АЛГОРИТМ УПРАВЛЕНИЯ АВТОНОМНЫМ НЕОБИТАЕМЫМ ПОДВОДНЫМ АППАРАТОМ ПРИ ПОИСКЕ НАЗНАЧЕННОГО ДОННОГО ОБЪЕКТА ПРИ КОМПЛЕКСНОМ ИСПОЛЬЗОВАНИИ РАЗЛИЧНЫХ СРЕДСТВ МОНИТОРИНГА ДНА
Аннотация
Поиск назначенных донных объектов является одной из наиболее сложных задач, решаемых АНПА, что обусловлено рядом факторов, основными из которых являются: разнообразие объектов поиска (затонувшие подводные лодки, надводные корабли, самолёты, вертолёты, мины, подводные трубопроводы и кабели связи, различная подводная инфраструктура), необходимостью комплексного использования для поиска различных средств мониторинга дна, отличающихся физическими принципами функционирования, разрешающей способностью и поисковой производительностью. Целью работы, результаты которой приведены в статье, была разработка алгоритма управления АНПА при поиске назначенного донного объекта, удовлетворяющего этим требованиям, и его проверка с использованием цифрового полигона и цифрового двойника АНПА. В качестве критерия выбора средства мониторинга дна в каждом конкретном случае была принята вероятность правильного отнесения обнаруженного донного объекта к объекту поиска. В результате логика поиска назначенного донного объекта выглядит следующим образом. Осуществляется поиск донных объектов средством с максимальной производительностью поиска. При обнаружении донного объекта определяется вероятность его принадлежности объекту поиска. Если она больше заданного высокого порога, принимается решение об обнаружении назначенного донного объекта. Если же она меньше заданного низкого порога, принимается решение, что обнаружен посторонний объект. В остальных случаях принимается решение о необходимости обследования объекта средством с большей разрешающей способностью. Описана технология классификации донных объектов на основе обучения искусственной нейронной сети с использованием синтезированного обучающего материала. Приведены результаты проверки эффективности разработанного алгоритма с использованием цифрового полигона и цифрового двойника АНПА. Выполненное моделирование разработанного алгоритма показало, что комплексное использование средств мониторинга дна повышает вероятность успешного решения задачи и сокращает время её решения
Список литературы
1. Firsov Yu.G. Osnovy gidroakustiki i ispol'zovaniya gidrograficheskikh sonarov [Fundamentals of hy-droacoustics and the use of hydrographic sonars]. Saint Petersburg: Nestor-Istoriya, 2010, 348 p.
2. Kiselev L.V., Kostenko V.V., Medvedev A.V. Upravlenie dvizheniem i dinamika gibridnogo podvodnogo apparata pri patrulirovanii morskikh akvatoriy po ekvidistantnym traektoriyam v slozhnom rel'efe dna [Motion control and dynamics of a hybrid underwater vehicle during patrol of marine areas along equi-distant trajectories in complex bottom relief], Podvodnye issledovaniya i robototekhnika [Underwater Research and Robotics], 2021, No. 3 (37), pp. 46-56.
3. Martynova L.A. Metod soglasovannogo povedeniya izluchatelya i avtonomnykh neobitaemykh podvod-nykh apparatov dlya effektivnogo vedeniya seysmorazvedki [Method of coordinated behavior of the emitter and autonomous unmanned underwater vehicles for efficient seismic exploration], Informatsion-no-upravlyayushchie sistemy [Information and Control Systems], 2017, No. 1 (86), pp. 83-92.
4. Shaukat M.S.,K. Yannik, Bader S., Kirste T. Towards Training-Free Underwater 3D Object Detection from Sonar Point Clouds: A Comparison of Traditional and Deep Learning Approaches, arXiv preprint arXiv:2508.18293v1 [cs.CV]. 2025. 22 Aug. Available at: https://arxiv.org/abs/2508.18293 (accessed 25 February2026).
5. Williams D.P. The Mondrian Detection Algorithm for Sonar Imagery, IEEE Transactions on Geosci-ence and Remote Sensing, 2018, Vol. 56, No. 2, pp. 1091-1102. DOI: 10.1109/TGRS.2017.2758808.
6. Gerg I.D., Williams D.P. Additional Representations for Improving Synthetic Aperture Sonar Classifi-cation Using Convolutional Neural Networks, arXiv preprint arXiv:1808.02868, 2018. DOI: 10.48550/arXiv.1808.02868.
7. Rimskiy-Korsakov N.A. Opredelenie koordinat podvodnykh prirodnykh ob"ektov metodom gidrolokatsii bokovogo obzora [Determination of coordinates of underwater natural objects by side-scan sonar meth-od], Mezhdunarodnyy zhurnal prikladnykh i fundamental'nykh issledovaniy [International Journal of Applied and Fundamental Research], 2017, No. 12-1, pp. 148-153.
8. Bezruk G.G., Martynova L.A., Saenko I.B. Dinamicheskiy metod poiska antropogennykh ob"ektov v morskom dne s ispol'zovaniem avtonomnykh neobitaemykh podvodnykh apparatov [Dynamic method for searching anthropogenic objects in the seabed using autonomous unmanned underwater vehicles], Tr. SPIIRAN [Proceedings of SPIIRAS], 2018, Issue 3 (58), pp. 203-226.
9. Kiselev L.V., Medvedev A.V. Traektornoe obsledovanie granits morskikh akvatoriy gruppoy avtonom-nykh neobitaemykh podvodnykh robotov [Trajectory survey of marine area boundaries by a group of autonomous unmanned underwater robots], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. En-gineering Sciences], 2018, No. 5 (247), pp. 185-197.
