КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ
Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.
ОБЩИЕ СВЕДЕНИЯ
Номер проекта 24-29-00671
НазваниеРазработка метода и алгоритмов совместной навигации беспилотных аппаратов
Руководитель Амосов Олег Семенович, Доктор технических наук
Организация финансирования, регион федеральное государственное бюджетное учреждение науки Институт проблем управления им. В. А. Трапезникова Российской академии наук , г Москва
Конкурс №89 - Конкурс 2023 года «Проведение фундаментальных научных исследований и поисковых научных исследований малыми отдельными научными группами»
Область знания, основной код классификатора 09 - Инженерные науки; 09-606 - Навигация, наведение и управление подвижными объектами
Ключевые слова беспилотный аппарат; навигация; метод; алгоритм; интеллектуальные технологии; комплексирование; геофизические поля; навигационная система
Код ГРНТИ47.49.31
ИНФОРМАЦИЯ ИЗ ЗАЯВКИ
Аннотация
До сих пор остается злободневным вопрос синтеза наиболее эффективных по точности и быстродействию алгоритмов навигации беспилотных аппаратов (БА) по геофизическим полям (ГФП) на основе реализации связи между аппаратами и особенно для подводных, где невозможно использование спутниковых и радиотехнических средств.
Сутью проекта является выработка навигационных параметров бортовой навигационной системы (НС) БА по данным ГФП и маяков в сочетании с другими средствами, в частности, с акустическими средствами для подводных аппаратов, информации от интеллектуальных маяков, роль которых может быть выполнена летательными БА с приводнением и способных обеспечить передачу точных координат своего местоположения и данных от спутниковых, радиотехнических систем.
Ведущие страны мира активно ведут разработки смешанной группы БА, работающих в различных средах, взаимодействующих в едином информационно-управляющем пространстве, что, в свою очередь, требует реализации каналов информационного обмена, обладающих высокой надежностью и пропускной способностью.
Целью предлагаемого проекта является разработка метода и эффективных алгоритмов совместной навигации группы БА; сравнение по точности и быстродействию, состоятельности оценок вырабатываемых алгоритмами на основе традиционных нелинейных и нейросетевых методов.
Научная новизна исследований:
1) метод совместной навигации группы БА, находящихся в разных средах;
2) новые интеллектуальные алгоритмы комплексирования для группы БА от разных систем измерения: НС, ГФП, маяков, интеллектуальных буев, акустических и спутниковых источников;
3) метод и алгоритмы коррекции навигационных координат НС по данным ГФП и маяков в сочетании с другими измерителями на основе авторских адаптивных нелинейных алгоритмов, учитывающих особенности навигации для разных типов БА.
ОТЧЁТНЫЕ МАТЕРИАЛЫ
Аннотация результатов, полученных в 2024 году
В ходе выполнения проекта критически проанализированы исследовательские работы, посвященные проблемам навигации и позиционирования разнородных беспилотных аппаратов (БА), функционирующих в разных физических средах. Особое внимание уделено средствам и системам измерений БА для обеспечения их автономности, скрытности и защищенности от помех. Поэтому главный акцент уделен инерциальным навигационным системам (ИНС), использованию геофизических полей (ГФП) Земли, одометрии, видеосистем. Кратко освещены вопросы использования глобальных навигационных спутниковых систем (ГНСС). Рассмотрены средства измерений для подводных аппаратов. Рассмотрены особенности комплексирования информации от разных измерительных систем при совместном функционировании разнородных БА. Среди современных методов обработки навигационной информации (НИ) и комплексирования выделены алгоритмы нелинейной фильтрации, позволяющие по рекуррентным процедурам наряду с оптимальной оценкой координат и параметров объектов, вырабатывать состоятельную характеристику точности оценки.
На основе анализа публикаций сделан вывод о недостаточной теоретической и практической проработкам использования интеллектуальных технологий для обработки НИ. Поэтому наряду с традиционными подходами уделено внимание и алгоритмам обработки НИ с использованием интеллектуальных технологий. Среди них выделены предложенные авторами проекта подходы на основе нейронных сетей, нечетких систем, вейвлетов и их комбинаций. Их развитие и адаптацию предложено положить в основу создания проекта системы обработки НИ на основе методов искусственного интеллекта.
