaviy usullar bilan erishib bo‘lmaydigan darajadagi natijalar qo‘lga kiritildi. Keyingi tadqiqotlar natijasida yanada chuqur va murakkab arxitekturalar – masalan, VGG-16 konvolyutsion tarmog‘i va ResNet-50 kabi rezidual tarmoqlar – taklif qilindi. VGG modelida qatlamlar soni oshirib borilib, tasvir xususiyatlarini juda chuqur darajada o‘rganish imkoniyati ko‘rsatib berilgan bo‘lsa, He va hammualliflar tomonidan taklif etilgan ResNet arxitekturasi chuqur tarmoqlarda o‘qitish jarayonini osonlashtiruvchi rezidual bog‘lanishlar orqali yanada yuqori natijalarga erishdi. Chuqur o‘qitish algoritmlarining bunday muvaffaqiyati ortida ulkan hajmdagi ma’lumotlar ustida o‘qitish imkoni yotadi – masalan, ImageNet

Management and Future Technologies journal.umft.uz March 2025 Volume 2, Issue 1 musobaqasi va ma’lumotlar bazasi tasvirlarni avtomatik tanish sohasini jadal rivojlantirishga turtki bo‘ldi [6, 7]. 1-rasm. Chuqur o‘qitish texnologiyalarini o‘qitish bosqichlari. Chuqur o‘qitishdan avval, kompyuter ko‘ruvida obyektlarni aniqlash uchun SIFT va SURF kabi qo‘lda tuzilgan xususiyatlar va klassik tasvirni qayta ishlash usullari qo‘llanilar edi. Bunda tasvirdan esdalikka molik burchaklar yoki tekstura elementlari ajratilib, keyin ularni ma’lumotlar bazasidagi andozalar bilan solishtirish orqali tanib olinardi. Biroq bunday yondashuvlar yoritilish, rakurs va shovqin kabi omillarga juda sezgir bo‘lib, umumiy holatga moslashuvchanligi cheklangan edi. Chuqur neyron tarmoqlar esa millionlab turli tasvirlar ustida o‘qitilganda, obyektlarning turli ko‘rinishlari bo‘yicha kuchli umumlashmaga ega modelni hosil qila oladi. Shu sababli bugungi kunda CNN va shunga o‘xshash chuqur o‘qitish texnikalari klassik usullar o‘rnini tobora keng egallamoqda. Obyektlarni aniqlash (detection) va tasniflash (classification) vazifalarini bir paytning o‘zida hal qiluvchi ilg‘or algoritmlar ham aqlli ko‘zoynaklar tizimida katta ahamiyatga ega. Bunday algoritmlardan eng mashhurlaridan biri – YOLO (You Only Look Once) bo‘lib, u tasvirni to‘liq bir marta tahlil qiliboq undagi obyektlarni joylashuvi va turini aniqlab beradi. YOLO arxitekturasi bir bosqichli (one-stage) obyekt aniqlash usulini taklif qilib, an’anaviy ikk bosqichli R-CNN oilasidagi modellarga nisbatan ancha tezkor ishlashga erishadi. YOLO modelining asosiy ustunligi – real vaqt rejimida ishlay olishi: masalan, so‘nggi versiyalardan biri YOLOv5 taxminan 60 FPS (tasvir/kadr soniyasi) tezlikda ishlashi ko‘rsatilgan bo‘lib, bu tezlik ko‘rish qobiliyati cheklangan foydalanuvchi uchun videodan uzluksiz ma’lumot berish imkonini yaratadi. YOLO algoritmi birlahzada butun tasvirga neyron tarmoq qo‘llab, tarmoqning chiqishida obyektlarning koordinatalari va sinf etiketkalari hosil bo‘ladi – bu esa hisoblash resurslaridan samarali foydalanish va yuqori tezlikka erishishga yordam beradi. YOLOning 2016 yilda taqdim etilgan takomillashtirilgan talqinlari (YOLOv2, YOLO9000) va undan keyingi versiyalari aniqlikni pasaytirmagan holda modelning tezligini oshirishga qaratilgan bo‘lib, ularning natijalari ilmiy jamoatchilikka ma’lum. Masalan, Bochkovskiy va boshqalar tomonidan taklif etilgan YOLOv4 modeli obyekt aniqlashda aniqlik va 49

Volume 2, Issue 1 50 March 2025 Management and Future Technologies journal.umft.uz tezlik bo‘yicha optimal muvozanatga erishgan holda, ko‘plab real vaqt ilovalarida qo‘llanilmoqda [8]. CNN va YOLO aslida bir-birini to‘ldiruvchi texnologiyalar sifatida qaralishi mumkin. CNN lar detallashtirilgan segmentatsiya yoki aniqlik talab qilinadigan murakkab tasvir tahlili vazifalarida samarali bo‘lsa (masalan, tasvirni piksel darajasida segmentatsiya qilish uchun DeepLab kabi arxitekturalar ishlatiladi), YOLO kabi bir bosqichli detektorlar tezkor javob talab qilinadigan holatlarda juda qo‘l keladi. Aqlli ko‘zoynak tizimida ushbu ikki yondashuvni birlashtirish orqali har ikki jabhada – aniqlik va tezlikda – yuqori ko‘rsatkichga erishish mumkin. Misol uchun, dastlab OverFeat modeli birinchi bor neyron tarmoq yordamida tasvirni tanish va undagi obyekt joylashuvini aniqlash vazifalarini birlashtirgan edi. Bugungi kunda esa YOLO kabi modelni foydalanuvchi atrofidagi obyektlarni tezkor topish uchun ishlatib, qo‘shimcha ravishda aniqlangan hududlarda chuqurroq tahlil (masalan, matnni o‘qish yoki mayda detallarni ajratish) uchun boshqa maxsus CNN modelini qo‘llash mumkin [9]. Chuqur o‘qitish sohasidagi eng yangi yondashuvlardan biri bu transformer arxitekturalarining kompyuter ko‘ruvida qo‘llanilishidir. Transformerlar avvaliga tabiiy tilni qayta ishlashda muvaffaqiyat