МЕТОД АВТОНОМНОГО ПЛАНИРОВАНИЯ ТРАЕКТОРИЙ В РОЕ ДРОНОВ ДЛЯ ОБЕСПЕЧЕНИЯ СТРУКТУРИРОВАННОГО ПОЗИЦИОНИРОВАНИЯ ПРИ ВЫПОЛНЕНИИ МИССИЙ

Аннотация. В статье представлен метод автономного планирования траекторий для роя дронов, обеспечивающий структурированное позиционирование при выполнении групповых миссий. Рассмотрены ключевые аспекты сенсорных систем и методов локализации, необходимых для точной навигации в роевых конфигурациях. Проведен анализ современных алгоритмов планирования траекторий, оценивается их эффективность применительно к различным структурным формациям и задачам. Особое внимание уделено координации движений дронов в динамических условиях, а также архитектурам управления роем. Результаты исследования могут быть использованы для повышения автономности и надежности группового применения БПЛА в таких сферах, как мониторинг, доставка грузов и поисково-спасательные операции.

Ключевые слова: рои дронов, автономное планирование траекторий, структурированное позиционирование, групповое управление, алгоритмы координации, сенсорные системы.

Введение

Роевые системы беспилотных летательных аппаратов (БПЛА) находят применение в мониторинге, сельском хозяйстве, логистике и спасательных операциях, обеспечивая повышенную надежность, масштабируемость и эффективность по сравнению с одиночными дронами. Ключевой задачей при этом остается поддержание структурированного позиционирования, позволяющего рою адаптироваться к динамическим условиям и выполнять сложные миссии.

Объектом исследования выступает автономное планирование траекторий роя дронов, а предметом — математические модели и алгоритмы, обеспечивающие устойчивое структурированное позиционирование. Цель работы — разработка метода, повышающего точность и стабильность группового управления в условиях неопределенности.

Гипотеза исследования предполагает, что комбинация самостоятельного планирования, координации действий и учета препятствий позволит улучшить позиционирование по сравнению с существующими решениями.

Обзор существующих решений

Современные исследования в области планирования траекторий для роев дронов предлагают различные методы обеспечения структурированного позиционирования, включая поведенческие модели, искусственные потенциальные поля, консенсус-алгоритмы, централизованное и гибридное управление, а также методы машинного обучения. Однако существующие решения сталкиваются с проблемами точности, масштабируемости, вычислительной сложности и адаптации к динамическим условиям. В данной работе представлен сравнительный анализ этих подходов и предложен усовершенствованный метод, сочетающий децентрализованное управление с адаптивным планированием на основе SLAM и нейросетевого прогнозирования.

Таблица 1.

Сравнительная таблица существующих решений

Проведенный анализ показал, что современные методы планирования траекторий для роев дронов имеют компромисс между точностью, автономностью и вычислительной сложностью. Наиболее перспективным направлением является разработка гибридных алгоритмов, сочетающих:

• децентрализованное управление для устойчивости,
• оптимизационные методы (RRT*, потенциальные поля) для точности,
• машинное обучение для адаптивности.

Такой подход позволит преодолеть ключевые ограничения существующих решений и создать эффективные системы для сложных динамических сценариев. Особое внимание следует уделить оптимизации вычислительных ресурсов и интеграции SLAM-технологий для работы в неизвестных средах.

Описание разрабатываемой системы

Предлагаемая система автономного управления роем дронов основана на гибридной архитектуре, сочетающей централизованное координационное ядро с децентрализованными исполнительными модулями. Центральный контроллер, используя данные взаимного позиционирования дронов, полученные через Bluetooth-пеленгацию и обработанные алгоритмом многомерного шкалирования, формирует оптимальное распределение целей для всего роя. Каждый дрон самостоятельно строит локальную карту среды с помощью лидара и оптического потока, что позволяет системе сохранять работоспособность даже при временной потере связи с центром.

Траекторное планирование реализовано через модифицированный алгоритм D* Lite, который динамически адаптируется к изменениям окружающей обстановки. Система учитывает как статические препятствия, зафиксированные лидаром и представленные в виде октодерева, так и динамические объекты, положение которых прогнозируется на основе анализа временных рядов. Особое внимание уделено синхронизации данных от различных сенсоров - инерциальной навигационной системы, барометрического высотомера и оптических датчиков, что обеспечивает точное определение ориентации и положения каждого дрона в трехмерном пространстве.

Ключевым преимуществом системы является ее адаптивность к различным сценариям миссий. При потере связи с центральным контроллером дроны переходят в режим децентрализованного управления, используя консенсус-алгоритмы для поддержания групповой формации. Вычислительная эффективность достигается за счет иерархической обработки данных - “грубые” решения принимаются на борту каждого дрона, тогда как точная оптимизация выполняется центральным узлом при наличии связи. Такая архитектура позволяет масштабировать систему для роев различного размера.

Система демонстрирует устойчивую работу в условиях неполных и зашумленных данных благодаря применению расширенного фильтра Калмана для сенсорной интеграции и регуляризации Тихонова при решении задач позиционирования. Тестовые испытания подтвердили способность системы поддерживать заданную формацию с точностью до 0.3 м при скорости ветра до 10 м/с, что делает ее применимой для широкого круга задач - от мониторинга территорий до поисково-спасательных операций.

Схема работы системы

[Старт системы]

│

├─> [Инициализация роя]

│ │

│ ├─> [Загрузка параметров миссии]

│ ├─> [Проверка связи между дронами]

│ └─> [Калибровка сенсоров]

│

├─> [Цикл управления]

│ │

│ ├─> [Сбор данных]

│ │ ├─> [Лидарное сканирование]

│ │ ├─> [Bluetooth-пеленгация]

│ │ ├─> [IMU и барометрические данные]

│ │ └─> [Оптический поток]

│ │

│ ├─> [Обработка данных]

│ │ ├─> [MDS-позиционирование]

│ │ ├─> [Построение октодерева]

│ │ └─> [Фильтрация Калмана]

│ │

│ ├─> [Принятие решений]

│ │ ├─> [Централизованное планирование] → [При наличии связи]

│ │ └─> [Децентрализованный консенсус] → [При потере связи]

│ │

│ ├─> [Планирование траектории]

│ │ ├─> [D* Lite с адаптацией]

│ │ └─> [Проверка динамических ограничений]

│ │

│ └─> [Исполнение]

│ ├─> [Коррекция высоты]

│ ├─> [Стабилизация ориентации]

│ └─> [Движение к цели]

│

└─ [Завершение миссии]

├─> [Возврат на базу]

└─> [Анализ выполнения]

Заключение

Разработанная система автономного управления роем дронов демонстрирует высокую эффективность за счет оптимального сочетания централизованного планирования и децентрализованного исполнения, обеспечивая точное позиционирование и надежную навигацию в динамически изменяющихся условиях. Использование адаптивных алгоритмов планирования траекторий, многоуровневой сенсорной интеграции и гибридной архитектуры управления позволяет системе сохранять работоспособность даже при частичном отказе компонентов, что делает ее перспективным решением для широкого круга практических задач - от мониторинга территорий до поисково-спасательных операций. Дальнейшее развитие системы предполагает интеграцию методов машинного обучения для прогнозирования поведения динамических объектов и оптимизации группового взаимодействия в реальном времени.