АКТУАЛЬНОСТЬ ИНТЕГРИРОВАННЫХ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ В ЗАДАЧАХ УПРАВЛЕНИЯ БЕСПИЛОТНЫМ ЛЕТАТЕЛЬНЫМ АППАРАТОМ

THE RELEVANCE OF INTEGRATED INTELLIGENT SYSTEMS IN THE TASKS OF CONTROLLING AN UNMANNED AERIAL VEHICLE

Задачи управления беспилотными летательными аппаратами (БПЛА) приобретают колоссальную актуальность на сегодняшний день. Данный фактор является следствием того, что БПЛА актуализируются в применении практически во всех сферах жизнедеятельности современного человека. Таким образом, беспилотные летательные аппараты выполняют как бытовые, так и профессиональные задачи в современном мире, одними из примеров которых являются: доставка продовольствия и медикаментов в качестве гуманитарной помощи в отдаленных или отрезанных природными катаклизмами регионах; выполнение боевых задач по разведке или уничтожению целей и другое [1].

Именно интеллектуальные системы управления БПЛА представляют наибольший интерес и актуальность на сегодняшний день. Необходимо отметить, что автономные системы управления, функционирующие без участия человека, являются основным компонентом, обеспечивающим безопасное и эффективное применение БПЛА в различных целях. Одним из основных направлений из этой области является интеллектуализация робототехнических систем, а также обеспечение возможности к их самодиагностике с целью принятия оптимальных решений, учитывая поставленные задачи. Именно применение технологий искусственного интеллекта способно решить многие задачи управления беспилотным летательным аппаратом, существующие на сегодняшний день.

Продолжая разговор о непосредственной интеллектуализации систем управления БПЛА необходимо отметить то, что для обеспечения эффективного функционирования беспилотных летательных аппаратов напрямую необходима интеграция интеллектуальных систем управления. Одним из основных фундаментов данных систем является наличие режимов принятия решений посредством логической обработки сигналов. Именно подобные интеллектуальные системы управления способны обеспечить автономный режим управления БПЛА.

На сегодняшний день не решенной остается проблема, выраженная в невозможности создания и синтеза интеллектуальных систем управления, рационально выполняющих свои функции в случае частичной потери работоспособности, наиболее актуальной данная проблема является для военного сегмента использования беспилотных летательных аппаратов. В большинстве случаев на сегодняшний день БПЛА управляются оператором вручную посредством дистанционных систем управления [2].

Одним из решений указанных проблем является интеграция комплексно-взаимодействующих методов, указанных на рис. 1:

 

Рис. 1. Методы, комплексно интегрирующиеся в интеллектуальную систему управления БПЛА

 

Таким образом, интеграция комплексно-взаимодействующих методов, представленных на рис. 1, в систему управления беспилотным летательным аппаратом позволяет получить возможность к синтезу перспективных и инновационных интегрированных систем управления.

Изучим одну из технологий разработки интеллектуального алгоритма для управления БПЛА в задачах военного назначения. В основе алгоритма управления моделью беспилотного летательного аппарата, реализующего интеллектуальный подход к управлению, лежит принцип оптимизации функции полезности, определяющей состояние управляемого объекта по таким параметрам, как пространственное положение относительно противников, союзников и препятствий. Кроме того, предполагается, что воздушные маневры на высоких скоростях более эффективны, чем на низких [3].

Управление, таким образом, осуществляется согласно следующему алгоритму, представленному на рис. 2:

 

Рис. 2. Алгоритм интеллектуального управления БПЛА

 

Функция полезности определяется как аддитивная функция вида:

 

                 (1)

 

Здесь 𝑞1 - функция полезности - служит для оценки пространственного положения относительно противников, 𝑞2 - функция полезности для оценки пространственного положения относительно союзников, 𝑤 - функция полезности для оценки пространственного положения относительно препятствий, 𝑠 - функция полезности, учитывающая скорость управляемого объекта, 𝑎1, 𝑎2, 𝑎3, 𝑎4- весовые коэффициенты.

Функция полезности для параметра «взаимное расположение со всеми союзниками» может быть упрощена, если учитывать только пространственное положение ближайшего из союзников. Компонента 𝑞2 для взаимного расположения с противниками также учитывается только по одному из противников, выбор которого производится системой распределения целей.

Весовые коэффициенты 𝑎1, 𝑎2, 𝑎3, 𝑎4 подобраны эмпирически так, чтобы поведение управляемых БПЛА было нацелено на активную борьбу с объектами-противниками с достаточной степенью осторожности, обеспечивающей безопасное маневрирование в условиях ограниченного пространства и плотного заполнения поля боя как союзными, так и вражескими объектами [4].

Стратегия обучения интеллектуального алгоритма представлена на рис. 3:

 

Рис. 3. Стратегия обучения интеллектуального алгоритма

 

Рассмотрим эффективность изучаемого метода. На рис. 4 представлена статистика за 1000 симуляций боев «один на один» на разных этапах работы генетического алгоритма оптимизации:

 

Рис. 4. Статистика за 1000 симуляций боев «один на один»

 

Таким образом видно, что в последнее время прослеживается колоссальный интерес со стороны исследовательского сообщества к созданию интеллектуальных систем управления беспилотным летательным аппаратом нового поколения. Разработка подобных систем управления напрямую подразумевает необходимое использование методов и подходов к решению множества вопросов посредством использования интеллектуальных систем и технологий.

 

Литература

1.                 Иванов Д.Я. Методы роевого интеллекта для управления группами малоразмерных беспилотных летательных аппаратов // Известия ЮФУ. Технические науки. 2011. 

2.                 Прокопьев И.В. Модель интеллектного контроллера подстройки эталонной модели для системы координатно-параметрического управления. // Труды ИСА РАН. Динамика неоднородных систем. 2010.

3.                 Яковлев К.С., Петров А.В., Хитьков В.В. Программный комплекс навигации и управления беспилотными транспортными средствами // Информационные технологии и вычислительные системы. 2013.

4.                 Ishchuk I. N., Filimonov a.m., Stepanov E. A. Method of classification of stationary and quasi-stationary objects based on dynamic infrared images obtained by complexes with unmanned aerial vehicles. Radio Engineering. 2016.

 

Literature

1.                 Ivanov D.Ja. Metody roevogo intellekta dlja upravlenija gruppa-mi malorazmernyh bespilotnyh letatel'nyh apparatov // Izvestija JuFU. Tehnicheskie nauki. 2011. 

2.                 Prokop'ev I.V. Model' intellektnogo kontrollera podstrojki jetalonnoj modeli dlja sistemy koordinatno-parametricheskogo upravlenija. // Trudy ISA RAN. Dinamika neodnorodnyh sistem. 2010.

3.                 Jakovlev K.S., Petrov A.V., Hit'kov V.V. Programmnyj kompleks navigacii i upravlenija bespilotnymi transportnymi sredstvami // In-formacionnye tehnologii i vychislitel'nye sistemy. 2013.

4.                 Ishchuk I. N., Filimonov a.m., Stepanov E. A. Method of classification of stationary and quasi-stationary objects based on dynamic infrared images obtained by complexes with unmanned aerial vehicles. Radio Engineering. 2016.