Применение нейронных сетей для автономной навигации беспилотных летательных аппаратов в условиях городской среды

Бюллетень науки и практики / Bulletin of Science and Practice Т. 11. №6 2025

УДК 004.832                                       

Беспилотные летательные аппараты (БПЛА), обычно называемые дронами, в последние годы демонстрируют впечатляющий рост как с точки зрения технологического развития, так и практического применения в различных отраслях — от логистики, наблюдения и мониторинга инфраструктуры до сельского хозяйства и реагирования на чрезвычайные ситуации. Их универсальность, экономичность и способность работать в труднодоступных или опасных условиях делают БПЛА привлекательным решением для широкого спектра современных задач. Однако с ростом масштабов использования БПЛА, особенно в городских условиях, все более актуальной становится проблема обеспечения безопасной, надежной и автономной навигации. Современные алгоритмы позволяют БПЛА учитывать погодные условия, турбулентность и неожиданные препятствия. Искусственный интеллект играет ключевую роль в изменении системы ориентации изменяющейся среды. Городская среда представляет собой чрезвычайно сложное пространство для навигации дронов из-за высокой плотности архитектурных объектов и динамических, часто непредсказуемых условий, возникающих в результате деятельности человека и движения транспортных средств [1].

В отличие от открытых или сельских территорий, где достаточно полета по заранее заданным маршрутам с использованием GPS, города требуют гораздо более высокого уровня интеллектуальной адаптации от бортовых систем БПЛА. Эффективная навигация в таких условиях требует, чтобы дроны могли воспринимать окружающую среду в реальном времени. Традиционные навигационные системы обычно полагаются на данные глобальных навигационных спутниковых систем (GPS), инерциальных измерительных блоков (IMU) и простых алгоритмов реактивного управления. Хотя эти инструменты обеспечивают базовую ориентацию и движение, они не способны гарантировать полную автономность в нестандартных и динамических ситуациях. Более того, сигналы GPS в густонаселенных городских районах подвержены отражениям, экранированию и многолучевым искажениям, что еще больше усложняет автономный полет.

В ответ на эти проблемы все чаще используется интеграция методов искусственного интеллекта (ИИ), в частности искусственных нейронных сетей (ИНС). ИНС могут обрабатывать сложные данные датчиков, распознавать закономерности и принимать решения на основе накопленного опыта. В контексте навигации БПЛА модели глубокого обучения, особенно сверточные нейронные сети (СНС), успешно применяются для обработки визуальной информации в реальном времени для таких задач, как обнаружение препятствий, понимание сцены и локализация. Кроме того, обучение с подкреплением (RL), процесс, в котором агент обучается методом проб и ошибок, взаимодействуя с окружающей средой, оказалось весьма эффективным в задачах динамического планирования траектории и управления. Сочетание СНС для обработки данных датчиков с RL для принятия решений позволяет создавать полностью автономные системы управления, которые могут не только понимать окружающую среду, но и реагировать на нее в реальном времени для достижения поставленных целей [2].

Проблема автономной навигации для БПЛА в городских условиях остается одной из наиболее актуальных и быстро развивающихся областей исследований за последнее десятилетие. Недавние научные разработки демонстрируют качественный переход от традиционных реактивных и основанных на правилах систем управления к интеллектуальным моделям, которые используют возможности методов искусственного интеллекта. В этом разделе представлен аналитический обзор ключевых исследований в области обнаружения препятствий, планирования траектории и интеграции СНС и алгоритмов обучения с подкреплением в навигационные системы БПЛА с акцентом на их научную значимость и инновационность [1].

Ранние подходы опирались на классические бортовые датчики, такие как LiDAR, ультразвуковые датчики и GPS, в сочетании с жестко предопределенными эвристиками для избегания препятствий. Хотя эти методы давали удовлетворительные результаты в структурированных средах, они демонстрировали ограниченную адаптивность и нестабильность в плотной и динамичной городской инфраструктуре. Значительным прорывом в этой области стало внедрение методов глубокого обучения, в частности СНС, в системы восприятия БПЛА. Чжан и др. [3], например, продемонстрировали, что СНС позволяют обнаруживать в реальном времени различные типы статических и динамических препятствий, тем самым значительно повышая ситуационную осведомленность БПЛА. Это достижение открывает возможности для более гибкой и контекстно-зависимой навигации.