При выполнении проекта был предложен метод совместной навигации группы БА, находящихся в разных физических средах. Дана математическая постановка и общее решение задачи для совместной навигации группы БА. Рассматривается четыре физических среды: воздушная, земная, надводная, подводная и четыре типа БА: летательный аппарат – дрон, наземный, надводный и подводный аппараты. Предлагаемый метод учитывает модель комплексирования НИ для выработки точного позиционирования для каждого объекта из группы БА, находящихся в разных средах с помощью эффективных по точности и быстродействию алгоритмов по данным от ИНС, измерителей ГФП и маяков в сочетании с другими средствами, способных обеспечить передачу точных координат своего местоположения и данных от спутниковых, радиотехнических систем при использовании надежной безопасной системы связи между БА.
Выделены особенности алгоритмов навигации БА, действующих в разных физических средах. Эти особенности обусловлены доступными средствами измерения навигационных параметров, моделями движения БА, схемами комплексирования, алгоритмами фильтрации и возможностями связи между аппаратами для совместной навигации. Представлена обобщенная схема комплексирования информации от доступных средств измерений.
Приведен пример обработки НИ в ИНС с учетом особенностей моделей движения, основанных на винеровской последовательности. Рассмотрено оценивание навигационных параметров с помощью обобщенного фильтра Калмана и нейронных сетей. Перспективным является исследование нейросетевых алгоритмов фильтрации и машинного обучения при реализации схем комплексирования и навигации по ГФП.
Рассмотрена возможность построения для навигации БА аппаратов нейросетевых пространственных моделей магнитного и гравитационного полей Земли, а также моделей поверхностных полей высот или батиметрических данных дна водоема. Показана возможность построения нейросетевой модели мультигеофизического поля на основе объединения геофизических магнитного и гравитационного полей и поля рельефа для их взаимного дополнения друг друга. Приведен иллюстрирующий пример нейросетевой модели для поля рельефа земной поверхности.
Предложен проект системы и алгоритмы комплексирования для навигации подвижных объектов с использованием интеллектуальных технологий в сопоставлении с традиционными методами. Это алгоритмы навигации и фильтрации на основе машинного обучения, нейронных сетей, нечетких систем, вейвлетов, технологий компьютерного зрения и их комбинаций, а также использование кластерного анализа и декомпозиции для повышения быстродействия. Для представления карт ГФП предлагается использование нейросетевых алгоритмов. Для группового управления предлагается представление знаний на основе фреймовых моделей и продукционных правила (нечеткого) вывода, использование агентных моделей, роевых алгоритмов.
Проведены натурные испытания с наземным ровером и гексакоптером. Оценка качества работы модели комплексирования навигационной информации от различных источников и измерителей проводится путем обработки моделируемых и использования реальных данных датчиков, записанных во время испытаний при ухудшении качества сигнала ГНСС в городских условиях. В ходе экспериментов ровер двигался по заданному маршруту, в то время как гексакоптер летел над ним, повторяя траекторию движения наземного робота. В процессе испытаний были собраны данные с различных сенсоров, установленных на обоих БА, для дальнейшего анализа и сопоставления. Помимо натурных испытаний, предложен виртуальный полигон с рельефом местности для симуляции навигации БА, работающих в разных средах, на котором участники коллектива провели ряд экспериментов с цифровыми двойниками ровера и гексакоптера. Симуляция навигации и взаимодействия группы БА, работающих в разных средах, моделировалась с использованием фреймворка AirSim в Unreal Engine. Программная платформа была адаптирована для интеграции с отечественным полетным контроллером. Проведенные эксперименты, как с реальными БА, так и с их цифровыми двойниками, продемонстрировали возможность согласованного взаимодействия наземного и воздушного БА при выполнении совместных задач. Применение виртуального полигона позволяет безопасно отрабатывать алгоритмы группового взаимодействия БА перед натурными испытаниями.
Ссылки на информационные ресурсы в сети Интернет, посвященные проекту:
- http://www.elektropribor.spb.ru/upload/medialibrary/c20/Sbornik-materialov-
XXXIV-konferentsii-pamyati-NNOstryakova.pdf;
- https://ieeexplore.ieee.org/document/10694272;
- https://ieeexplore.ieee.org/document/10739588/;
- https://ieeexplore.ieee.org/document/10739601;
- https://ics.pnu.edu.ru/journal/issues/;
- https://www.ipu.ru/press-center/78890.
Публикации
1. Амосов О.С., Амосова С.Г., Кулагин К.А. Моделирование виртуального полигона для отработки совместной навигации группы разнородных беспилотных аппаратов В сборнике докладов: XXXIV конференция памяти выдающегося конструктора гироскопических приборов Н.Н. Острякова., В сборнике докладов: XXXIV конференция памяти выдающегося конструктора гироскопических приборов Н.Н. Острякова.– СПб.: ГНЦ РФ АО «Концерн «ЦНИИ «Электроприбор», 01-03 Октября 2024 г. – С. 117 – 120. (год публикации - 2024)
2.
