Розглянуто сучасні підходи до побудови систем стабілізації руху транспортних засобів з використанням нейромережевих алгоритмів та методів глибокого навчання. Проаналізовано архітектури рекурентних нейронних мереж для прогнозування поведінки транспортного засобу та алгоритми глибокого підсилюючого навчання для синтезу керуючих впливів. Виявлено переваги інтелектуальних систем над традиційними регуляторами у здатності адаптації до змінних умов експлуатації. Обґрунтовано необхідність розробки багаторівневої архітектури системи керування, що включає блок оцінювання стану, модуль прогнозування та контролер розподілу крутних моментів.

Abstracts: Modern approaches to building vehicle motion stabilization systems using neural network algorithms and deep learning methods are considered. Architectures of recurrent neural networks for predicting vehicle behavior and deep reinforcement learning algorithms for control input synthesis are analyzed. Advantages of intelligent systems over traditional controllers in adaptability to changing operating conditions are identified. The necessity of developing a multi-level control system architecture including state estimation block, prediction module, and torque distribution controller is substantiated.