Найти

Результаты поиска

• МОДЕЛЬ МАШИННОГО ОБУЧЕНИЯ УКЛОНЕНИЯ РОЯ ОТ ВОЗДЕЙСТВИЯ АНТОГОНИСТИЧЕСКОЙ СРЕДЫ

  В.К. Абросимов , Г.А. Долгов , Е. С. Михайлова

  6-19

  2025-04-27

  Аннотация ▼

  Одним из приоритетных направлений теории группового управления на близлежащую перспективу является роевое управление группами малых беспилотных летательных аппаратов – микро-, мини- и нано- классов, выполняющих коллективную задачу в условиях воздействия противника. Здесь сталкиваются две антагонистические стратегии-минимизации потерь с точки зрения атакующего
  роя и максимизации таких потерь с точки зрения системы обороны. Цель исследования: разработка
  подхода к решению практической задачи – проникновения роя беспилотных летательных аппаратов на
  охраняемый системой обороны объект. Задачи исследования заключались в анализе характеристик
  факторов, влияющих на процессы обнаружения, сопровождения, распознавания намерений роя систе-
  мой обороны и разработка модели машинного обучения создания пространственно-временных форма-
  ций, минимизирующих число пораженных системой обороны элементов роя. В качестве основных па-
  раметров системы обороны выделены дальность обнаружения и продолжительность распознавания
  роя, время на принятие решения по действиям роя, размер зоны поражения средств обороны. В каче-
  стве метода исследования выбран метод машинного обучения на сверточных нейронных сетях с под-
  креплением. Эффект противодействия системе обороны создается за счет динамичности роя; он
  может активно маневрировать, создавая в процессе осуществления миссии пространственно-
  временные маневры. Для моделирования ситуации «Рой vs Система обороны» вводится агент роя (ней-
  ронная сеть с архитектурой трансформер, которая инициирует формации роя) и агент системы обо-
  роны, которая распознает рой и атакует его, создавая зону поражения в условном центре масс роя.
  Рой руководствуется стохастическим правилом, предлагая системе обороны (среде) отреагировать
  на его маневр. Среда отвечает атакой роя, образуя поражающий фактор в той точке, в которой
  предположительно окажется рой или основная часть роя. Наградой стратегии роя выступает число
  неуничтоженных объектов в условиях выполнения ограничений; для системы обороны эта «награда»
  выступает как «наказание». В процессе машинного обучения установлено интересное явление: каждый
  элемент роя, оставаясь в рамках заданного пространства и реализуя биологические принципы роевого
  управления без Лидера самостоятельно уклоняется от области поражения, что в совокупности созда-
  ет случайную для средств обороны пространственно-временную формацию с минимальными потерями
  элементов роя. Таким образом, методом машинного обучения с подкреплением создана модель, позво-
  ляющая варьировать поведением роя и синтезировать пространственно-временных формации, за-
  трудняющие обнаружение, сопровождение, распознавание намерений и принятие решений по воздей-
  ствию системы обороны на рой атакующих малых беспилотных летательных аппаратов, а также
  существенно снизить их потери

• СРАВНИТЕЛЬНЫЙ АНАЛИЗ ЦЕНТРАЛИЗОВАННОГО И ДЕЦЕНТРАЛИЗОВАННОГО АЛГОРИТМОВ ДВИЖЕНИЯ СТРОЕМ БЛА МУЛЬТИКОПТЕРНОГО ТИПА

  М.Ю. Медведев , В. Х. Пшихопов

  2022-04-21

  Аннотация ▼

  Развитие робототехнических комплексов делает актуальным их групповое примене-
  ние для решения различных задач. Эффективность выполнения задач обнаружения и опре-
  деления координат объектов группой роботов существенно зависит от точности под-
  держания заданного строя. В этой связи практический интерес представляет задача оп-
  ределения алгоритмов планирования движения, обеспечивающих наибольшую точности
  поддержания заданного строя. Данная статья посвящена исследованию точности под-
  держания строя группой БЛА мультикоптерного типа с использованием централизованно-
  го алгоритма планирования движения и децентрализованного алгоритма. В централизо-
  ванном алгоритме используется ведущий БЛА, который передает свои координаты ведо-
  мым БЛА. На основании полученных координат и заданной структуре строя ведомые БЛА
  планируют свое движение. В децентрализованной систем соседние БЛА группы передают
  свои координаты друг другу, на основании чего планируется движение отдельного БЛА.
  Точность исследуется в зависимости от погрешностей навигационной системы и часто-
  ты обновления данных о положении ведущего или соседних БЛА. Полагается, что БЛА
  группы в дискретные моменты времени определяют свои координаты, используя внешнюю
  навигационную систему. Централизованный и децентрализованный алгоритмы отрабаты-
  ваются одинаковой системой управления движением. Алгоритмы исследуются в данной
  статье методами численного моделирования. В процессе моделирования учитываются
  модели кинематики, динамики и исполнительных механизмов, а также модели формирова-
  ния погрешностей навигационной системы. Показано, что децентрализованный алгоритм
  группового планирования движения обеспечивает более высокую точность по сравнению с
  централизованным алгоритмом. Однако техническая реализация децентрализованного
  алгоритма более сложна с точки зрения организации системы групповой связи. В центра-
  лизованной систем должна быть реализована передача данных от ведущего БЛА ведомым.
  В децентрализованной системе требуется реализовать сетевую связь.