qozongan bo‘lsa-da, 2020 yilda Dosovitskiy va boshqalar taklif etgan Vision Transformer (ViT) modeli tasvirni kichik patchlarga ajratib, ularni so‘zlar kabi o‘qitish orqali yuqori aniqlik ko‘rsatkichlariga erishdi. Transformer asosidagi DETR modeli esa obyekt aniqlash muammosiga e’tibor mexanizmini tatbiq etib, an’anaviy detektorlar bilan solishtiriladigan natijalarga erishdi. Shu bilan birga, hozircha bunday transformer modellarini ixcham ko‘zoynak qurilmalarida ishlatish qiyin – ularning hisoblash talabchanligi yuqori. Shunday bo‘lsa-da, kelajakda apparat vositalarining rivojlanishi bilan transformer yondashuvlari ham aqlli ko‘zoynaklarda qo‘llanilishi kutilmoqda. Umuman olganda, chuqur o‘qitish texnologiyalari aqlli ko‘zoynaklarning “miyasini” tashkil etadi. Kuchli algoritmlar yordamida bu qurilmalar foydalanuvchiga muhit to‘g‘risida batafsil va tezkor axborot bera oladi. Quyida aqlli ko‘zoynaklarning ana shu axborotni qay tarzda shakllantirishi – ya’ni, qaysi asosiy funksional imkoniyatlar orqali foydalanuvchiga yordam berishi – ko‘rib chiqiladi. Aqlli ko‘zoynaklarning asosiy funksiyalari Aqlli ko‘zoynaklar odatda bir nechta muhim funksional komponentlardan tashkil topadi. Quyida shunday asosiy vazifalar va ularning texnologik yechimi bayon etiladi: 1. Real vaqt rejimida obyektlarni aniqlash. Aqlli ko‘zoynakning eng asosiy vazifalaridan biri – foydalanuvchi atrofidagi obyektlar, odamlar, va potensial to‘siqlarni avtomatik aniqlashdir. Buning uchun yuqorida ta’kidlanganidek, CNN va YOLO kabi chuqur o‘qitish modellari qo‘llaniladi. Masalan, ko‘zoynakdagi kamera orqali olingan tasvirlardan bir lahzada yaqin atrofda qanday obyektlar borligi (stol, eshik, avtomobil va h.k.) aniqlanadi va ularning joylashuvi belgilab olinadi. YOLO, Faster R-CNN kabi ilg‘or algoritmlar aniqlik va tezlikni muvozanatlagan holda obyektlarni belgilash imkonini beradi. Natijada foydalanuvchi ko‘zi oldida turli obyektlar borligi haqida tezkor ogohlantirish oladi. Masalan, tizim “oldingizda to‘siq bor – chap tomonga o‘ting” kabi axborot berishi mumkin [10]. 2. Navigatsiya va lokalizatsiya. Foydalanuvchining fazoviy orientatsiyasini ta’minlash ham juda muhimdir. Buning uchun aqlli ko‘zoynaklar tarkibiga GPS moduli yoki atrofni LiDAR (yorug‘lik

Management and Future Technologies journal.umft.uz March 2025 Volume 2, Issue 1 radar) yoki ultratovush sensorlari yordamida skanerlaydigan qismlar qo‘shilishi mumkin. GPS global miqyosda joylashuvni aniqlasa, masalan, ultratovushli datchik oldindagi to‘siqqacha bo‘lgan masofani aniqlashi mumkin. Ba’zi tizimlarda stereo kamera yoki chuqurlik datchiklari (masalan, Intel RealSense kabi qurilmalar [3]) yordamida atrofning uch o‘lchamli modeli olinadi va shu orqali foydalanuvchining bo‘sh joydan o‘tish imkoniyati baholanadi. Lokalizatsiya texnologiyalari foydalanuvchiga o‘z joylashuvini aniqlash va ma’lum manzilga yo‘l topishda mustaqillik beradi. Ayniqsa notanish yoki murakkab sharoitlarda (masalan, gavjum shahar ko‘chalari, jamoat transporti) bu funksiyalar nihoyatda muhimdir – ular orqali ko‘zoynak foydalanuvchini xavfsiz marshrut bo‘ylab yo‘naltirishi mumkin [11]. 3. Ovozli interfeys va foydalanuvchi aloqa. Ko‘zi ojiz foydalanuvchilar uchun aqlli ko‘zoynaklardan chiqadigan axborotni yetkazishning eng qulay usuli – ovozli xabarlardir. Shu sababli bunday tizimlarda kuchli ovozli interfeys mavjud bo‘ladi. Ko‘zoynak ichiga o‘rnatilgan karnay (dinamik) yoki Bluetooth orqali ulanadigan quloqchin yordamida tizim aniqlangan obyektlar va hodisalarni foydalanuvchiga nutq orqali aytib beradi. Masalan, kamerada matn payqalgan bo‘lsa, tizim shu matnni baland ovozda o‘qib eshittiradi; tanish odamning yuzi aniqlansa, foydalanuvchiga uning ismini aytadi. Buning uchun obyekt va matnlarni matnga aylantirish (OCR) va matndan nutqga (Text-To-Speech, TTS) algoritimlari integratsiya qilinadi. Masalan, Google’ning WaveNet modeli kabi ilg‘or TTS texnologiyalari inson ovoziga yaqinlashgan tabiiy nutq hosil qila oladi [4]. Ovozli interfeys ikki tomonlama bo‘lishi ham mumkin: foydalanuvchi ham qurilmaga ovoz orqali buyruqlar berishi (masalan, “yonimda kim bor?” deb so‘rashi) mumkin va tizim buni nutqni taniy oluvchi modul orqali tushunib, javob qaytaradi. Bunday yondashuv qo‘lning bo‘sh bo‘lishini ta’minlab, foydalanuvchi uchun yanada qulay tajriba yaratadi. Ovozli aloqa bilan birga ayrim qurilmalarda vibratsiya yoki boshqa jismoniy signal yordamida ham ogohlantirish berilishi mumkin – masalan, to‘siq juda yaqinlashganda ko‘zoynak tutqichi titrab, xavfni bildiradi [12]. 