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

Для обеспечения полной автономной навигации беспилотных летательных аппаратов (БПЛА) в сложных городских условиях в данной статье предлагается методология, основанная на объединении перцептивных возможностей сверточных нейронных сетей и способности принятия решений алгоритмов обучения с подкреплением. В статье описываются архитектура системы, процедуры обучения, используемая среда моделирования и метрики оценки, применяемые при разработке и проверке предлагаемого подхода. Архитектура предлагаемой системы условно разделена на два основных модуля: модуль восприятия и модуль принятия решений. Модуль восприятия основан на глубокой CNN, которая обрабатывает необработанные визуальные данные, полученные с фронтальных камер, установленных на БПЛА. Модуль принятия решений использует алгоритм Deep Q-Network, который получает карту препятствий, сгенерированную модулем восприятия. Выходные данные модуля состоят из управляющих сигналов — изменений тангажа, крена и рыскания, — необходимых для коррекции траектории в зависимости от текущей ситуации. Модель сверточной нейронной сети, используемая в модуле восприятия, состоит из пяти сверточных слоев с активацией ReLU и операциями максимального пула, за которыми следуют два полностью связанных слоя. Конечным результатом модели является бинарная карта препятствий, показывающая наличие и относительное положение как статических, так и динамических объектов. Модель обучается на маркированном наборе данных, который включает аэрофотоснимки городской среды с различными конфигурациями препятствий и условиями освещения. Модуль DQN взаимодействует с моделируемой средой, изучая оптимальную стратегию навигации, направленную на максимизацию накопленных вознаграждений. Функция вознаграждения предназначена для поощрения движения вперед по маршруту, одновременно штрафуя за близость к препятствиям и резкие изменения траектории. Моделирование проводилось с использованием платформы Microsoft AirSim, настроенной для воспроизведения условий городской среды, включая высокие здания, узкие переулки и движущиеся объекты. Виртуальные сценарии включали как статические, так и динамические препятствия, различные условия освещения и ухудшение сигнала GPS. Модуль DQN обучался в течение многих эпизодов, в течение которых БПЛА исследовал различные маршруты и получал обратную связь, оценивающую безопасность и эффективность его действий. Обучение системы существенно улучшило ее способность адаптироваться и принимать решения в режиме реального времени, что подтверждают результаты тестирования в городских условиях.