Амосов О.С., Амосова С.Г., Иочков И.О.
Критический анализ современного состояния проблемы навигации беспилотных объектов по существующим средствам измерений
Информатика и системы управления, Информатика и системы управления. – 2024. – №4(82). – С. 158–182 (год публикации - 2024)
10.22250/18142400_2024_82_4_158
3.
Амосов О.С., Амосова С.Г.
Features of Navigation Algorithms for Different Types of Uncrewed Vehicles
Proceedings of the 17th International Conference on Management of Large-Scale System Development (MLSD’2024), Proceedings of the 17th International Conference on Management of Large-Scale System Development (MLSD’2024). – 24–26 Sept. 2024. – 1–5 p. (год публикации - 2024)
10.1109/MLSD61779.2024.10739601
4.
Амосов О.С., Амосова С.Г.
Neural Network Models of Earth Geophysical Fields for a Physical Polygon
Proceedings of the 17th International Conference on Management of Large-Scale System Development (MLSD’2024), Proceedings of the 17th International Conference on Management of Large-Scale System Development (MLSD’2024). – 24–26 Sept. 2024. – 1–5 p. (год публикации - 2024)
10.1109/MLSD61779.2024.10739588
5.
Амосов О.С., Амосова С.Г., Кулагин К.А.
Joint Navigation Method for Unmanned Vehicles Group Located in Different Physical Environments
Proceedings of the International Russian Automation Conference (RusAutoCon’2024), Proceedings of the International Russian Automation Conference (RusAutoCon’2024). – 2024. – P. 874–880. (год публикации - 2024)
10.1109/RusAutoCon61949.2024.10694272
Аннотация результатов, полученных в 2025 году
Для комплексирования данных от имеющихся датчиков и систем измерений используются линейный и расширенный фильтр Калмана (ФК), фильтр Маджвика и комплементарный фильтр. В отличие от традиционных схем оценивания и комплексирования предлагаются синтетические фильтры (алгоритмы), основанные на нейронных сетях, нечетких системах, вейвлетах и их гибридном использовании.
В предлагаемой единой программно-информационной системе с открытой архитектурой, модуль адаптации может менять конфигурацию (набор программных модулей) для реализации различных схем комплексирования, адаптируя архитектуру программной системы к имеющемуся набору измерительных систем на борту каждого из беспилотных аппаратов (БА), учитывая среду, в которой он работает. Переключение схем комплексирования происходит с помощью интеллектуальных технологий на основе нечетких систем.
Для развития многоагентной технологии на основе методов искусственного интеллекта для группового управления разнородными БА предложены:
– Единая для разнородных БА, работающих в разных физических средах, программно-информационная система определения ориентации и позиционирования БА. Ее основные модули: ориентации и позиционирования; обработки данных; связи и управления; диагностики; адаптации.
– Фреймовая модель знаний для БА и средств измерений для их лучшей структурируемости и наследования свойств. Фреймовая модель базы знаний используется нечеткой системой принятия решений для группового управления.
– Нечеткая система принятия решений для группового управления БА в условиях неопределенности. Нечеткая система может быть распределенной в зависимости от цели и сценария совместной работы группы БА.
– Большая языковая модель для осуществления коммуникаций при задании и изменении сценария работы БА.
– Алгоритмы адаптации, отвечающие за адаптацию системы к изменяющимся условиям.
Приводятся примеры совместного функционирования ровера и коптера для работы в сельском хозяйстве.
Изложен метод решения задачи адаптивного оценивания при структурной и параметрической неопределенности на основе интеллектуальных технологий. Отличие этого подхода от известного на основе банка ФК состоит в том, что каждый из синтетических фильтров, настроенных с использованием обучения с учителем или с подкреплением, может быть нелинейным. Сопоставление альтернативного и традиционного методов оценивания позволило выявить ряд преимуществ предлагаемых синтетических фильтров.
1) Фильтрация. При решении задачи оценивания навигационных параметров синтетические алгоритмы обеспечивают потенциальные точности оценок, такие же, как и традиционные алгоритмы при байесовском, небайесовском подходах и методе наименьших квадратов. В рамках байесовского подхода, если в основе построения синтетических алгоритмов лежат те же предположения об априорной информации о моделях динамики объектов, помех и шумов, что и для традиционных алгоритмов, то синтетические алгоритмы тождественны традиционным. Однако они могут дать преимущества с вычислительной точки зрения.
