Практическая реализация коммуникационной системы мобильной группы на основе нейронных сетей

В. Е. Приходько, П. Н. Тепляшин, А. В. Плотников, О. А. Шебухова

Аннотация


Развитие беспилотных авиационных систем (БАС) представляет собой ключевое направление в современных технологиях, открывающее новые горизонты для автоматизации и повышения эффективности различных процессов. Важной задачей в этой области является создание роя из нескольких беспилотных летательных аппаратов (БПЛА), которые могут совместно выполнять заданные миссии. Тактика роя, основанная на координации действий множества БПЛА, является одним из наиболее перспективных подходов для достижения этой цели. Тем не менее, организация эффективного обмена информацией между БПЛА в процессе выполнения миссии остается значительной технической проблемой. В данном контексте использование предобученных нейронных сетей и доступных вычислительных ресурсов может стать решением, позволяющим оптимизировать взаимодействие между участниками роя. Адаптивная навигация в пространстве, реализуемая с помощью метода CL-SLAM, предоставляет возможность строить карты местности на основе данных, полученных с обзорной видеокамеры. Этот метод позволяет точно фиксировать положение соседних БПЛА, что критически важно для их координации. Кроме того, маршрутизация на основе двухэтапного реактивного алгоритма обеспечивает эффективное взаимодействие между участниками роя, позволяя прогнозировать оптимальные маршруты передачи данных в беспроводных децентрализованных самоорганизующихся сетях. Внедрение предложенных подходов создаст условия для формирования роя БПЛА, способного решать сложные задачи, которые ранее казались недостижимыми, тем самым открывая новые возможности для применения беспилотных технологий в различных сферах.

Ключевые слова


БПЛА; рой; маршрутизация; навигация в составе группы; нейронная сеть; машинное зрение

Полный текст:

PDF

Литература


Карпов В. Э. Модели социального поведения в групповой робототехнике // УБС. 2016. № 59. EDN WANWKR. [[ Karpov V. E. Models of social behavior in group robotics // UBS. 2016. No. 59. EDN WANWKR. (In Russian). ]]

Муслимов Т. З. Методы и алгоритмы группового управления беспилотными летательными аппаратами самолетного типа // СИИТ. 2024. Т. 6, № 1(16). С. 3-15. EDN HOTUZU. [[ Muslimov T. Z. “Methods and algorithms for group control of aircraft-type unmanned aerial vehicles” // SIIT. 2024. Vol. 6, no. 1(16), pp. 3-15. EDN HOTUZU. (In Russian). ]]

Гурчинский М. М., Тебуева Ф. Б. Обнаружение нарушителя агентами роевых робототехнических систем в условиях недетерминированной среды функционирования // СИИТ. 2024. Т. 6, № 3(18). С. 71-82. EDN AUVYOX. [[ Gurchinsky M. M., Tebueva F. B. “Detection of an intruder by agents of swarm robotic systems in a non-deterministic operating environment” // SIIT. 2024. Vol. 6, no. 3(18), pp. 71-82. EDN AUVYOX. (In Russian). ]]

Петренко В. И., Тебуева Ф. Б., Гурчинский М. М. и др. Алгоритм машинного обучения системы управления антропоморфными манипуляторами // СИИТ. 2021. Т. 3, № 2(6). С. 35-43. EDN USZJSM. [[ Petrenko V. I., Tebueva F. B., Gurchinsky M. M., et al. “Machine learning algorithm for the control system of anthropomorphic manipulators” // SIIT. 2021. Vol. 3, no. 2(6), pp. 35‑43. EDN USZJSM. (In Russian). ]]

Tezerjani M. D., Khoshnazar M., Tangestanizadeh M., Yang Q. A Survey on Reinforcement Learning Applications in SLAM. arXiv:2408.14518v1.2024.

Rui Xu. “Visual SLAM methods for autonomous driving vehicles” // Highlights in Sci., Engineering and Technology. 2024. Vol. 111.

Annusewicz-Mistal A. et al. “Autonomous manipulator of a mobile robot based on a vision system” // Appl. Sci. 2023. Vol. 13, No. 439.

Rauf A., Irshad M. J., et al. “Comparative study of SLAM techniques for UAV” // Eng. Proc. 2021. Vol. 12, no. 67.

Pierzchałaa M., Giguèreb P., Astrup R. “Mapping forests using an unmanned ground vehicle with 3D LiDAR and graph-SLAM” // Computers and Electronics in Agriculture. 2018. Vol. 145, pp. 217-225. EDN YGVPWX.

Cesar G. Pachon-Suescun, Carlos J. Enciso-Aragon, Robinson Jiménez-Moreno. “Robotic navigation algorithm with machine vision” // International Journal of Electrical and Computer Engineering (IJECE). 2020. Vol. 10, no. 2, pp. 1308-1316.

