Development of an Intelligent Control Algorithm for a Group of Unmanned Aerial Vehicles

Full Text

Введение

Беспилотные летательные аппараты (БПЛА) являются одним из наиболее значимых и актуальных направлений развития научно-технического прогресса в 2024 году. Посредством БПЛА выполняется широкий круг задач, которые невозможно решить с использованием традиционных технологий [1; 2]. Наиболее распространенными примерами использования БПЛА является мониторинг труднодоступной местности, сканирование области и обработка собранных данных в режиме реального времени, доставка грузов [3]. По данным источника «Ассоциация БПЛА» в 2023 г. распределение сфер деятельности компаний, разрабатывающих данные решения, имеет следующий вид, представленный на рис. 1.

 

Рис. 1. Распределение сфер деятельности российских компаний в 2023 г., разрабатывающих БПЛА

Fig. 1. Distribution of spheres of activity of Russian companies developing UAVs in 2023

 

Как видно, преимущественная часть компаний (порядка 60%) разрабатывает решения для аэросъемки [4]. Данный сегмент не требует использование сложного и специализированного оборудования, что делает использование БПЛА достаточно простым и совершенным. Ключевым вопросом использования данных решений является обеспечение решения задач посредством применения групп беспилотных летательных аппаратов [5].

Примерами областей, требующих использования данных решений, является охрана, сельское хозяйство и мониторинг, которые имеют 9, 12 и 22% соответственно в распределении деятельности сфер российских компаний по выпуску БПЛА.

Совокупность данных факторов свидетельствует о проблемах в области обеспечения взаимодействия групп беспилотных летательных аппаратов. Актуальность развития данных вопросов состоит в возможности решения сложнейших проблем, связанных с мониторингом местности, к примеру, при разливе нефти, пожарах и иных негативных последствий [6; 7]. По данным Министерства природных ресурсов в России ежегодно происходят порядка 10 000 разливов нефти, результаты которых приносят значительные негативные последствия для окружающей среды, здоровья населения и экономики страны в целом [8]. Необходимость использования БПЛА в рамках данных задач состоит в возможности выполнения мониторинга труднодоступной местности и передачи данных в режиме реального времени.

Особенностью применения рассматриваемых технологических решений для задач мониторинга местности является необходимость использования группы БПЛА. Именно в данном случае появляется возможность захвата большей территории и оперативного нахождения очагов и направлений разливов нефти [9]. Несмотря на то, что на текущий момент времени существует более 1000 различных алгоритмов управления БПЛА, основной проблемой остается наличие высокой вероятности упущения местности и сложности координации аппаратов в пространстве. В связи с этим актуализируется задача, связанная с необходимостью разработки интеллектуального алгоритма управления группой бесплотных летательных аппаратов. В рамках статьи представляются результаты авторского подхода к решению данной задачи. Предполагается, что использование элементов искусственного интеллекта и машинного обучения, в частности, позволят обеспечить высокую эффективность решения задач посредством БПЛА на практике.

Результаты и обсуждение

Прототипом интеллектуального управления группой БПЛА может стать использование алгоритма пчелиной колонии. В природе прежде, чем направлять максимум усилий в сторону исследования местности для добычи нектара, пчелы выполняют предварительный анализ посредством разведывательных работ (пчел-разведчиков) [10; 11]. Полученные результаты передаются остальным пчелам с указанием направления местности, количества нектара и иных важных показателей с помощью «виляющего танца на сотах» (рис. 2).

 

Рис. 2. Схема передачи информации группе на примере пчелиной колонии

Fig. 2. The scheme of information transfer to a group using the example of a bee colony

 

Данный процесс происходит непрерывно, используя коллективные силы для исследования местности и получения ресурсов [12].

Представленная концепция может быть использована для управления группой БПЛА, позволяя оптимизировать и рационализировать использование ресурсов при проведении работ по разведке местности [13]. Основным преимуществом интерпретации алгоритма пчелиной колонии на управление группой БПЛА может стать возможность использования не полного набора аппаратов для исследования одного квадрата местности, а его предварительного анализа и уточнения на основе принципа разведчиков.

Данный алгоритм имитирует процесс поиска пищи пчелами, чтобы оптимизировать параметры управления и повысить общую эффективность группы БПЛА. Алгоритм проходит через итерации фазы разведки, передачи данных и последующего исследования местности другими бесплотными летательными аппаратами на основе полученных данных [14]. В алгоритме должно происходить непрерывное настраивание параметров управления БПЛА в соответствии с последующими уточнениями местности разведчиками.

На рис. 3, а представлен порядок организации управления БПЛА и визуальный пример исследования местности на основе примененного алгоритма пчелиной колонии (рис. 3, b).

 

Рис. 3. Интерпретация алгоритма применительно к группе БПЛА

Fig. 3. Interpretation of the algorithm in relation to a group of UAVs

 

Как видно из рис. 3, а обследование местности выполняется только в результате уточнения посредством БПЛА-разведчиков. На рис. 3, b тонкими линиями определены направления следования группы беспилотных летательных аппаратов, а более жирными отмечены траектории перемещения разведывательных аппаратов. Основным преимуществом предложенного подхода является возможность экономии ресурсов и рационализация их использования.