2) Кроме того, в случае необходимости адаптации к изменениям моделей динамики или окружающей среды возможна настройка уже имеющихся синтетических алгоритмов на основе машинного обучения с подкреплением в рамках метода наименьших квадратов.
3) Прогнозирование. При комплексировании измерений можно использовать адаптивные свойства синтетических алгоритмов. В этой задаче для построения синтетических алгоритмов помимо текущих измерений имеется обучающая выборка. Такие примеры существуют для навигационных приложений. В частности, это задачи обработки измерений в интегрированных инерциально-спутниковых системах. В интегрированных системах при наличии спутниковых измерений они могут быть использованы как эталонные данные для обучения синтетической системы, назначение которой заключается в воспроизведении поведения оцениваемых параметров (самих навигационных параметров или ошибок измерителей) в случае, когда спутниковые данные пропадают. Для решения задач оценивания могут использоваться нерекуррентные и рекуррентные нейросетевые алгоритмы. Для повышения быстродействия предлагается использование декомпозиции алгоритмов.
4) Для выбора схемы комплексирования и структурно-параметрической настройки системы оценивания предлагается использование системы нечеткой логики для принятия решения. Решение этой задачи требует создания банка моделей систем оценивания и комплексирования в зависимости от наличия разных систем измерения: бортовых инерциальных навигационных систем (ИНС), датчиков геофизических полей Земли, маяков, спутниковых источников, видеосистем и других средств измерения.
5) Нечеткая система принятия решений может использоваться в альтернативном подходе при структурной неопределенности для выбора гипотезы или назначения весов гипотезам при выборе математических моделей.
Адаптивные алгоритмы иллюстрируются для ряда задач. Это задача фильтрации при комплексировании показаний спутниковой навигационной системы и ИНС на основе инвариантной схемы; задача адаптации при уточнении координат ИНС по данным, когда спутниковые данные пропадают.
Решается задача фильтрации при комплексировании показаний гироскопов и акселерометров на основе неинвариантной схемы. Предложено адаптивное оценивание углов Эйлера и погрешности гироскопов на основе рекуррентного нейросетевого алгоритма.
Эксперименты подтвердили теоретические предпосылки о критической важности геометрической конфигурации якорных станций для обеспечения высокой точности UWB-позиционирования. Представленное решение демонстрирует перспективы применения UWB-технологии для создания высокоточных систем локального позиционирования.
Разработано аппаратно-программное обеспечение для исследования точности, валидации и тестирования алгоритмов навигации на технологическом оборудовании и физическом исследовательском полигоне. В Институте проблем управления им. В.А. Трапезникова РАН (г. Москва) был создан экспериментальный образец системы для навигации и управления БА. Отладочная плата LDM-BB-K1986BE92QI является платформой, базирующейся на отечественном 32-битном микроконтроллере MDR32F9Q2I, обеспечивающим обработку данных и управление всеми подсистемами.
Решена задача анализа существующих решений для выбора состава аппаратного (АО) и программного обеспечения БПЛА самолетного типа для использования больших языковых моделей при преобразовании естественно-языковых команд в исполняемый код. Определены параметры АО для эффективного вычисления на одноплатном компьютере с нейронным процессором сгенерированного программного кода по управлению БПЛА.
Ссылки на информационные ресурсы в сети Интернет, посвященные проекту:
https://elektropribor.spb.ru/wp-content/uploads/2025/11/25-ICINS-all.pdf
https://ieeexplore.ieee.org/document/11220658/
https://ieeexplore.ieee.org/document/11177437
Возможность практического использования результатов
Результаты проекта предоставляет возможность практического использования совместной работы разнородных беспилотных аппаратов для выполнения заданий в промышленности, сельском и лесном хозяйстве, энергетике, нефтегазовой отрасли, строительстве и других отраслях экономики. Например, в сельскохозяйственной деятельности для орошения яблонь или обработки кукурузных полей. Реализуется сценарий обработки посевов от вредителей, который выполняет наземный дрон с помощью специального манипулятора. Управление навигацией автономного наземного дрона производится с помощью коптера при разных погодных условиях. Из-за растительности сигналы ГНСС могут быть для него блокированы. В отличие от наземного аппарата, коптер имеет доступ к сигналам ГНСС, он получает задание и сканирует посевы для локализации места их обработки. Определяет их координаты и передает задание роверу.
Практическое применение особенно необходимо при выполнении работ, где участие человека невозможно из-за требований безопасности.
Для эффективной работы в группе была предложена единая программно-информационная система определения ориентации и положения для разнородных аппаратов. В ИПУ РАН разработан образец дрона для проверки программного обеспечения с целью его применения для разнородных аппаратов, работающих в разных физических средах.