Современные методы моделирования динамики и отслеживания траектории систем с высокой степенью свободы
Автор: Илья Иванович Коваленко, Евгения Александровна Ахременко, Александр Игоревич Андреев, Марина Александровна Барулина
Журнал: Вестник Пермского университета. Математика. Механика. Информатика @vestnik-psu-mmi
Рубрика: Компьютерные науки и информатика
Статья в выпуске: 1 (72), 2026 года.
Бесплатный доступ
Работа посвящена анализу ключевого методологического сдвига в количественной оценке поведения био-объектов: перехода от классификации отдельных поведенческих актов к анализу их динамической структуры. Постановка проблемы заключается в наличии методологического разрыва: традиционные методы трекинга упрощают поведение до траектории центра масс, а современные алгоритмы глубокого обучения, обеспечивая высокую точность распознавания поз, часто игнорируют временной контекст и являются вычислительно затратными "черными ящиками". Цель работы – анализ существующих подходов к видеообработке и обоснование гибридной методологии, объединяющей детализацию нейросетевого анализа с системным подходом к динамике. Задачи включают обзор методов от ручного аннотирования до трансформерных архитектур и выявление их ограничений в задачах долгосрочного прогнозирования. Методы исследования базируются на сравнительном анализе алгоритмов компьютерного зрения, глубокого обучения и стохастического моделирования в контексте обработки видеоданных экспериментов с лабораторными животными. Основные результаты показывают, что нейросети оптимизированы преимущественно для локальной классификации. В работе предложена методологическая основа, интегрирующая классификацию на уровне кадров с построением интерпретируемых стохастических моделей (матриц вероятностей переходов). Главные выводы свидетельствуют о том, что использование марковских представлений в дискретных пространствах состояний позволяет эффективно выявлять устойчивые поведенческие режимы (аттракторы) и аномалии, создавая надежную базу для систем поддержки принятия решений без избыточных вычислительных мощностей.
Динамический анализ, многомерные системы, системы высокой степени свободы, компьютерное зрение, глубокое обучение, нейронные сети, отслеживание объектов без маркеров, классификация состояний, матрицы вероятностей переходов, марковские модели
Короткий адрес: https://sciup.org/147253756
IDR: 147253756 | УДК: 519.71:519.21:004.93 | DOI: 10.17072/1993-0550-2026-1-100-117
Modern Methods for Dynamics and Trajectory Tracking Modeling of High-Degree-of-Freedom Systems
The study is devoted to analyzing a key methodological shift in the quantitative assessment of bio-object behavior: the transition from classifying individual behavioral acts to analyzing their dynamic structure. The problem statement lies in the existence of a methodological gap: traditional tracking methods simplify behavior to the center-of-mass trajectory, while modern deep learning algorithms, providing high pose recognition accuracy, often ignore the temporal context and function as computationally expensive "black boxes". The aim of the work is to analyze existing approaches to video processing and substantiate a hybrid methodology that combines the detail of neural network analysis with a systemic approach to dynamics. The objectives include reviewing methods ranging from manual annotation to transformer architectures and identifying their limitations in long-term forecasting tasks. The research methods are based on a comparative analysis of computer vision algorithms, deep learning, and stochastic modeling in the context of processing video data from laboratory animal experiments. The main results show that neural networks are optimized primarily for local classification. The paper proposes a methodological framework integrating frame-level classification with the construction of interpretable stochastic models (transition probability matrices). The main conclusions indicate that using Markov representations in discrete state spaces allows for the effective identification of stable behavioral modes (attractors) and anomalies, creating a reliable basis for decision support systems without excessive computational requirements.