Кроме того, алгоритмы обучения с подкреплением оказались эффективными инструментами для разработки стратегий адаптивного управления. Важной вехой стало введение Deep Q-Network (DQN) Мнихом и др. [4], которая заложила основу для интеграции RL с глубокими нейронными сетями. Современные алгоритмы, такие как Proximal Policy Optimization (PPO) и Advantage Actor-Critic (A2C), еще больше повышают надежность и эффективность обучения в реальном времени в условиях высокой изменчивости и неопределенности.

Одно из наиболее перспективных направлений включает гибридные архитектуры, которые объединяют СНС и RL в единую замкнутую систему.

Исследования, использующие среды моделирования, такие как AirSim и Gazebo [5], также имеют значительную научную ценность. Эти платформы позволяют безопасно и эффективно обучать и тестировать модели нейронных сетей в условиях, приближенных к реальным, без риска повреждения оборудования или проблем с безопасностью. Они также облегчают создание обширных синтетических наборов данных с высокой изменчивостью.

Несмотря на достигнутый прогресс, остается несколько проблем. К ним относятся проблема переноса сим-в-реальный, высокие вычислительные требования глубоких моделей и необходимость повышения энергоэффективности. Будущие направления исследований включают сжатие моделей, методы переноса обучения и слияние данных мультисенсоров. Интеграция методов СНС и RL предлагает принципиально новый уровень возможностей, открывая многообещающие перспективы для создания устойчивых систем, способных эффективно работать в сложных и динамически меняющихся городских условиях. Для обеспечения полностью автономной навигации беспилотных летательных аппаратов в сложных городских условиях в этом исследовании предлагается методология, основанная на сочетании перцептивных возможностей сверточных нейронных сетей и сильных сторон алгоритмов обучения с подкреплением в принятии решений. В этом разделе представлена архитектура системы, процедуры обучения, среда моделирования и метрики оценки, используемые при разработке и проверке предлагаемого подхода. Архитектура предлагаемой системы концептуально разделена на два основных модуля: модуль восприятия и модуль принятия решений. Модуль восприятия реализован с использованием глубокой СНС, которая обрабатывает необработанные визуальные входные данные, полученные с фронтальных камер, установленных на БПЛА. Модуль принятия решений основан на алгоритме DQN, который принимает в качестве входных данных карту препятствий, сгенерированную модулем восприятия. Выходные данные этого модуля состоят из управляющих сигналов — корректировки тангажа, крена и рыскания, — необходимых для коррекции траектории БПЛА на основе текущего контекста окружающей среды.

Сверточная нейронная сеть, используемая в модуле восприятия, состоит из пяти сверточных слоев с активацией ReLU и максимальным пулом, за которыми следуют два полностью связанных слоя. Модель выводит бинарную карту препятствий, указывающую наличие и относительное положение как статических, так и динамических объектов. Обучение выполняется на маркированном наборе данных городских аэрофотоснимков с различными конфигурациями препятствий и условиями освещения.

Модуль DQN взаимодействует с имитируемой средой для изучения оптимальной навигационной политики, которая максимизирует кумулятивные вознаграждения. Функция вознаграждения поощряет движение вперед по маршруту, штрафуя близость к препятствиям и резкие изменения траектории. Обучение проводится в течение нескольких эпизодов, в течение которых БПЛА исследует различные маршруты и получает обратную связь о безопасности и эффективности своих действий (Рисунок 1).

Рисунок 1. Блок-схема архитектуры системы, демонстрирующая взаимодействие между входными данными с камеры, СНС, DQN и выходами управления БПЛА

Моделирование проводилось с использованием Microsoft AirSim, настроенного для имитации городских условий с высокими зданиями, узкими переулками, движущимися объектами, изменяющимся освещением и периодическим ухудшением GPS. На Рисунке 2 показан интерфейс симуляционной платформы, использованной для обучения и тестирования навигационной системы. На сцене визуализированы различные типы препятствий, включая статические и подвижные объекты, характерные для городской среды. Отмеченные области служат эталонными зонами, используемыми для оценки точности распознавания системой.

