В.М. Гриняк1, К.С. Шутов2, А.С. Девятисильный3, А.В. Артемьев4
1 Владивостокский государственный университет (г. Владивосток, Россия)
2 Дальневосточный федеральный университет (г. Владивосток, Россия)
3 Институт автоматики и процессов управления ДВО РАН (г. Владивосток, Россия)
4 Морской государственный университет им. адмирала Г.И. Невельского (г. Владивосток, Россия)

1 victor.grinyak@gmail.com, 2 con.shutoff@yandex.ru, 3 devyatis@iacp.dvo.ru, 4 artemyev@msun.ru

Постановка проблемы. В настоящее время актуальной является проблема управления движением беспилотного устройства (беспилотного транспортного средства, беспилотника) по программной траектории, задаваемой последовательностью точек. Такое движение (обход точек) характеризуется множеством возможных вариантов траектории. В классической теории управления выбор конкретной траектории связан с решением оптимизационной задачи. Вместе с тем, с одной стороны, представляет проблему формулировка критериев такой оптимизации, а с другой стороны, в задачах движения по программной траектории, как правило, требуются не решения, оптимальные в строгом смысле, а скорее решения, подходящие для конкретного практического случая.

Цель. Разработать систему управления движением беспилотника, работающую на основе нейронной сети по «критерию подобия» и позволяющую осуществлять автоматическое движение беспилотного устройства по заданной (программной) траектории таким образом, чтобы оно напоминало движение дрона, управляемого человеком.

Результаты. Предложено программно-архитектурное решение для системы управления движением, основанное на разделении подсистем выработки и исполнения команд и их взаимодействии посредством очереди сообщений. Разработана модель задачи управления движением (на примере беспилотного устройства автомобильного типа). Исследована конфигурация нейронной сети для выработки управляющих команд и способ ее обучения. Рассмотрены примеры обучения нейросети, позволяющие реализовать различное движение устройства.

Практическая значимость. Предложенный подход к управлению движением может быть использован для создания систем управления беспилотными устройствами различного типа.

Гриняк В.М., Шутов К.С., Девятисильный А.С., Артемьев А.В. Управление движением беспилотника по программной траектории на основе машинного обучения // Нейрокомпьютеры: разработка, применение. 2025. Т. 27. № 1. С. 66–76. DOI: https://doi.org/ 10.18127/j19998554-202501-06

1. Лапшинов С.А., Шахнов В.А., Юдин А.В. Направления интеллектуализации управления движением мобильного робота // Нейрокомпьютеры: разработка, применение. 2021. Т. 23. № 1. С. 50–62. DOI: 10.18127/j19998554202101-06.
2. Петушков А.М., Самохвалов О.А. Методический подход к повышению эффективности мониторинга зон чрезвычайных ситуаций большой площади группой автономных беспилотных летательных аппаратов // Наукоемкие технологии. 2022. Т. 23. № 1. С. 35–41. DOI: 10.18127/j19998465-202201-05.
3. Нгуен К.Т., Ву А.Х., Ягодкина Т.В. Задача совмещенного управления БЛА в условиях многофакторной неопределенности // Радиотехника. 2020. Т. 84. № 1 (2). С. 55–61. DOI: 10.18127/j00338486-202001(02)-06.
4. Хрусталев М.М., Халина А.С. Идентификаторы пониженной размерности в задаче стабилизации беспилотного летательного аппарата в неспокойной атмосфере // Труды МАИ. 2018. № 102. С. 22.
5. Кикин И.С. Алгоритм управления траекторией вывода летательного аппарата в заданную точку с заданным траекторным углом // Вестник компьютерных и информационных технологий. 2017. № 12 (162). С. 3–11. DOI: 10.14489/vkit.2017.12. pp.003-011.
6. Шестаков Е.И., Жданов А.А. Управление модульным манипуляционным роботом на основе метода автономного адаптивного управления // Нейрокомпьютеры: разработка, применение. 2022. T. 24. № 6. С. 38–45. DOI: 10.18127/j19998554-202206-04.
7. Xiao X., Liu Bo., Warnell G., Stone P. Motion planning and control for mobile robot navigation using machine learning: a survey // Autonomous Robots. 2022. V. 46. № 5. P. 569–597. DOI: 10.1007/s10514-022-10039-8.
8. Gong J., Gong C., Lin Y., Li Z., Lu C. Review on machine learning methods for motion planning and control policy of intelligent vehicles // Transactions of Beijing institute of Technology. 2022. V. 42. № 7. P. 665–674. DOI: 10.15918/j.tbit1001-0645.2022.095.
9. Гриняк В.М., Девятисильный А.С., Люлько В.И., Цыбанов П.А. Возможности позиционирования внутри помещений с помощью bluetooth устройств // Моделирование, оптимизация и информационные технологии. 2018. Т. 6. № 2 (21). С. 132–143.
10. Yang S.H., Jeong E.M., Kim D.R., Kim H.S., Son Y.H., Han S.K. Indoor three-dimensional location estimation based on LED visible light communication // Electronics Letters. 2013. V. 49. № 1. P. 54–56. DOI: 10.1049/el.2012.3167.
11. Thomas A.J., Petridis M., Walters S.D., Gheytassi S.M., Morgan R.E. Two hidden layers are usually better than one. Engineering applications of neural networks // Communications in Computer and Information Science. 2017. V. 744. P. 279–290. DOI: 10.1007/ 978-3-319-65172-9_24.
12. Chu Y., Fei J., Hou S. Adaptive global sliding-mode control for dynamic systems using double hidden layer recurrent neural network structure // IEEE Transactions on Neural Networks and Learning Systems. 2020. V. 31. № 4. P. 1297–1309. DOI: 10.1109/TNNLS. 2019.2919676.
13. Jia C., Kong D., Du L. Recursive terminal sliding-mode control method for nonlinear system based on double hidden layer fuzzy emotional recurrent neural network // IEEE Access. 2022. V. 10. P. 118012–118023. DOI: 10.1109/ACCESS.2022.3220800.
14. Артемьев Б.В., Власов А.И., Исроилов Ж.О., Мулатола С. Анализ программных библиотек для разработки встраиваемых нейросетевых приложений // Нейрокомпьютеры: разработка, применение. 2023. T. 25. № 6. С. 5–12. DOI: 10.18127/j19998554-202306-01.