ПРОЄКТУВАННЯ СИСТЕМИ АВТОМАТИЧНОГО КЕРУВАННЯ ТА НАВІГАЦІЇ БПЛА З КОРЕКЦІЄЮ НА ОСНОВІ КОМП'ЮТЕРНОГО ЗОРУ
https://doi.org/10.33815/2313-4763.2025.2.31.077-089
Анотація
Стаття присвячена проєктуванню системи автоматичного керування та навігації безпілотних літальних апаратів з корекцією траєкторії на основі комп'ютерного зору. Розглянуто архітектуру системи технічного зору для автономної навігації в умовах відсутності GPS-сигналу, що базується на візуальному розпізнаванні наземних орієнтирів та багатомодальному злитті даних від камер та інерціальних давачів. Детально представлено алгоритм візуальної навігації з використанням детектора об'єктів YOLOv8 для розпізнавання ключових орієнтирів місцевості та їх зіставлення з еталонною топоосновою методом найменших квадратів. Описано методи обробки візуальної інформації в реальному часі для визначення положення та орієнтації БПЛА відносно наземних об'єктів. Проаналізовано інтеграцію системи комп'ютерного зору з контуром модельного предиктивного керування для забезпечення точної корекції траєкторії на основі візуальних спостережень. Особливу увагу приділено алгоритмам злиття візуальних та інерціальних вимірювань із використанням розширених та безслідних фільтрів Калмана для підвищення робастності навігаційної системи. Наведені результати моделювання та експериментальних випробувань підтверджують, що запропонована гібридна система, яка поєднує детекцію наземних орієнтирів YOLOv8, OCR-розпізнавання адресних табличок і злиття даних у фільтрі Калмана, забезпечує стійке позиціонування БПЛА за відсутності GPS-сигналу з похибкою на рівні 10–15 м без накопичення дрейфу. Інтеграція візуальної навігації з контуром модельно-предиктивного керування з подієвою активацією дозволяє зменшити обчислювальне навантаження на бортові ресурси без погіршення якості керування. Запропоновані технічні рішення можуть слугувати основою для побудови робастних навігаційно-керувальних систем БПЛА, орієнтованих на застосування в GNSS-обмежених міських та тактичних сценаріях.
Посилання
2. Chen, Y., Que, X., Zhang, J., Chen, T., Li, G., Jiachi. (2025). When Large Language Models Meet UAVs: How Far Are We? arXiv. Retrieved from: https://arxiv.org/html/2509.12795v1.
3. Mentus, I., Yasko, V., Saprykin, I. (2024). Methods of mine detection for humanitarian demining: survey. Ukrainian Journal of Remote Sensing.
https://doi.org/10.36023/ujrs.2024.11.3.271.
4. Weng, Z., Yu, Z. (2025). Cross-Modal Enhancement and Benchmark for UAV-based Open-Vocabulary Object Detection. arXiv. Retrieved from: https://arxiv.org/html/2509.06011v1.
5. Liu, Q., Shi, L., Sun, L., Li, J., Ding, M., Shu, F. (2020). Path planning for UAV-mounted mobile edge computing with deep reinforcement learning. IEEE Transactions on Vehicular Technology, 69(5).
6. Liu, S., Zhang, H., Qi, Y., Wang, P., Zhang, Y., Wu, Q. (2023). AerialVLN: Vision-and-language Navigation for UAVs. In Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV).
7. Liang, Q., et al. (2025). Next-Generation LLM for UAV (NeLV) system – a comprehensive demonstration and automation roadmap for integrating LLMs into multi-scale UAV operations. arXiv preprint.
8. Penava, P., Buettner, R. (2024). Advancements in Landmine Detection: Deep Learning-Based Analysis with Thermal Drones. ResearchGate, Publication 391974681.
9. Stankevich, S., Saprykin, I. (2024). Optical and Magnetometric Data Integration for Landmine Detection with UAV. WSEAS Transactions on Environment and Development. https://doi.org/10.37394/232015.2024.20.96.
10. Kim, B., Kang, J., Kim, D. H., Yun, J., Choi, S. H., Paek, I. (2018). Dual-sensor Landmine Detection System utilizing GPR and Metal Detector. In Proceedings of the 2018 International Symposium on Antennas and Propagation (ISAP).
11. Novikov, O., Il’in, M., Stiopochkina, I., Ovcharuk, M., Voitsekhivskyi, A. (2025). Application of LLM in UAV route planning tasks to prevent data exchange availability violations. https://doi.org/10.28925/2663-4023.2025.29.892.
12. Kumar, C., Giridhar, O. (2024). UAV Detection Multi-sensor Data Fusion. Journal of Research in Science and Engineering.
13. Zhang, J., Huang, J., Jin, S., Lu, S. (2024). Vision-Language Models for Vision Tasks: A Survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 46(8), 5625–5644. https://doi.org/10.1109/TPAMI.2024.3369699.
14. Cai, H., Dong, J., Tan, J., Deng, J., Li, S., Gao, Z., Wang, H., Su, Z., Sumalee, A., Zhong, R. (2025). FlightGPT: Towards Generalizable and Interpretable UAV Vision-and-Language Navigation with Vision-Language Models. arXiv. Retrieved from: https://arxiv.org/html/2505.12835v1.
15. Zhan, Y., Xiong, Z., Yuan, Y. (2024). SkyEyeGPT: Unifying Remote Sensing Vision-Language Tasks via Instruction Tuning with Large Language Model. arXiv. Retrieved from: https://arxiv.org/html/2401.09712v1.
16. Liu, Y., Bai, J., Wang, G., Wu, X., Sun, F., Guo, Z., Geng, H. (2023). UAV Localization in Low-Altitude GNSS-Denied Environments Based on POI and Store Signage Text Matching in UAV Images. Drones. URL: https://www.mdpi.com/2504-446X/7/7/451.