4. Amaliy misollar va dasturiy ilovalar. Aqlli ko‘zoynaklarning yuqoridagi funksiyalari amaliyotda allaqachon o‘z tasdig‘ini topmoqda. Masalan, Microsoft kompaniyasining mobil ilovalari – Seeing AI va SoundScape – smartfon kamerasi yordamida atrofdagi matn, obyekt va odamlarni taniy oladi va foydalanuvchiga ovozli tarzda tasvirlab beradi. Bu ilovalar aqlli ko‘zoynak konsepsiyasini telefon platformasida amalga oshirib, foydalanuvchilarga mustaqil harakatlanishda yordam berayotganini ko‘rish mumkin. Xuddi shuningdek, maxsus aparatlar ham mavjud: masalan, OrCam MyEye – oddiy ko‘zoynakka biriktiriladigan kichik kamera qurilmasi bo‘lib, u qarshidagi matnlarni o‘qib beradi, odamlarning yuzini taniydi va foydalanuvchiga ovoz orqali xabar qiladi. Envision Glasses qurilmasi esa shunga o‘xshash tarzda atrofni kamerasi bilan skanerlab, sun’iy intellekt yordamida turli obyektlar va matnlarni tanib, foydalanuvchiga audio axborot uzatadi. Yana bir misol, EyeSynth deb nomlangan tizim kameradan olingan tasvirni real vaqt rejimida audio (ovoz) shaklga konvertatsiya qilib, foydalanuvchiga eshittiradi – bunda har bir obyekt yoki masofa turli xil tovush ohanglari bilan ifodalanadi. Bunday yondashuv ko‘rish o‘rniga eshitish orqali “ko‘rish” tajribasini yaratadi [13, 14]. Ilgariroq, 2013 yilda chiqarilgan Google Glass ham ko‘zoynak asosidagi platforma bo‘lib, unda foydalanuvchi ko‘z o‘ngidagi displey orqali ma’lumot olishi nazarda tutilgan edi; keyinchalik ushbu platforma imkoniyatlari ko‘zi ojizlar uchun moslash tirildi. Shu tariqa, bugungi kunda aqlli ko‘zoynak konsepsiyasining turli amalga oshirish shakllari mavjud va ularning barchasi yuqorida sanab o‘tilgan funksiyalarning birortasiga tayanadi yoki ularning kombinatsiyasidan 51

Volume 2, Issue 1 52 March 2025 Management and Future Technologies journal.umft.uz foydalanadi. 1-jadval. Tasvirdagi ob’ektlarni aniqlashning turli modellarini qiyosiy tahlili. Model YOLOv5 YOLOv7 YOLOv8 Faster R-CNN SSD Aniqlik (mAP) 56.0% 56.8% 62.0% 42.5% 50.0% Tezlik (FPS) 60 70 55 25 80 Yuqorida ko‘rib o‘tilgan funksiyalarni amalga oshirish uchun turli algoritmlar integratsiyasi va muhandislik yechimlari talab etiladi. Quyida biz yaratilgan aqlli ko‘zoynak tizimining texnik arxitekturasi va tadqiqot metodlariga to‘xtalamiz Tadqiqot metodologiyasi va algoritmlarni integratsiya qilish Aqlli ko‘zoynak tizimini yaratishda uning barcha tarkibiy qismlari yagona maqsadga – foydalanuvchiga real vaqt rejimida foydali ma’lumot yetkazishga – qaratilgan holda integratsiya qilinadi. Ushbu tadqiqot doirasida ishlab chiqilgan tizim ham bir nechta modullardan tashkil topdi: kamera yordamida tasvir olish, obyektlarni aniqlash va tanib chiqish, matnlarni o‘qish, masofani o‘lchash, va foydalanuvchiga audio chiqish. Barcha modullar real vaqt rejimida ishlashi va o‘zaro uyg‘un holda faoliyat ko‘rsatishi uchun maxsus dasturiy-arxitektura yechimlari qo‘llanildi [15]. Apparat platformasi: Tizim asosan ko‘zoynakka o‘rnatilgan old kameradan olinadigan videotasvirga tayanadi. Prototip yechimda biz Intel RealSense D435 stereo kamerasi [3] dan foydalandik – ushbu qurilma nafaqat rangli tasvir, balki chuqurlik (masofa) ma’lumotini ham berish qobiliyatiga ega. Kameradan uzluksiz oqim ko‘rinishida kadrlar olinib, mini-kompyuter (masalan, NVIDIA Jetson yoki Raspberry Pi 4) xotirasiga yuboriladi. Bizning holda hisoblashlarni samarali amalga oshirish uchun shaxsiy kompyuter protsessori va GPU dan foydalandik, biroq amaliy yechimlarda Jetson kabi ixcham sun’iy intellekt qurilmasi ko‘zoynakka integratsiya qilinishi mumkin. Tizim dasturiy ta’minoti PyTorch chuqur o‘qitish kutubxonasi yordamida yaratildi, bu bizga mavjud pre-train qilingan modellarni oson qo‘llash va yangi modelni o‘qitish imkonini berdi [16]. Obyektlarni aniqlash va tanib chiqish: Kameradan olingan har bir kadr dastlab obyektlarni deteksiya qilish moduliga uzatiladi. Bu modul sifatida biz YOLO arxitekturasini tanladik, chunki uning tezkorligi prototip uchun muhim edi. Model mashhur COCO ma’lumotlar to‘plamida oldindan o‘qitilgan va odam, avtomobil, stul kabi kundalik muhitdagi ko‘plab obyektlar uchun sinflarga ega. Zarur bo‘lganda, qo‘shimcha sinflar yoki maxsus obyektlar (masalan, eshik tutqichlari, zinapoyalar) uchun modelni qo‘shimcha ma’lumotlar bilan fine-tune qilish mumkin. YOLO detektori chiqishi sifatida kadrdagi obyektlarning chegaralovchi ramkasi (bounding box) koordinatalari va nisbiy ishonchlilik ko‘rsatkichi bilan birga obyektning turi (sinf)ni beradi. Masalan, tasvirda odam va it aniqlangan bo‘lsa, ularning joylashuvi va nomi ajratiladi.(2 – 3- rasmlar).

