И.В. Деревич1, А.А. Панова2, Е.И. Минаков3, М.С. Башеров4

1,2 МГТУ имени Н.Э. Баумана (национальный исследовательский университет) (Москва, Россия)

2 АО «Центральное конструкторское бюро аппаратостроения» (Москва, Россия)

3,4 ФГБОУ ВО «Тульский государственный университет» (г. Тула, Россия)

4 АО «Центральное конструкторское бюро аппаратостроения» (г. Тула, Россия)

1 derevichigor@bmstu.ru, 2 panova005@gmail.com, 3 eminakov@bk.ru, 4 basherov666@yandex.ru

Постановка проблемы. Для управления группой или роем летательных аппаратов без оператора (ЛА) при обходе препятствий и предотвращения столкновений аппаратов друг с другом требуются эффективные методы автономного управления группой без участия оператора в индивидуальном управлении каждым аппаратом.

Цель. Разработать метод автономного управления роем ЛА с помощью цифрового двойника группы, синтезируемого на компьютере оператора в виртуальном пространстве.

Результаты. Предложен метод автономного управления роем ЛА с помощью цифрового двойника группы, наиболее приближенный к работе оператора ЛА. Проведено численное моделирование, результаты которого показали, что в зоне полета можно выделить два класса внутренних препятствий и смоделировать их в виде круглых колонн. Проиллюстрирована трехмерная динамика ЛА в боксе со случайно расположенными колоннами. На основе анализа данных, полученных на цифровом двойнике, выбраны наилучшие координаты старта ЛА, позволяющие избежать попадания в так называемую «мертвую зону».

Практическая значимость. Представленный метод позволяет реализовать автономное управление реальной группой ЛА на основе цифрового двойника.

Деревич И.В., Панова А.А., Минаков Е.И., Башеров М.С. Цифровой двойник группы летательных аппаратов на основе нелокального виртуального потенциала // Радиотехника. 2026. Т. 90. № 9. С. 77−86. DOI: https://doi.org/10.18127/j00338486-202609-08

1. Rovira-Sugranes A., Razi A., Afghah F., et al. A review of AI-enabled routing protocols for UAV networks: trends, challenges, and future outlook // Ad Hoc Networks. 2022. V. 130. Р. 102790.
2. Khelifi M., Butun I. Swarm unmanned aerial vehicles (SUAVs): a comprehensive analysis of localization, recent aspects, and future trends // Journal of Sensors. 2022. V. 2022. № 5. Р. 8600674.
3. Sang Q., Wu H., Xing L., et al. Review and comparison of emerging routing protocols in flying Ad Hoc networks //Symmetry. 2020. № 12. Р. 971.
4. Luo M., Hou X., Yang J. Surface optimal path planning using an extended Dijkstra algorithm // IEEE Access. 2020. V. 8. Р. 147827−147838.
5. Sun Y., Wang W., Xu M., et al. Local path planning for mobile robots based on fuzzy dynamic window algorithm // Sensors. 2023. V. 23. Р. 8260.
6. Vicsek T., Zafeiris A. Collective motion // Physics Reports. 2012. V. 517. Р. 71–140.
7. Tao Y., Gao H., Ren F., et al. Mobile service robot global path planning method based on ant colony. Optimization and fuzzy control // Appl. Sci. 2021. V. 11. Р. 3605.
8. Meng R., Cheng X., Wu Z., et al. Improved ant colony optimization for safe path planning of AUV // Helion. 2024. V. 10. № 7. e27753.
9. Tennenbaum M., Liu Z., Hu D., et al. Mechanics of fire ant aggregations // Nature Mater. 2016. V. 15. Р. 54–59.
10. Motsch S., Tadmor E. A new model for self-organized dynamics and its flocking behavior // J. Stat. Phys. 2011. V. 144. Р. 923.
11. D’Orsogna M.R., Chuang Y.L., Bertozzi A.L., et al. Self-propelled particles with soft-core interactions: patterns, stability, and collapse // Physical Review Letters. 2006. V. 96. Р. 104302.
12. Fujii K., Kawasaki T., Inaba Y., et al. Prediction and classification in equation free collective motion dynamics // PLoS Comput Biol. 2018. V. 14. № 11. Р. e1006545.
13. Amichay G., Li L., Nagy M., et al. Revealing the mechanism and function underlying pairwise temporal coupling in collective motion // Nature Communications. 2024. V. 15. Р. 4356.
14. Shin Y., Kim E. Hybrid path planning using positioning risk and artificial potential fields // Aerosp. Sci. Technol. 2021. V. 112. Р. 106640.
15. Rimon E., Koditschek D E. Exact robot navigation using artificial potential functions // IEEE Transactions on Robotics and Automation. 1992. V. 8. № 5. Р. 501−518.
16. Bin-qiang Y., Ming-fu Z., Yi W. Research of path planning method for mobile robot based on artificial potential field // International Conference on Multimedia Technology. China. Hangzhou. 2011. Р. 3192−319.
17. Reina A., Valentini G., Fernández-Oto C., et al. A design pattern for decentralized decision making // PLoS One. 2015. V. 10. Р. e0140950.
18. Wu Z., Dai J., Jiang B., et al. Robot path planning based on artificial potential field with deterministic annealing // ISA Transactions. 2023. V. 138. Р. 74–87.
19. Hongyu H., Chi Z., Yuhuan S., et al. An improved artificial potential field model considering vehicle velocity for autonomous driving // IFAC-Papers Online. 2018. V. 51. № 31. Р. 863−867.
20. Park M.G., Lee M.C. A new technique to escape local minimum in artificial potential field-based path planning // J. Mech. Sci. Technol. 2003. V. 17. Р. 1876–1885.
21. Derevich I.V., Panova A.A. Stochastic model of movement of a group of individuals in a space with boundaries taking into account their social behavior // Mathematical Models and Computer Simulations. 2023. V. 15. № 6. Р. 1084–1091.
22. Yates C.A., Erban R., Escudero C., et al. Inherent noise can facilitate coherence in collective swarm motion // Proc. Natl. Acad. Sci. USA. 2009. V. 106. № 14. Р. 5464−5469.
23. Derevich I.V., Klochkov A.K. Modeling the motion of particles in the potential force field with allowance for the random velocity fluctuations of a medium // Journal of Engineering Physics and Thermophysics. 2022. V. 95. Р. 1089−1100.
24. Debrabant K., Rø"ßler A. Classification of stochastic Runge–Kutta methods for the weak approximation of stochastic differential equations // Mathematics & Computers in Simulation. 2008. V. 77. № 4. Р. 408−420.