Актуальность разработки

В связи с бурным развитием беспилотных авиационных систем (БПЛА) и их активным внедрением в гражданскую, коммерческую и военную сферы, всё более остро встаёт вопрос о высокой точности и надёжности определения их местоположения. Существующие навигационные решения, в основном базирующиеся на глобальных спутниковых системах (GPS, ГЛОНАСС, Galileo, BeiDou), имеют несколько серьёзных недостатков:

• Чувствительность к помехам и подмене сигналов: спутниковые сигналы уязвимы для глушения (jamming) и имитации (spoofing), что особенно опасно в зонах боевых действий, городских условиях или природных препятствиях (каньоны, густые леса, ущелья).
• Снижение точности в сложных условиях: в плотной застройке, внутри помещений или у отражающих поверхностей возникает многолучевость, что ведёт к заметным ошибкам в определении координат.
• Зависимость от инфраструктуры: при отказе или недоступности спутниковой навигации (например, из-за техногенной катастрофы или глобального конфликта) БПЛА теряют возможность самостоятельно определять своё положение.

В этой связи особенно важной становится разработка интеллектуальных систем, которые объединяют данные с различных датчиков (инерциальные измерительные блоки, камеры, лидары, радары, ультразвуковые сенсоры, внешние источники) и с помощью методов искусственного интеллекта, машинного обучения и мультисенсорного слияния адаптивно уточняют позицию дрона.

Такие комплексы обеспечивают:

• Рост автономности и устойчивости БПЛА при сбоях или отсутствии сигнала ГНСС;
• Сантиметровую точность позиционирования даже в средах, где спутниковая навигация недоступна;
• Самообучение и подстройку под меняющиеся внешние условия;
• Повышение безопасности полётов за счёт более достоверной навигационной информации;
• Расширение круга решаемых задач: от инспекции инфраструктуры и грузодоставки до разведки и мониторинга в сложных условиях.

Таким образом, создание интеллектуального комплекса для уточнения местоположения БПЛА является актуальной научно-технической проблемой, отвечающей современным вызовам навигации и способствующей росту эффективности, надёжности и безопасности применения беспилотников в самых разных областях.

Описание

Современные беспилотные летательные аппараты (БПЛА) широко используются как в гражданских, так и в военных целях — от мониторинга инфраструктуры и сельского хозяйства до разведки и целеуказания. Однако проблема точности позиционирования остаётся одной из ключевых, особенно при плохой видимости спутников (городские кварталы, горы, леса), при наличии помех или отказе систем вроде GPS/ГЛОНАСС. Для повышения надёжности и точности навигации необходим интеллектуальный комплекс, способный объединять данные с разных сенсоров и адаптироваться к переменам во время полёта.

Цель разработки

Создание интеллектуального комплекса для высокоточного и отказоустойчивого определения координат БПЛА в реальном времени с использованием методов искусственного интеллекта и адаптивной фильтрации.

Основные задачи

• Интеграция данных спутниковых навигационных систем (GPS, ГЛОНАСС, Galileo, BeiDou).
• Использование инерциальных измерительных модулей (IMU): акселерометров, гироскопов, магнитометров.
• Применение визуальной одометрии и данных с камер (оптический / инфракрасный диапазон).
• Внедрение алгоритмов машинного обучения для компенсации дрейфа инерциальных систем и распознавания местности.
• Разработка адаптивного фильтра Калмана или его нелинейных вариантов (например, UKF, PF).
• Обеспечение работоспособности при частичной или полной потере спутникового сигнала.
• Минимизация энергопотребления и вычислительной нагрузки для работы на борту.

Архитектура комплекса

В состав комплекса входят следующие подсистемы:

• Сенсорный блок: многоконстелляционный многочастотный GNSS-приёмник, высокоточный 9-осевой IMU, оптическая система (камера или стереокамера + инфракрасные датчики), барометрический высотомер, а также опционально лидар или радиолокационный дальномер.
• Вычислительный блок: бортовой процессор (например, FPGA или SoC с поддержкой AI-ускорителей) и ПО для обработки данных в реальном времени.
• Алгоритмическая подсистема: модуль мультисенсорной фьюзии, нейросетевые модели для визуального распознавания и коррекции траектории, адаптивный фильтр оценки состояния, модуль диагностики и отказоустойчивости.
• Интерфейсный блок: API для связи с бортовыми системами управления и интерфейс передачи данных на наземную станцию.

Ключевые технологии и методы

• Слияние данных (Sensor Fusion) на базе фильтра Калмана – для объединения информации от разных источников с учётом их точности и задержек.
• Визуальная одометрия (VO/VIO) – для расчёта перемещения по видеопотоку.
• Нейросетевые модели (CNN, RNN, Transformer) – для распознавания опорных точек на местности и привязки к цифровым картам.
• Цифровые карты и 3D-модели местности – для корреляционного уточнения позиции.
• Адаптивная настройка весов сенсоров – в зависимости от условий (например, снижение доверия к GNSS в ущелье).

Преимущества комплекса

• Высокая точность определения координат (до сантиметрового уровня в благоприятных условиях).
• Устойчивость к отказам отдельных датчиков.
• Возможность автономной навигации при полной потере GNSS-сигнала (до нескольких минут или километров).
• Малая задержка обработки данных.
• Масштабируемость для разных типов БПЛА (от мини-дронов до тяжёлых аппаратов).

Области применения

• Беспилотные летательные аппараты различного назначения.
• Гражданские дроны для доставки грузов, инспекции ЛЭП и трубопроводов.
• Аэрофотосъёмка и картография.
• Поисково-спасательные операции в труднодоступных районах.

Заключение

Разрабатываемый интеллектуальный комплекс представляет собой современное решение для повышения точности и надёжности навигации БПЛА в сложных условиях. Благодаря сочетанию классических методов фильтрации и технологий искусственного интеллекта он обеспечивает стабильное и точное позиционирование даже при частичной или полной деградации традиционных навигационных систем. Комплекс может быть встроен как в новые, так и в уже существующие беспилотные платформы, существенно расширяя их функциональные возможности и степень автономности.

На страницу проекта