10. Artyukhin V.V., Vyalyshev A.I., Dobrov V.M., Lyubin Yu.N. Metod avtomaticheskoy klassifikatsii podvodnykh potentsial'no opasnykh ob"ektov [Method of automatic classification of underwater poten-tially hazardous objects], Tekhnologii grazhdanskoy bezopasnosti [Civil Security Technologies], 2019, Vol. 16, No. 1 (59), pp. 12-19.
11. Tarasov S.P., Voskresenskiy A.V., Pivnev P.P., Voronin V.A. Vozmozhnosti nelineynoy gidroakustiki v voprosakh poiska malorazmernykh ob"ektov sredstvami robototekhniki [Capabilities of nonlinear hy-droacoustics in the search for small-sized objects using robotics], Mater. XVI Vserossiyskoy nauchno-prakticheskoy konferentsii i XII molodezhnoy shkoly-seminara [Proceedings of the XVI All-Russian Scientific and Practical Conference and XII Youth School-Seminar]. Rostov-on-Don, 2021, pp. 81-85.
12. Nambiar K.V.A., George A., Mathew A., Sreehari R., Deepak S. Object Detection and Classification from Sonar Underwater Images Using YOLO and DETR Models, 2025 International Conference on Advanced Processing and Computational Intelligence (APCI), 2025. DOI: 10.1109/APCI65531.2025.11136948.
13. Qiao J., Yu J., Huang Y., Feng H., Jia D., Wang Z., Wang B. AUVs for Seabed Surveying: A Compre-hensive Review of Side-Scan Sonar-Based Target Detection, Journal of Marine Science and Engineer-ing, 2026, Vol. 14, No. 2.
14. Bakhmutov V.Yu., Zhukov Yu.N. Avtomatizirovannyy metod obnaruzheniya ob"ektov na morskom dne po dannym mnogoluchevykh gidrolokatorov [Automated method for detecting objects on the seabed based on multibeam sonar data], Navigatsiya i gidrografiya [Navigation and Hydrography], 2019,
No. 57, pp. 58-66.
15. Phung A., Billings G., Camilli R. Sonar-Aided Manipulation in Low-Visibility Conditions by Novice Users, OCEANS 2024 – Halifax: Conference Proceedings. IEEE, 2024. DOI: 10.1109/OCEANS55160.2024.10753694.
16. Borovik A.I. Tekhnologiya ispol'zovaniya ANPA dlya issledovaniya podvodnykh potentsial'no opasnykh ob"ektov v Karskom more [Technology of using AUVs for research of underwater potentially hazardous objects in the Kara sea], Podvodnye issledovaniya i robototekhnika [Underwater Research and Robotics], 2022, No. 1 (39), pp. 32-40. DOI: 10.37102/1992-4429.2022.39.1.03.
17. Krivtsov A.P., Smol'yaninov I.V., Elbakidze A.V., Stepanov A.V. Otsenka skhodimosti glubin pri ploshchadnoy s"emke rel'efa dna mnogoluchevym ekholotom i interferometricheskim gidrolokatorom bokovogo obzora [Estimation of depth convergence during area survey of bottom relief using multibeam echosounder and interferometric side-scan sonar], Zhurnal radioelektroniki [Journal of Radio Electron-ics], 2017, No. 4. ISSN 1684-1719.
18. Inzartsev A.V., Kiselev L.V., Kostenko V.V., Matvienko Yu.V., Pavin A.M., Shcherbatyuk A.F. Podvodnye robototekhnicheskie kompleksy: sistemy, tekhnologii, primenenie [Underwater robotic complexes: sys-tems, technologies, applications], ed. by L.V. Kiselev. Vladivostok: Dal'nauka, 2018, 368 p.
19. Bykova V.S., Mashoshin A.I., Smirnov A.S. Patent RF № 2818184 s prioritetom ot 03.11.2022 po za-yavke № 2022128572. Sposob raspoznavaniya naznachennogo donnogo ob"ekta [Russian Federation Patent No. 2818184 with priority dated 03.11.2022 for application No. 2022128572. Method for recog-nizing a designated bottom object]; published April 25 2024; bull. No. 12.
20. Bykova V.S, Mashoshin A.I., Smirnov A.S. One approach to the recognition of bottom objects using monitoring systems installed on an autonomous underwater vehicle, International Russian Automation Conference (RusAutoCon). 2022, Sochi. Available at: https://ieeexplore.ieee.org/document/9896324.
21. Pavlov A.A., Bykova V.S. Imitatsionnaya model' sredstv obsledovaniya dna s ispol'zovaniem sredstv OpenGL [Simulation model of seabed survey tools using OpenGL] Tr. sed'moy mezhdunarodnoy nauchno-prakticheskoy konferentsii «Imitatsionnoe i kompleksnoe modelirovanie morskoy tekhniki i morskikh transportnykh sistem» (IKM MTMTS-2023) [Proceedings of the 7th International Scientific and Practical Conference "Imitative and Complex Modeling of Marine Equipment and Marine Transport Systems" (ICM MMTS-2023)]. St. Petersburg, 2023, pp. 169-175.
22. Iandola F.N., Han S., Moskewicz M.W., Ashraf K., Dally W.J., Keutzer K. SqueezeNet: AlexNet-level Accuracy with 50x Fewer Parameters and <0.5 MB Model Size, arXiv preprint arXiv:1602.07360, 2016.
23. Bykova V.S., Mashoshin A.I. Tsifrovoy poligon dlya otrabotki sistemy upravleniya avtonomnogo neobi-taemogo podvodnogo apparata [Digital proving ground for testing the control system of an autonomous unmanned underwater vehicle], Morskaya radioelektronika [Marine Radio Electronics], 2023, No. 2 (84), pp. 58-64.
