Благодаря перебору параметров нейронной сети, учеными МТУСИ определена наиболее результативная архитектура, состоящая из пяти скрытых (8, 16, 32, 64, 128 нейронов) и двух полносвязных слоев (256 и 128 нейронов). Представленная архитектура обеспечивает точность распознавания команд 87.17% на тестовом наборе.
В ходе обучения нейронной сети использована часть набора данных от компании Google, включающая 64 728 аудиофайлов, содержащих записи одной из 30 команд на английском языке, 12 из которых могут быть использованы в системе управления роботом-манипулятором.
«В рамках дальнейшей работы планируется собрать собственный набор данных, состоящий из команд для робота-манипулятора на русском языке, попробовать увеличить точность распознавания команд до 95% и осуществить передачу исполнительной команды непосредственно роботу-манипулятору», — рассказал Данил Подпалый, магистрант МТУСИ.
Разработанная модель распознавания голосовых команд может использоваться при проектировании и разработке системы управления промышленным роботом-манипулятором на базе голосового управления либо при разработке полноценной диалоговой системы для коллаборативной работы человека и робота-манипулятора.
Ученые из МТУСИ выразили уверенность в том, что ещё более широкое внедрение нейросетевой модели распознавания голосовых команд позволит предприятиям выйти на новый уровень выполнения задач, увеличить эффективность работы и перераспределить обязанности между устройствами и людьми.