Management and Future Technologies journal.umft.uz March 2025 Volume 2, Issue 1 53 2-rasm. Tasvirdagi ob’ektni aniqlash modeliga kirish tasviri. 3-rasm. Tasvirdagi ob’ektni aniqlash modelining turli ob’ektlarni segmentatsiya qilishi. Matnlarni aniqlash: Obyektlar orasida ko‘plab yorliqlar, yo‘l belgilar yoki shunchaki atrofdagi matnli axborot (do‘konlarning nomlari, e’lonlar) bo‘lishi mumkin. Bu foydalanuvchi uchun muhim ma’lumot manbai sanaladi. Tasvirdan matnlarni o‘qib olish uchun biz maxsus OCR (Optical Character Recognition) algoritmidan foydalandik. Dastlab tasvirda matn mavjud bo‘lishi mumkin bo‘lgan hududlarni aniqlash uchun CNN asosidagi sarlavha detektori qo‘llanildi (bu ham YOLOga o‘xshash tarzda ishlaydi, faqat “matn” hududlarini ajratishga ixtisoslashgan). So‘ng aniqlangan hududlardagi matn Tesseract kabi OCR vositasi yordamida matnli qatorlarga aylantirildi. Matn 2 tilda – lotin va kirill alifbosida o‘qilishi uchun moslashtirildi. Natijada, foydalanuvchi uchun muhim bo‘lgan ko‘cha nomlari, do‘kon peshlavhalari kabi yozuvlarni qurilma ovoz chiqarib berishi ta’minlandi [17]. Masofani o‘lchash va to‘siqlarni sezish: Foydalanuvchining xavfsiz harakatlanishi uchun faqat obyektning borligini bilish yetarli emas, balki uning qanchalik yaqin ekanini ham bilish zarur. Buning

Volume 2, Issue 1 54 March 2025 Management and Future Technologies journal.umft.uz uchun biz stereokamera berayotgan chuqurlik ma’lumotlaridan foydalandik. Har bir obyektning chegaralovchi ramkasi uchun uning markaziy nuqtasining chuqurlik qiymati hisoblab chiqildi – bu qiymat obyektgacha bo‘lgan taxminiy masofani beradi. Masalan, foydalanuvchi yo‘lida stol bor va u 2 metr narida joylashgan bo‘lsa, tizim “2 metr oldinda stol” deb xabar beradi. Masofani aniqroq o‘lchash uchun qo‘shimcha ultratovush datchiklari ham integratsiya qilindi: ko‘zoynakning ramkasiga o‘rnatilgan ultratovush sensor oldinda 45° burchak ostida joylashgan to‘siqqacha bo‘lgan masofani doimiy o‘lchab turadi. Bu sensorning ma’lumoti kameradan olingan masofa qiymatini tekshirish va xavfsizlikka doir ogohlantirishlarni mustaqil yetkazishda (masalan, kutilmaganda to‘satdan yaqinlashib kelgan to‘siqni sezishda) qo‘l keladi (4-rasm). 4-rasm. Tasvirdagi ob’ektni aniqlash modelining uzoqlik masofasi o‘lchash. Ovozli signal va aloqa: Integratsiyalashgan tizim natijalari yakunda ovozli sintezatorga yuboriladi. Bunda kamera kadri tahlili yakunida hosil bo‘lgan barcha ma’lumotlar – aniqlangan obyektlar ro‘yxati (ularning nomi va masofasi), aniqlangan matn mazmuni, va navigatsion ko‘rsatmalar – maxsus matnli xabar ko‘rinishida generatsiya qilinadi. Masalan, yakuniy xabar shunday bo‘lishi mumkin: “Oldingizda 3 metr masofada mashina; chap tomonda 1,5 metr narida eshik; do‘kon belgisi: Dorixona”. Keyin TTS modulii ushbu matnni ovozli nutqqa aylantiradi va karnay orqali eshittiradi. Sintezlangan ovoz foydalanuvchi uchun tushunarli bo‘lishi va tezkor yetib borishi lozim. Bizning tizimda oddiylik uchun Google TTS texnologiyasidan foydalanildi, natijada o‘zbek va ingliz tillarida tushunarli nutq hosil qilindi. Kelgusida ovozli chiqishni foydalanuvchining ona tiliga avtomatik moslashtirish, nutq ohangini individual istakka ko‘ra sozlash kabi funksiyalar qo‘shilishi mumkin [18, 19]. Energiya samaradorligi: Aqlli ko‘zoynak kabi mobil qurilmalar uchun muhim masalalardan biri – batareya quvvatini tejashdir. Shu bois dasturiy ta’minot optimallashtirildi: kerak bo‘lmaganda kamera kadr chastotasi pasaytiriladi, tarmoq modellarining yengil versiyalari qo‘llaniladi. Misol uchun, biz YOLO modelining mobil versiyasi (soddalashtirilgan arxitekturali) variantini sinovdan o‘tkazdik, u aniqlikni sezilarli yo‘qotmasdan tezlik va quvvat sarfini kamaytirdi. Shuningdek, ma’lumotlarni qayta ishlash jarayonida keraksiz takroriy hisoblashlar oldini olish uchun keshlashtirish va asinxron (bir vaqtda) ishlov berish usullari joriy qilindi. Bu chora-tadbirlar