Основой эффективного взаимодействия группы БПЛА является определение вектора скорости. Скорость в данном случае напрямую зависит от относительно заданных позиций. В рамках этого учитываются такие параметры, как ПНП (персональная наилучшая позиция) и ГНП (глобальная наилучшая позиция). Уравнения, связывающее эти позиции и скорость:

u_n^{i + 1} = wu_nⁱ + c₁ rand (x)(p_n – x_n) + c₂ rand (x)(g_n – x_n),

где u_nⁱ – скорость БПЛА в n-м измерении на предыдущем шаге;

x_n – это координата частицы в n-том измерении;

c – влияние других БПЛА (величина, определяемая измерением расстояния между БПЛА);

p_n – ПНП (координата БПЛА на местности, за- хватывающая максимальную площадь, обозна-ченную разведчиком);

g_n – ГНП (координата БПЛА на местности, опре-деляющая наиболее оптимальное расположение каждого беспилотного аппарата для захвата всей определенной разведчиком территории);

w – обучаемые веса модели (указывают на связи одного БПЛА с другими).

Для оптимизации данных показателей и координация отдельных БПЛА необходимо применение метода машинного обучения на основе роя частиц. В основе данного метода используется нахождение оптимума координирования взаиморасположения в пространстве с другими, что позволяет исследовать всю местность при наименьшем количестве БПЛА (рис. 4).

 

Рис. 4. Использование метода роя частиц для БПЛА

Fig. 4. Using the particle swarm method for UAVs

 

На рис. 5 изображена итоговая алгоритмическая интерпретация интеллектуального алгоритма управления группой БПЛА в воздухе.

 

Рис. 5. Алгоритм взаимодействия группы БПЛА в воздухе

Fig. 5. The algorithm of interaction of a group of UAVs in the air

 

Практическая реализация посредством программных инструментов данного алгоритма даст возможность наиболее оптимально распределять беспилотные летательные аппараты в воздухе. Описанный алгоритм позволяет реализовать задачу минимизации использования ресурсов при максимальном исследуемом пространстве. Результаты его применения позволят выполнять мониторинг местности при наименьших затратах. На рис. 6 представлен пример использования данного алгоритма (синими кружками обозначены местности, определенные БПЛА-разведчиками, красными кружками – территории, исследуемые группами беспилотных летательных аппаратов).

 

Рис. 6. Пример применения интеллектуального алгоритма управления группой БПЛА

Fig. 6. An example of the application of an intelligent control algorithm for a group of UAVs

 

Дополнительно к этому необходимо использование дополнительных инструментов для возможности динамической координации группой БПЛА в режиме реального времени, а также более точного нахождения аномалий на местности [15]. Для решения данного блока вопросов возможно применение интеллектуальных технологий – машинного обучения с искусственными нейронными сетями, в частности. Использование технологий искусственного интеллекта позволит более точно определять очаги аномалий для разведывательных беспилотных летательных аппаратов, а также с высокой степенью точности координировать другие БПЛА.

Дополнительным направлением интеграции ИИ в рамках рассмотренной выше задачи может стать повышение точности распознавания аномалий и построение маршрутов, позволяющих избежать столкновение как между самими БПЛА, так с иными препятствиями на пути следования [16]. Согласно исследованиям, алгоритмы искусственного интеллекта (глубокое обучение, сверточные искусственные нейронные сети) на более, чем 90% точнее определяют аномалии на местности относительно классических методов. Также посредством систем, основанных на знаниях (также называемых экспертными системами) возможно обеспечить беспилотные летательные аппараты возможностью самостоятельного определения внешних условий для корректировки и оптимизации маршрута для исследования местности. Совокупность интегрируемых технологий позволит обеспечить полностью автоматическое управление полетом и принятие решений в рамках поставленной задачи.

Заключение

Автором проведено исследование, направленное на разработку нового подхода к решению задач мониторинга на основе использования группы беспилотных летательных аппаратов. В результате работы представлено решение для оптимального управления и координирования БПЛА при разведывательной деятельности и поиске аномалий. За основу был взят алгоритм пчелиной колонии, который представляет наиболее эффективный вариант взаимодействия между объектами при значительной экономии ресурсов. Предложенный алгоритм позволяет решить задачу максимизации площади исследуемой местности при минимизации затрачиваемых на это ресурсов, в частности, единиц беспилотных летательных аппаратов.

В работе представлены основные графические интерпретации элементов разрабатываемого алгоритма. Приведен пример использования итогового алгоритма на практике. Указаны преимущества и необходимость использования дополнительных интеллектуальных технологий при оснащении БПЛА с целью достижения наибольших результатов эффективности при сканировании местности и поиске аномалий. Дальнейшим этапом исследования станет практическая реализация данного алгоритма и тестирование новых подходов при решении задач, связанных с исследованием местности.

About the authors

Vladimir A. Londikov

Pskov State University

Author for correspondence.
Email: redcat60@mail.ru
SPIN-code: 3960-5739

Cand. Sci. (Eng.), associate professor, Department of Information and Communication Technologies, Institute of Hybrid Technologies in Machine Tool Construction of the Union State

Russian Federation, Pskov

Sergey Yu. Lukanov

Pskov State University

Email: lukanovysergey@gmail.com

postgraduate student, Department of Information and Communication Technologies, Institute of Hybrid Technologies in Machine Tool Construction of the Union State

Russian Federation, Pskov

Olga Yu. Timoshevskaya

Pskov State University

Email: olga.tim777@yandex.ru
SPIN-code: 3280-2702

Cand. Sci. (Eng.), associate professor, Department of Information and Communication Technologies, Institute of Hybrid Technologies in Machine Tool Construction of the Union State

Russian Federation, Pskov

References

Supplementary files