Vödisch N., Cattaneo D., Burgard W., Valada A. “Continual SLAM: Beyond lifelong simultaneous localization and mapping through continual learning // Robotics Research. ISRR 2022. Springer Proceedings in Advanced Robotics. Vol 27, pp. 19-35.

Youssef Shawky Othman, Mohamed Helmy Megahed, Mohamed Abo Rezka, Fathy Ahmed Elsayed Amer. “A new communication protocol for drones’ cooperative network: 5G site survey case study // (IJACSA) International Journal of Advanced Computer Science and Applications. 2021. Vol. 12, no. 6.

Luo, X.; Chen, C.; Zeng, C.; Li, C.; Xu, J.; Gong, S. “Deep reinforcement learning for joint trajectory planning, transmission scheduling, and access control in UAV-assisted wireless sensor networks // Sensors. 2023. Vol. 10, no. 4691.

Новиков А. С., Ивутин А. Н., Пестин М. С. Алгоритм маршрутизации для обеспечения быстрого восстановления связи при обрывах маршрутов в сетях MANET // Системы управления, связи и безопасности. 2024. № 2. EDN EPMHJU. [[ Novikov A. S., Ivutin A. N., Pestin M. S. “Routing algorithm for ensuring fast connection restoration in case of route breaks in MANET networks” // Control, Communication and Security Systems. 2024. No. 2. EDN EPMHJU. (In Russian). ]]

Царёв А. А., Привалов А. Ю. Сравнение характеристик протоколов маршрутизации в беспроводных DTN сетях для гибридной модели подвижности узлов // Сб. тр. III междунар. конф. и молодежной школы «Информационные технологии и нанотехнологии» (ИТНТ-2017). Самара: Новая техника. 2017. С. 1394-1398. EDN YQLRKV. [[ Tsarev A. A., Privalov A. Yu. “Comparison of characteristics of routing protocols in wireless DTN networks for a hybrid model of node mobility” // Information Technologies and Nanotechnologies (ITNT-2017). Samara: New technology. 2017, pp. 1394-1398. EDN YQLRKV. (In Russian). ]]

Датьев И. О. Маршрутные метрики многошаговых беспроводных самоорганизующихся сетей // Труды Кольского научного центра РАН. 2015. № 3 (29). EDN VSLZEF. [[ Datyev I. O. “Routing metrics of multi-hop wireless self-organizing networks” // Proc. Kola Science Center of the Russian Academy of Sciences. 2015. No. 3 (29). EDN VSLZEF. (In Russian). ]]

Бринк Х., Ричардс Д., Феверолф М. Машинное обучение. СПб.: Питер, 2017. 336 с. [[ Brink H., Richards D., Feverolf M. Machine Learning. St. Petersburg: Piter, 2017. (In Russian). ]]

Нейронные сети. Statistica Neural Networks. Методология и технологии современного анализа данных / Под ред. В. П. Боровикова. 2-е изд. М.: Горячая линия – Телеком, 2008. 392 с. [[ Neural networks. Statistica Neural Networks. Methodology and Technologies of Modern Data Analysis. Moscow: Goryachaya Liniya – Telecom, 2008. (In Russian). ]]

Мудров В. И., Кушко В. Л. Метод наименьших модулей. М.: Знание, 1971. [[ Mudrov V. I., Kushko V. L. Method of Least Modules. Moscow: Knowledge, 1971. (In Russian). ]]

Демиденко Е. З. Линейная и нелинейная регрессии. М.: Финансы и статистика, 1981. [[ Demidenko E. Z. Linear and Nonlinear Regressions. Moscow: Finance and Statistics, 1981. (In Russian). ]]

Андреев П. Г., Андреева Т. В., Юрков Н. К. Использование искусственной нейронной сети типа GRNN в задачах прогнозирования // Международная конференция по мягким вычислениям и измерениям. 2017. Т. 2. С. 63–66. EDN ZEJCGD. [[ Andreev P. G., Andreeva T. V., Yurkov N. K. Using an artificial neural network of the GRNN type in forecasting problems // International Conference on Soft Computing and Measurements. 2017. Vol. 2, pp. 63–66. EDN ZEJCGD. (In Russian). ]]

Шпаков А. В., Лавина Т. А. Применение нейронных сетей для аппроксимации экспериментальных данных // Тенденции развития науки и образования. 2022. № 84-2. С. 60–64. EDN LGYQTZ. [[ Shpakov A. V., Lavina T. A. “Application of neural networks for approximation of experimental data” // Trends in the Development of Sci. and Edu. 2022. No. 84-2, pp. 60–64. EDN LGYQTZ. (In Russian). ]]

Nader F., Hong G., Kazem M., Seyyed Ali S., Keramat H., Mohammad Reza E. “Nonlinear Poisson regression using neural networks: A simulation study” // Neural Computing and Applications. Vol. 8, no. 18, pp. 939–943.


Ссылки

  • На текущий момент ссылки отсутствуют.


(c) 2025 В. Е. Приходько, П. Н. Тепляшин, А. В. Плотников, О. А. Шебухова