Management and Future Technologies journal.umft.uz March 2025 Volume 2, Issue 1 qurilmaning ixcham batareyasi bilan maksimal uzoq ishlashiga xizmat qiladi [20]. Yuqorida bayon qilingan metodologiya asosida yaratilgan aqlli ko‘zoynak prototipi laboratoriya va real sharoitlarda sinovdan o‘tkazildi. Quyida ushbu sinov natijalari va ko‘rsatkichlari keltiriladi. Tadqiqot natijalari Taklif qilingan aqlli ko‘zoynak tizimi samaradorligini baholash uchun bir nechta mezonlar bo‘yicha sinovdan o‘tkazildi. Avvalo, obyektlarni aniqlash aniqligi o‘lchandi. Tizim turli muhitlarda (xonada, ko‘chada, past va yuqori yorug‘lik sharoitlarida) sinov qilinib, kamera ko‘rish maydoniga tushgan asosiy obyektlarni to‘g‘ri ajrata olishi kuzatildi. Umumiy obyekt aniqlash aniqligi 92,16% ni tashkil etdi. Boshqacha aytganda, tizim kiritilgan obyektlarning deyarli 92 foizini to‘g‘ri aniqlab, ularning turini to‘g‘ri tanidi. Bu ko‘rsatkich ko‘plab mashhur obyekt aniqlash modellari darajasiga yaqin bo‘lib, real vaqt tizimi uchun yetarli deb baholanadi. Keyingi vazifa – matnlarni tanib olish aniqligi – natijalari undan ham yuqori bo‘ldi: sinov jarayonida turli chop etilgan matnlar (kitob sahifasi, ko‘cha belgisi, vitrinadagi yozuv)ni o‘qishda model 98,87% aniqlikka erishdi. Bu degani, tizim deyarli barcha matnlarni to‘g‘ri aniqlab, ularning mazmunini xato qilmasdan matnga aylantirdi. Bunda albatta matnning ravonligi, kontrasti kabi omillar qulay bo‘lganligi ham rol o‘ynadi – masalan, qo‘lyozma matnlarda yoki juda noaniq tasvirlarda xatoliklar oshishi mumkin. Foydalanuvchining xavfsizligi uchun hal qiluvchi ahamiyatga ega bo‘lgan yana bir ko‘rsatkich – masofa o‘lchashdagi xato miqdori. Tizim ultratovush va stereo kamera asosida to‘siqqacha masofani hisoblab berganda, haqiqiy masofaga nisbatan o‘rtacha 6,32% og‘ish kuzatildi. Masalan, aslida 2,0 m bo‘lgan masofani tizim taxminan 1,88–2,12 m atrofida baholadi. Bu aniqlik darajasi ko‘zi ojizlar uchun mo‘ljallangan ayrim tijorat qurilmalaridan yuqori ekanligi aniqlandi – masalan, ayrim ultratovushli moslamalar 10% va undan yuqori xatolik bilan ishlashi ma’lum. Demak, taklif etilayotgan yechim foydalanuvchiga atrofdagi obyektlarning uzoq-yakinligini anchayin ishonchli darajada bildirib, xavfsiz harakatlanishga zamin yaratadi. Yuqoridagi natijalar real sharoit tajribalari davomida ham o‘z tasdig‘ini topdi. Tizim prototipi ko‘zi ojiz foydalanuvchilar ishtirokida sinovdan o‘tkazildi. Sinov jarayonida foydalanuvchilar ichki va tashqi muhitda belgilangan yo‘nalish bo‘ylab aqlli ko‘zoynak yordamida harakat qilishdi. Natijada, kuzatuvlarga ko‘ra, foydalanuvchilarning to‘siqlarga to‘qnashuvi yoki adashib ketishi holatlari deyarli kuzatilmadi – aqlli ko‘zoynak ularni o‘z vaqtida ogohlantirib borishga erishdi. Foydalanuvchilar qurilma haqida o‘z fikr-mulohazalarini bildirib, ko‘p hollarda ijobiy tajribaga ega bo‘lganliklarini ma’lum qilishdi. Masalan, bir qancha ishtirokchilar aqlli ko‘zoynak yordamida atrofni tushunish va unda yo‘nalish olish qobiliyati sezilarli darajada oshganini ta’kidlashdi. Avvallari faqat oq tayoq bilan harakatlangan bitta ishtirokchining aytishicha, aqlli ko‘zoynak uning atrof-muhit haqida oladigan axborotini boyitib, o‘zini ancha ishonchli his qilishiga yordam bergan. Bu kabi fikrlar tizimning amaliy ahamiyatini tasdiqlaydi. Ilmiy adabiyotlarda ham shunga o‘xshash xulosalar uchraydi: masalan, maxsus audio interfeysli aqlli ko‘zoynaklar bilan o‘tkazilgan tajribada ishtirokchilar obyektlarni topish va ularga qo‘l cho‘zish vazifalarini ancha yaxshilangan holda bajara olgani qayd etilgan. Ayni paytda erishilgan natijalar qoniqarli bo‘lsa-da, tizimni yanada takomillashtirish 55

Volume 2, Issue 1 56 March 2025 Management and Future Technologies journal.umft.uz imkoniyatlari mavjud. Aniqlik ko‘rsatkichlarini oshirish maqsadida detektor va taniq algoritmlarini yanada chuqurroq o‘qitish, yangi katta hajmdagi ma’lumotlar to‘plamlari bilan modelni boyitish lozim. Xususan, mahalliy sharoitga xos obyektlar va yozuvlar (masalan, o‘zbek tilidagi turli ko‘cha belgilar, reklama yozuvlari) bo‘yicha qo‘shimcha ma’lumotlar to‘planib, model o‘qitilsa, tizim yanada moslashuvchan bo‘ladi. Shuningdek, dasturiy ta’minot va interfeysni foydalanuvchi uchun yanada qulay qilish, ortiqcha va keraksiz ma’lumotlarni qisqartirib, eng muhim axborotnigina uzatishga e’tibor qaratish kerak. Qurilmaga yangi turdagi sensorlarni qo‘shish ham imkoniyatlarni kengaytiradi – masalan, issiqlik datchiklari yordamida jonli mavjudotlarni (odamlarni) qorong‘uda aniqlash yoki yo‘nalishli mikrofonlar yordamida ma’lum ovoz manbalariga (masalan, yaqinlashib kelayotgan avtomobil motori ovoziga) e’tibor qaratish kabi funksiyalarni qo‘shish mumkin. Tadqiqot natijalari muhokomasi Yuqoridagi tadqiqot natijalari aqlli ko‘zoynaklar texnologiyasi ko‘rish