Рисунок 2. Снимок симуляционной среды с отмеченными областями препятствий

Оценка эффективности работы системы проводилась по следующим ключевым показателям: точность обнаружения препятствий (ODA, Obstacle Detection Accuracy): процент правильно идентифицированных препятствий по сравнению с эталонными метками; частота столкновений (CR, Collision Rate): Количество столкновений, зафиксированных на

Бюллетень науки и практики / Bulletin of Science and Practice Т. 11. №6 2025 каждые 100 эпизодов полёта; задержка принятия решения (DL, Decision Latency): Среднее время, необходимое для вычисления одного управляющего действия; индекс оптимальности маршрута (POI, Path Optimality Index): оценка, отражающая соотношение длины и плавности фактической траектории относительно теоретически оптимальной.

Представленная методологическая структура обеспечивает не только теоретическую обоснованность системы, но и её практическую применимость для задач автономной навигации БПЛА в условиях городской среды в режиме реального времени. В следующем разделе приводится описание экспериментальной установки и анализ результатов моделирования.

Экспериментальные результаты

Для оценки эффективности предложенной навигационной системы на основе нейронных сетей была проведена серия симуляционных экспериментов в среде AirSim. Эти симуляции моделировали сложные городские условия, включая узкие переулки, скопления высотных зданий, перекрёстки с движущимися транспортными средствами, а также участки с переменным уровнем освещённости и помехами сигнала. Беспилотному летательному аппарату была поставлена задача достичь заранее заданных контрольных точек, избегая столкновений и одновременно оптимизируя маршрут движения.

Эксперименты были разбиты на три основных категории сценариев:

— Навигация при наличии статических препятствий — БПЛА должен был пролетать через участки с фиксированными объектами, такими как здания, уличные фонари и рекламные щиты.

— Обход динамических препятствий — в этих сценариях БПЛА сталкивался с движущимися транспортными средствами и пешеходами.

— Условия с ухудшением сигнала — моделировались ситуации с нарушением GPS-сигнала и изменяющимися условиями освещённости, что позволяло оценить устойчивость системы в неблагоприятных условиях.

Каждый тип сценариев был воспроизведён в 100 независимых эпизодах с произвольным размещением препятствий и изменением условий, что обеспечило разнообразие тестов и достоверность полученных результатов (Рисунок 3).

Рисунок 3. Примеры траекторий полёта в каждом типе сценариев

-•— Target

Observer

S> 'Ihreat

На иллюстрации представлены характерные маршруты движения БПЛА, полученные в результате симуляций при навигации через статические препятствия, при взаимодействии с динамическими объектами и в условиях деградации сигнала. Эти траектории демонстрируют адаптивность системы и её способность корректировать маршрут в зависимости от текущей обстановки. Количественная оценка эффективности системы представлена в Таблице 1.

Таблица 1

СВОДНЫЕ РЕЗУЛЬТАТЫ ПО ВСЕМ ТИПАМ СИМУЛЯЦИОННЫХ СЦЕНАРИЕВ

Метрика	Значение	Улучшение по сравнению с базовой системой
Точность обнаружения препятствий	95,7 %	+17,4%
Частота столкновений (на 100 запусков)	2,1	-68 %
Задержка принятия решения	83 мс	-42 %
Индекс оптимальности маршрута	0,87	+22 %

Полученные результаты демонстрируют, что интегрированная система на основе свёрточных нейронных сетей и обучения с подкреплением значительно превосходит традиционные навигационные методы, основанные на правилах, по всем основным показателям. Существенное улучшение наблюдается в точности обнаружения препятствий, при этом траектории полёта остаются плавными и близкими к оптимальным даже в условиях непредсказуемой среды. Кроме того, время отклика системы (задержка принятия решений) было снижено до значения менее 100 мс, что удовлетворяет требованиям работы в реальном времени для автономных БПЛА.

На Рисунке 4 представлено сравнение ключевых метрик навигации между предлагаемой системой на основе CNN-RL и традиционным (базовым) методом управления. Видно, что по всем параметрам — от точности распознавания препятствий до скорости принятия решений — новая система демонстрирует значительное превосходство. Полученные результаты подтверждают, что предложенное решение обеспечивает высокий уровень безопасности и эффективности даже в условиях сложной и переменчивой городской среды. В следующем разделе рассматриваются более широкие последствия этих выводов, а также обозначаются перспективные направления для дальнейшего развития системы.

