АДАПТИВНАЯ СИСТЕМА АВТОНОМНОЙ НАВИГАЦИИ И ЦЕЛЕВОГО СОПРОВОЖДЕНИЯ ДЛЯ БПЛА НА ОСНОВЕ ГЛУБОКОГО ОБУЧЕНИЯ
DOI:
https://doi.org/10.52754/16948610_2026_2_25%20Ключевые слова:
беспилотные летательные аппараты, глубокое обучение, ROS, сверточные нейронные сети, компрессия нейросетевых моделейАннотация
Актуальность. В статье представлена система автономного управления беспилотными летательными аппаратами (БПЛА) на базе Robot Operating System (ROS) для эффективного обнаружения и отслеживания объектов в режиме реального времени при ограниченных вычислительных ресурсах. Система интегрирует модифицированную архитектуру YOLOv4 для высокоскоростной детекции объектов и алгоритм SiamMask для непрерывного трекинга целей. Управление траекторией полёта реализовано через ПИД-регулятор, обеспечивающий стабильное автоматическое сопровождение целевых объектов. Ключевая новизна исследования заключается в разработке методологии оптимизации нейросетевых моделей для встраиваемых систем с критическими ограничениями вычислительных мощностей. Предложенный подход позволяет адаптировать современные архитектуры глубокого обучения для работы на одноплатных компьютерах и встроенных GPU без существенной потери точности детекции.
В основе системы лежит комбинация методов компьютерного зрения и машинного обучения. Свёрточные нейронные сети, обученные на расширенных датасетах, обеспечивают робастное распознавание объектов при различных погодных и световых условиях. Модуль трекинга использует оптический поток и фильтр Калмана с предиктивными алгоритмами для прогнозирования траектории движения. Система устойчива к шуму, помехам и частичной окклюзии целей.
Экспериментальная валидация проведена в помещениях и на открытой местности с использованием реальных видеоданных и симуляций. Тестовые сценарии включали сопровождение транспортных средств, людей и динамических объектов в различных условиях.
Разработанная архитектура расширяет возможности применения автономных БПЛА в задачах мониторинга, поисково-спасательных операций и промышленной инспекции, где критичны массогабаритные и энергетические характеристики бортового оборудования.
Библиографические ссылки
Drone-Face-Tracking. Available at: https://github.com/murtazahassan/Drone-Face-Tracking (accessed on 12 March 2023).
Girshick, R., Donahue, J., Darrell, T., Malik, J. (2014). Rich feature hierarchies for accurate object detection and semantic segmentation. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2014), Columbus, OH, USA, pp. 580–587.
He, Y., Zhang, X., Sun, J. (2017). Channel pruning for accelerating very deep neural networks. In Proceedings of the IEEE International Conference on Computer Vision (ICCV), Venice, Italy, pp. 1398–1406.
Koch, G., Zemel, R., Salakhutdinov, R. (2015). Siamese neural networks for one-shot image recognition. In Proceedings of the International Conference on Machine Learning Deep Learning Workshop (ICML 2015), Lille, France, pp. 1–8.
Li, Q., Li, H., Meng, L. (2023). Deep learning architecture improvement based on dynamic pruning and layer fusion. Electronics, №12, p. 1208.
Pruned-OpenVINO-YOLO. TNTWEN. Available at: https://github.com/TNTWEN/Pruned-OpenVINO-YOLO (accessed on 10 May 2023).
Quigley, M., Gerkey, B., Conley, K., Faust, J., Foote, T., Leibs, J., Ng, A. (2009). ROS: An open-source robot operating system. In Proceedings of the IEEE International Conference on Robotics and Automation, Workshop on OpenSource Software (ICRA 2009), Kobe, Japan, pp. 1–6.
Redmon, J., Divvala, S., Girshick, R., Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the 29th IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2016), Las Vegas, NV, USA, pp. 779–788.
Redmon, J., Farhadi, A. (2017). YOLO9000: Better, faster, stronger. In Proceedings of the 30th IEEE International Conference on Computer Vision (CVPR 2017), Venice, Italy, pp. 6517–6525.
Tello Edu. Ryze Robotics. Available at: https://www.ryzerobotics.com/tello-edu (accessed on 18 November 2023).
YOLOv4 Baseline Training. Available at: https://github.com/AlexeyAB/Darknet (accessed on 1 June 2023).
Zhu, Z., Wang, Q., Li, B., Wu, W., Yan, J., Hu, W. (2018). Distractor-aware siamese networks for visual object tracking. In Proceedings of the European Conference on Computer Vision (ECCV 2018), Munich, Germany, pp. 101–117.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2026 Султанбек Камалов , Бектур Азимов , Диляра Ракишева
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