qobiliyati cheklangan shaxslar hayotini yengillashtirishda ulkan salohiyatga ega ekanini ko‘rsatadi. Bunday tizimlarning eng katta afzalligi – ko‘zi ojiz insonning atrof-muhitni mustaqil idrok etish imkoniyatini kengaytirishidir. Ilgari boshqa odamlarga yoki faqat jismoniy vositalarga tayanib kelingan vaziyatlarda endilikda sun’iy intellekt yordamida real vaqt rejimida masofa, to‘sqinliklar, obyektlar haqida ma’lumot olish mumkin bo‘lmoqda. Bu esa, o‘z navbatida, ko‘zi ojiz insonning mustaqil harakatlanishi, jamiyatda erkin faoliyat yuritishi va o‘ziga bo‘lgan ishonchini orttirishga xizmat qiladi. Misol uchun, aqlli ko‘zoynak taqqan foydalanuvchi gavjum ko‘chada yoki notanish binoda boshqalar yordamisiz yo‘l topa olsa, bu uning hayot sifati va mustaqilligiga ijobiy ta’sir ko‘rsatadi. Yana bir muhim afzallik – aqlli ko‘zoynaklar turli ko‘makchi qurilmalar o‘rnini bosuvchi integratsiyalashgan yechim bo‘la oladi. Avval ko‘zi ojiz kishi alohida qo‘lidagi tayoq, qulog‘idagi audio-navigator, qo‘lidagi Braille displeyi kabi bir nechta moslamalardan foydalanishga majbur bo‘lgan bo‘lsa, aqlli ko‘zoynak bularning funksiyasini bir joyda jamlay oladi. Bu esa qulaylik va samaradorlikni oshiradi [21]. Shu bilan birga, hozirgi aqlli ko‘zoynaklar texnologiyasining bir qator cheklov va kamchiliklari mavjud. Ulardan eng asosiysi – texnik resurslarga talabchanligidir. Yuqorida ta’kidlanganidek, chuqur o‘qitish algoritmlari yuqori hisoblash quvvati va energiya sarfini talab qiladi. Natijada ixcham ko‘zoynakka bunday algoritmlarni integratsiya qilishda batareyaning tez tugashi, qurilmaning og‘irligi ortishi yoki ishlov berish kechikishi kabi muammolar chiqadi. Amaliy kuzatishlarga ko‘ra, aksariyat tijorat aqlli ko‘zoynaklarining batareya quvvati atigi 2–5 soat foydalanishga yetadi, bu esa kundalik foydalanish uchun kamlik qiladi. Bizning prototipimiz ham yuqori quvvatli kompyuterda sinovdan o‘tkazilgan, ammo haqiqiy ko‘zoynak qurilmasida cheklangan resurslar bilan ishlaganda samaradorlik pasayishi mumkin. Yana bir kamchilik – narx va dostupnost masalasi. Ilg‘or texnologiyalar qo‘llanilgani sabab, aqlli ko‘zoynaklar odatda qimmat bo‘ladi; ko‘plab ko‘rish nogironligi bo‘lgan shaxslar (ko‘pincha ular ijtimoiy himoyaga muhtoj toifa) bunday qurilmalarni xarid qila olmasligi mumkin. Masalan, hozirgi bozordagi ba’zi aqlli ko‘zoynaklarning narxi bir necha ming AQSh dollariga boradi, bu esa ko‘zi ojizlar uchun moliyaviy to‘siq yaratadi. Shuningdek, maxfiylik va ijtimoiy qabul qilinish ham muhokamoga arziydigan jihatdir. Ko‘zoynakdagi kamera atrofdagi odamlarni doimiy yozib turishi mumkinligi ularning maxfiy hayotiga aralashish deb qabul qilinishi mumkin. Ayrim odamlar kameraga olinayotganini bilib noqulaylik sezishlari tabiiy. Shu

Management and Future Technologies journal.umft.uz March 2025 Volume 2, Issue 1 sabab jamiyatda bunday qurilmalarni qabul qilish uchun ma’lum axloqiy me’yorlar va tartiblar ishlab chiqilishi lozim. Masalan, aqlli ko‘zoynaklardan foydalanuvchilar jamoat joylarida boshqalarning shaxsiy hayotini hurmat qilishlari, kerak bo‘lsa kamerani vaqtincha o‘chirib qo‘yishlari tavsiya etiladi. Yana bir muhim masala – axborot ishonchliligi va ortiqchaligi. Sun’iy intellekt modeli hamisha ham 100% to‘g‘ri ishlamaydi; ba’zida xato yoki noto‘g‘ri xabar berishi mumkin. Agar bunday qurilma xato axborot bersa, foydalanuvchi nojo‘ya qaror qabul qilishi, masalan, yo‘lda xatoga yo‘l qo‘yishi ehtimoli bor. Shu bois, foydalanuvchilar texnologiyaga butkul suyanib qolmasdan, ehtiyot choralarini saqlashi lozim. Qurilma beradigan axborotni ham imkon qadar filtrlash, faqat eng zarur va aniq tasdiqlangan ma’lumotnigina uzatish muhim – aks holda, ko‘p sonli audio xabarlar foydalanuvchini chalg‘itib, charchatib qo‘yishi mumkin. Keltirilgan kamchiliklarga qaramay, ularni bartaraf etish yo‘llari ustida izlanishlar davom etmoqda. Innovatsion yechimlar orqali aqlli ko‘zoynaklarni yanada takomillashtirish mumkin. Masalan, resurs va energiya muammolarini hal qilish uchun hisoblash yukining bir qismini bulutli servislarga yuklash yoki qurilmaga maxsus sun’iy intellekt chiplarini o‘rnatish mumkin. Hozirda mobil qurilmalar uchun mo‘ljallangan optimallashtirilgan neyron tarmoqlar, modelni siqish va kvantlash texnikalari joriy qilinmoqda – bu usullar ko‘zoynakning cheklangan apparatida ham murakkab AI funksiyalarini bajarish imkonini