Рисунок 4. Сравнительная диаграмма показателей

Обсуждение

Результаты моделирования убедительно подтверждают жизнеспособность предлагаемой навигационной системы на основе нейронной сети для автономного управления БПЛА в городских условиях. Ключевым достижением является способность системы поддерживать высокую производительность в сложных сценариях, демонстрируя адаптивность, устойчивость и надежность.

Модуль восприятия на основе СНС значительно повысил точность обнаружения препятствий, подтвердив свою роль в качестве эффективного сенсорного ядра. Понимание сцены в реальном времени позволило принимать более безопасные и обоснованные решения, что критически важно в плотных городских условиях, где даже незначительные ошибки восприятия могут поставить под угрозу миссии.

Модуль принятия решений с подкреплением также показал высокую эффективность. Низкая частота столкновений и выбор пути, близкий к оптимальному, указывают на то, что агент успешно научился ориентироваться как в стабильных, так и в динамических средах. Это во многом было обусловлено хорошо продуманной функцией вознаграждения, которая способствовала плавному, целенаправленному поведению, а не реактивным действиям.

Однако некоторые ограничения остаются. Имитационные среды, такие как AirSim, хотя и полезны, не могут полностью воспроизвести реальную городскую сложность. Перенос политик в реальные условия может выявить такие проблемы, как шум датчика, эффекты ветра или аппаратные задержки (разрыв между симуляцией и реальностью). Кроме того, высокие вычислительные требования к СНС могут препятствовать развертыванию на легких или энергоограниченных платформах.

Будущие усовершенствования должны быть сосредоточены на методах оптимизации моделей, таких как обрезка, квантование и ускорение периферийного оборудования для снижения вычислительных затрат. Кроме того, хотя задержка принятия решений в реальном времени была приемлемой, масштабируемость системы для координации нескольких БПЛА или высокоскоростной навигации остается открытым направлением исследований.

В заключение следует отметить, что объединение глубокого обучения и обучения с подкреплением показывает большой потенциал для интеллектуальных навигационных систем БПЛА. При дальнейшей доработке и проверке в реальных условиях такие системы могут сыграть решающую роль в развитии городской воздушной мобильности, интеллектуальной логистики и операций по реагированию на чрезвычайные ситуации.

Заключение

В рамках данного исследования предложен и апробирован новый подход к обеспечению автономной навигации БПЛА в условиях сложной городской среды, основанный на сочетании СНС и алгоритмов обучения с подкреплением. Интеграция визуального восприятия в реальном времени с адаптивной системой принятия решений позволила достичь высокого уровня автономности, продемонстрировав значительное улучшение показателей по точности обнаружения препятствий, оптимизации траектории и времени отклика в динамических условиях. Результаты моделирования, проведённого в различных сценариях городской среды, подтвердили надёжность и эффективность предложенной архитектуры. Система обеспечивала низкий уровень столкновений и стабильную задержку принятия решений менее 100 миллисекунд, что соответствует требованиям к навигации в реальном времени. Эти данные свидетельствуют о высоком потенциале синергии визуального распознавания на основе СНС и управления, реализованного через RL, для создания более интеллектуальных, безопасных и эффективных

Бюллетень науки и практики / Bulletin of Science and Practice Т. 11. №6 2025 систем управления БПЛА в условиях плотной городской застройки. Вместе с тем, несмотря на достигнутые успехи, исследование выявило и определённые ограничения, в частности, связанные с высокой вычислительной нагрузкой и сложностями переноса обученных моделей из симуляционной среды в реальные условия. Будущие исследования должны быть сосредоточены на проведении полевых испытаний, оптимизации системы для встроенного исполнения и расширении сенсорного восприятия путём интеграции дополнительных модальностей данных. Таким образом, полученные результаты вносят вклад в развитие технологий автономной аэронавигации и создают основу для практического применения интеллектуальных БПЛА в таких областях, как системы доставки, мониторинг транспортных потоков и реагирование на чрезвычайные ситуации.