ІНТЕЛЕКТУАЛЬНІ АЛГОРИТМИ ПІДВИЩЕННЯ ЯКОСТІ КОРИСТУВАЦЬКОГО ДОСВІДУ  В АДАПТИВНИХ СИСТЕМАХ ПОТОКОВОГО ВІДЕО У ЗАДАЧАХ СИТУАЦІЙНОГО  ЦЕНТРУ З ВИКОРИСТАННЯМ ТЕХНОПАРКУ РОБОТОТЕХНІЧНИХ СИСТЕМ

К. В. Кармазін; Ю. В. Писаренко

doi:10.32782/2521-6643-2025-2-70.25

К. В. Кармазін Інститут кібернетики імені В.М. Глушкова Національної академії наук України https://orcid.org/0009-0003-8852-8079
Ю. В. Писаренко Інститут кібернетики імені В.М. Глушкова Національної академії наук України https://orcid.org/0000-0001-8357-8614

DOI: https://doi.org/10.32782/2521-6643-2025-2-70.25

Ключові слова: інтелектуальні алгоритми; адаптивне потокове відео; якість користувацького досвіду; резильєнтність систем; навчання з підкріпленням; мультиагентна координація; генеративні моделі; ситуаційний центр; технопарк робототехнічних систем; edge-обчислення; прогнозування мережевих умов

Анотація

У статті розглянуто проблему підвищення якості користувацького досвіду (QoE) в адаптивних системах потокового відео, що використовуються у ситуаційних центрах (СЦ), інтегрованих із технопарками робототехнічних систем (ТРС). Запропоновано концепцію резильєнтності потокових систем, яка базується на поєднанні інтелектуальних алгоритмів прогнозування, навчання з підкріпленням (Reinforcement Learning, RL), мультиагентної координації та генеративної реконструкції відео. Розроблено математичну модель Resilient Quality of Experience (RQE), що описує стабільність сприйняття відео користувачем з урахуванням коливань пропускної здатності мережі, часу буферизації та варіативності якості. Запропоновано алгоритм RL-ABR-RQE, у якому функція винагороди побудована на прирості RQE, що дозволяє оптимізувати вибір бітрейту з урахуванням довгострокової стабільності QoE. Запропоновано багаторівневу архітектуру СЦ–ТРС–Edge, яка поєднує прогнозування мережевих умов, генеративне відновлення втраченої інформації та мультиагентну взаємодію між вузлами потокової системи. Розроблено метод кооперативного керування відеопотоками, що забезпечує соціальну стійкість системи та збалансований розподіл ресурсів між роботизованими агентами. Практичне значення роботи полягає у можливості застосування розроблених алгоритмів у системах моніторингу техно-екологічних подій, безпекових та оборонних комплексах, а також у мультимедійних сервісах нового покоління. Результати моделювання демонструють зменшення часу буферизації до 50 %, підвищення стабільності QoE до 40 % та зниження енергоспоживання мобільних вузлів. Отримані результати формують науково-прикладні засади побудови резильєнтних інтелектуальних відеосистем для ситуаційних центрів наступного покоління, здатних до самонавчання, прогнозування та автономного відновлення якості потокового відео.

Посилання

1. Ajeyprasaath K. B., Vetrivelan P. A Hybrid Machine Learning Approach for Improvised QoE in Video Services over 5G Wireless Networks. Computers, Materials & Continua. 2024. Vol. 78. P. 3195–3213. DOI: 10.32604/cmc.2023.046911.
2. Souane N., Bourenane M., Douga Y. Deep-Reinforcement-Learning-Based Approach for Video Streaming: Dynamic Adaptive Video Streaming over HTTP. Applied Sciences. 2023. Vol. 13, No. 21. DOI: 10.3390/app132111697.
3. Li Y., Zheng Q., Zhang Z., et al. Improving ABR Performance for Short Video Streaming Using Multi- Agent Reinforcement Learning with Expert Guidance. Proceedings of the 2023 ACM Conference on Multimedia Systems. 2023. DOI: 10.48550/arXiv.2304.04637.
4. Wang Y., Aggarwal V., Lan T. Learning-Based Online QoE Optimization in Multi-Agent Video Streaming. Algorithms. 2022. Vol. 15, No. 7. DOI: 10.3390/a15070227.
5. Artioli E. Generative AI for HTTP Adaptive Streaming. Proceedings of the 15th ACM Multimedia Systems Conference (MMSys ’24). New York: Association for Computing Machinery, 2024. P. 516–519. DOI: 10.1145/3625468.3652912.
6. Melkumian K., Pisarenko J., Koval A. Organization of Regional Situational Centers of the Intelligent System “Control_TEA” using UAVs. Proceedings of the 2021 IEEE 6th International Conference on Actual Problems of Unmanned Aerial Vehicles Development (APUAVD-2021). P. 37–40. DOI: 10.1109/APUAVD53804.2021.9615416.