beradi. Batareya texnologiyalari rivojlanishi bilan kelgusida ixcham quvvat manbalari uzoqroq ishlashni ta’minlashi mumkin. Narxni pasaytirish bo‘yicha ham ishlar ketmoqda: ishlab chiqaruvchilar ko‘zoynaklarni ommaviy ishlab chiqarish yo‘lga qo‘yilsa, tannarx tushadi va arzonroq komponentlar paydo bo‘ladi. Masalan, ayrim startaplardagi ixtirochilar o‘z tadqiqotlarida arzon komponentlardan foydalanib ham funksional aqlli ko‘zoynak prototiplarini yaratishga erishganliklarini ta’kidlamoqda. Aqlli ko‘zoynaklarning kelajakdagi rivojlanish istiqbollari juda keng. Birinchidan, bunday qurilmalarning dasturiy ta’minoti tobora aqllashib borishi kutilmoqda. Katta hajmdagi til modellari va generativ sun’iy intellekt yutuqlari natijasida, aqlli ko‘zoynak foydalanuvchiga oddiy ro‘yxat tarzidagi axborot emas, balki to‘liq tasvirlovchi tavsiflar berishi mumkin. Masalan, kelajakda ko‘zoynak kamerasi ko‘rgan manzarani tahlil qilib, “chap tomonda qizil yuk mashinasi to‘xtagan, o‘ng tomonda ikkita odam suhbatlashmoqda, ular orqasida oq devor bor” kabi kengroq kontekstli izoh berishi mumkin – bu esa atrofni tasavvur qilishni osonlashtiradi. Bunda GPT-3 kabi yirik til modellari [18] yordamga kelishi mumkin, ular tasvir tavsifini inson tilida ravon hikoya qilib berishga qodir. Ikkinchidan, foydalanuvchi bilan o‘zaro aloqa yanada insonparvarlashishi mumkin – masalan, ko‘zoynak ovozli yordamchisi foydalanuvchi savollariga erkin matnda javob beradigan suhbatdosh (chatbot) vazifasini ham o‘tashi mumkin. Uchinchidan, yangi modal interfeyslar paydo bo‘lmoqda. Masalan, Avstraliyada sinovdan o‘tkazilgan “akustik teginish” (acoustic touch) texnologiyasida kamera ko‘rgan obyektlar turli xil tovush belgilariga aylantirilib, foydalanuvchiga eshittiriladi – bu usul foydalanuvchilarning obyektlarni aniqlash va ularga qo‘l cho‘zish qobiliyatini sezilarli oshirgani ilmiy tajriba orqali ko‘rsatildi. Kelajakda aqlli ko‘zoynaklar bunday audiovizual yondashuvlarni ham o‘z ichiga olishi, masalan, atrofdagi muhitni “musht” yoki “ohang” tarzida ifodalab berishi mumkin. To‘rtinchidan, aqlli ko‘zoynaklar ijtimoiy infratuzilma bilan ham integratsiyalashishi kutilmoqda – masalan, shahar infratuzilkasidagi aqlli svetoforlar, jamoat transporti to‘xtash joylaridagi sensorlar bilan aloqa qilib, foydalanuvchiga qo‘shimcha ma’lumot uzatishi (svetofor yashil yonganini xabar qilishi va hokazo). Bu borada “aqlli shahar” konsepsiyasi elementlari bilan hamkorlikda ko‘zoynak 57

Volume 2, Issue 1 58 March 2025 Management and Future Technologies journal.umft.uz imkoniyatlarini kengaytirish mumkin [22]. Albatta, aqlli ko‘zoynaklarning jamiyatga keng joriy etilishi yangi axloqiy va ijtimoiy savollarni ham tug‘diradi. Masalan, bunday qurilmalardan foydalanish paytida atrofdagi odamlarning roziligi masalasi, qurilma yig‘ayotgan ma’lumotlarning xavfsizligi va maxfiyligi, texnologiya hamma uchun teng dostup bo‘lishi kabi jihatlar muhokama qilinishi zarur. Texnologiya imkon qadar inklyuziv bo‘lishi, ya’ni hamma madaniyat va til vakillari foydalanishi uchun moslashtirilishi lozim. Kelgusida aqlli ko‘zoynaklar keng tarqalgan sari, ularning jamiyatda normal qabul qilinishi uchun qonuniy va ijtimoiy me’yorlar ham shakllanadi. Umuman olganda, aqlli ko‘zoynaklar sohasi hozirda jadal rivojlanish bosqichida. Har yili ilmiy tadqiqotlar natijasida yangi prototiplar, yaxshilangan algoritmlar va qiziqarli usullar paydo bo‘lmoqda. Uzluksiz innovatsiyalar tufayli aqlli ko‘zoynaklar yaqin kelajakda ko‘rish qobiliyati cheklangan insonlar uchun oddiy kundalik hayotning ajralmas qismiga aylanishi mumkin. Bu ularning jamiyatda yanada erkin yashashlari, o‘z dunyolarini mustaqil kashf etishlari hamda turmush sifati oshishiga xizmat qiladi. Xulosa Xulosa qilib aytadigan bo‘lsak, ushbu ilmiy ish doirasida ko‘rish qobiliyati cheklangan insonlar uchun aqlli ko‘zoynaklar texnologiyasi har tomonlama tahlil qilindi. Chuqur o‘qitish algoritmlarining (CNN, YOLO va boshqalar) real vaqt rejimidagi navigatsiya va to‘siqlarni aniqlashdagi roli nazariy va eksperimental jihatdan ko‘rsatib berildi. O‘tkazilgan tajribalar natijasida prototip tizim asosiy vazifalarni – obyektlarni aniqlash, matnlarni o‘qish va masofani baholash – yetarli darajada yuqori aniqlik va tezlik bilan bajarishga qodir ekani aniqlandi. Shuningdek, foydalanuvchi tajribasi bo‘yicha dastlabki sinovlar qurilma ko‘zi ojiz