Система комплексирования сенсорных данных в бортовых системах управления беспилотными авиационными системами

Современные беспилотные авиационные системы (БАС) играют ключевую роль в различных отраслях, включая мониторинг окружающей среды, геодезию, сельское и лесное хозяйство. Одним из важнейших факторов их успешного применения является интеграция данных от различных сенсоров, таких как глобальные навигационные спутниковые системы, инерциальные навигационные системы, лидары, камеры и тепловизоры. Комплексирование данных позволяет существенно повысить точность, надежность и функциональность систем управления. В статье рассматриваются методы интеграции данных, включающие традиционные алгоритмы, такие как фильтры Калмана и его расширенные версии, а также современные подходы, основанные на моделях глубокого обучения, включая FusionNet и Deep Sensor Fusion. Экспериментальные исследования показали, что обучаемые модели превосходят традиционные алгоритмы, обеспечивая увеличение точности навигации до 40 % и улучшение устойчивости к помехам и внешним воздействиям. Предложенные подходы демонстрируют потенциал для расширения применения БАС в задачах автономной навигации, картографии и мониторинга, особенно в сложных условиях эксплуатации. Перспективы дальнейшего развития включают использование гиперспектральных сенсоров и создание адаптивных методов интеграции для повышения эффективности работы беспилотных систем.

1. Гулютин Н.Н. Применение беспилотных летательных аппаратов в задачах лесного здоровья. В сборнике: Решетневские чтения: Материалы XXVI Международной научно-практической конференции, посвященной памяти генерального конструктора ракетно-космических систем академика М.Ф. Решетнева: Часть 2, 09–11 ноября 2022 года, Красноярск, Россия. Красноярск: Сибирский государственный университет науки и технологий имени академика М.Ф. Решетнева; 2022. С. 305–307.

2. Watts A.C., Ambrosia V.G., Hinkley E.A. Unmanned Aircraft Systems in Remote Sensing and Scientific Research: Classification and Considerations of Use. Remote Sensing. 2012;4(6):1671–1692. https://doi.org/10.3390/rs4061671

3. Balestrieri E., Daponte P., De Vito L., Lamonaca F. Sensors and Measurements for Unmanned Systems: An Overview. Sensors. 2021;21(4). https://doi.org/10.3390/s21041518

4. Антамошкин О.А. Проектирование высоконадежных систем реального времени. Труды МАИ. 2011;(45). URL: https://trudymai.ru/published.php?ID=25347

5. Chekmarev S.A., Khanov V.Kh., Antamoshkin O.A. Modification of fault injection method via on-chip debugging for processor cores of systems-on-chip. In: 2015 International Siberian Conference on Control and Communications (SIBCON), 21–23 May 2015, Omsk, Russia. IEEE; 2015. https://doi.org/10.1109/SIBCON.2015.7147267

6. Montañez O.J., Suarez M.J., Fernandez E.A. Application of Data Sensor Fusion Using Extended Kalman Filter Algorithm for Identification and Tracking of Moving Targets from LiDAR–Radar Data. Remote Sensing. 2023;15(13). https://doi.org/10.3390/rs15133396

7. Chen W., Zhou C., Shang G., Wang X., Li Z., Xu C., Hu K. SLAM Overview: From Single Sensor to Heterogeneous Fusion. Remote Sensing. 2022;14(23). https://doi.org/10.3390/rs14236033

8. Guliutin N., Antamoshkin O. Enhancing unmanned aerial vehicle capabilities: integrating YOLO algorithms for diverse industrial applications. In: Hybrid Methods of Modeling and Optimization in Complex Systems (HMMOCS-II 2023): Proceedings of the II International Workshop: Volume 59, 28–30 November 2023, Krasnoyarsk, Russia. EDP Sciences; 2024. https://doi.org/10.1051/itmconf/20245903012

9. Гулютин Н.Н., Ермиенко Н.А. Применение ансамблей деревьев решения в задачах дистанционного зондирования Земли с беспилотных летательных аппаратов. В сборнике: Региональные проблемы дистанционного зондирования Земли: Материалы XI Международной научной конференции, 10–13 сентября 2024 года, Красноярск, Россия. Красноярск: Сибирский федеральный университет; 2024. С. 77–80.

10. Wong C.-C., Feng H.-M., Kuo K.-L. Multi-Sensor Fusion Simultaneous Localization Mapping Based on Deep Reinforcement Learning and Multi-Model Adaptive Estimation. Sensors. 2024;24(1). https://doi.org/10.3390/s24010048

11. Zhang R., Shao Z., Huang X., Wang J., Li D. Object Detection in UAV Images via Global Density Fused Convolutional Network. Remote Sensing. 2020;12(19). https://doi.org/10.3390/rs12193140

12. Caballero-Martin D., Lopez-Guede J.M., Estevez J., Graña M. Artificial Intelligence Applied to Drone Control: A State of the Art. Drones. 2024;8(7). https://doi.org/10.3390/drones8070296

13. Dudczyk J., Czyba R., Skrzypczyk K. Multi-Sensory Data Fusion in Terms of UAV Detection in 3D Space. Sensors. 2022;22(12). https://doi.org/10.3390/s22124323

14. Zhang Z., Zhu L. A Review on Unmanned Aerial Vehicle Remote Sensing: Platforms, Sensors, Data Processing Methods, and Applications. Drones. 2023;7(6). https://doi.org/10.3390/drones7060398

15. Stuart M.B., McGonigle A.J.S., Willmott J.R. Hyperspectral Imaging in Environmental Monitoring: A Review of Recent Developments and Technological Advances in Compact Field Deployable Systems. Sensors. 2019;19(14). https://doi.org/10.3390/s19143071