insonlarga haqiqatan ham sezilarli yordam bera olishini tasdiqladi. Aqlli ko‘zoynaklar texnologiyasi katta istiqbolga ega bo‘lsa-da, amaliy tatbiqda hali yechimini kutayotgan qator muammolar mavjud. Xususan, yuqori hisoblash resurslariga bo‘lgan talab va batareyaning cheklangan ishlash muddati kabi holatlar qurilmaning to‘liq imkoniyatlarini ishga solishda to‘siq bo‘lmoqda. Ushbu cheklovlarni yengish uchun apparat va dasturiy yechimlar darajasida izlanishlar davom etmoqda – samarali chiplar, optimallashtirilgan algoritmlar va energiya tejamkor usullar yaratilmoqda. Kelajakda aqlli ko‘zoynaklarning jamiyat hayotiga kirib kelishi bilan ko‘rish qobiliyati cheklangan shaxslar uchun dunyo yanada ochiq va qulay bo‘lib boradi. Mustaqil harakatlanish, axborotga ega bo‘lish hamda muloqot qilish imkoniyatlari kengayadi, bu esa ularning jamiyatdagi faolligi va o‘ziga bo‘lgan ishonchini oshiradi. Shu bilan birga, biz texnologiyaning axloqiy va ijtimoiy jihatlarini ham unutmasligimiz kerak – aqlli ko‘zoynaklar odamlarga haqiqiy foyda keltirishi uchun ular xavfsiz, arzon va hammabop bo‘lmog‘i lozim.

Management and Future Technologies journal.umft.uz March 2025 Volume 2, Issue 1 Adabiyotlar 1. Krizhevsky, A., Sutskever, I., Hinton, G. (2012). ImageNet Classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems, 25: 1097-1105. 2. Redmon, J., Farhadi, A. (2017). YOLO9000: Better, Faster, Stronger. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 6517-6525. 3. Intel (2020). Intel RealSense D435 User Manual. Intel Corporation. 4. Oord, A. v. d., et al. (2016). WaveNet: A Generative Model for Raw Audio. Google DeepMind, arXiv:1609.03499. 5. Umarov, M., Khalilov, S. (2022). An Algorithm for Traffic Sign Recognition Systems. Proceedings of 2022 International Conference on Information Science and Communications Technologies (ICISCT), Tashkent, Uzbekistan. 6. Vision Loss Expert Group. (2023). Global Data & Statistics on Visual Impairment. (Accessed via IAPB/VLEG report). 7. He, K., Zhang, X., Ren, S., Sun, J. (2016). Deep Residual Learning for Image Recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770-778. 8. Lowe, D.G. (2004). Distinctive Image Features from Scale-Invariant Keypoints. International Journal of Computer Vision, 60(2): 91-110. 9. Bay, H., Ess, A., Tuytelaars, T., Van Gool, L. (2008). Speeded-Up Robust Features (SURF). Computer Vision and Image Understanding, 110(3): 346-359. 10. Goodfellow, I., Bengio, Y., Courville, A. (2016). Deep Learning. MIT Press. 11. Russakovsky, O., et al. (2015). ImageNet Large Scale Visual Recognition Challenge. International Journal of Computer Vision, 115(3): 211-252. 12. Chen, L.-C., et al. (2018). Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation. Proceedings of the European Conference on Computer Vision (ECCV), 833-851. 13. Simonyan, K., Zisserman, A. (2015). Very Deep Convolutional Networks for Large-Scale Image Recognition. International Conference on Learning Representations (ICLR). 14. Paszke, A., et al. (2019). PyTorch: An Imperative Style, High-Performance Deep Learning Library. Advances in Neural Information Processing Systems, 32: 8024-8035. 15. Sermanet, P., et al. (2014). OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks. International Conference on Learning Representations (ICLR). 16. Dosovitskiy, A., et al. (2021). An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. International Conference on Learning Representations (ICLR). 17. Bochkovskiy, A., Wang, C.Y., Liao, H.Y.M. (2020). YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv:2004.10934. 18. Brown, T.B., et al. (2020). Language Models are Few-Shot Learners. Advances in Neural Information Processing Systems, 33: 1877-1901. 19. Carion, N., et al. (2020). End-to-End Object Detection with Transformers. Proceedings of the European Conference on Computer Vision (ECCV), 213-229. 20. Lin, T.Y., et al. (2017). Focal Loss for Dense Object Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 42(2): 318-327. 21. Mukhiddinov, M., Cho, J. (2021). Smart Glass System Using Deep Learning for the Blind and Visually Impaired. Electronics, 10(22): 2756. 59

Volume 2, Issue 1 60 March 2025 Management and Future Technologies journal.umft.uz 22. Zhu, H.Y., et al. (2023). An investigation into the effectiveness of using acoustic touch to assist people who are blind. PLOS ONE, 18(10): e0291325.