Аналіз наявних методів і засобів удосконалення навігації БПЛА з використанням штучного інтелекту
Анотація
Проаналізовано літературні джерела, в яких досліджено методи та засоби на основі нейромереж для удосконалення навігації БПЛА. Встановлено, що навігація на базі GPS є особливо вразливою до радіоелектронної боротьби та залежить від зовнішніх чинників. Охарактеризовано основні методи та засоби навчання і застосування нейромереж для навігації БПЛА. Описано загальні методи удосконалення навігації БПЛА, що дають змогу проводити експерименти та визначати якість тренованої моделі. Визначено використовувані індикатори якості навчання, зокрема: складність навчання, швидкість навчання, алгоритмічна складність обчислень, кількість необхідних кроків для досягнення поставленої цілі. Досліджено основні стратегії навчання з винагородою – DQN, PPO та SAC. Виокремлено основні чинники, що впливають на ефективність процесу навчання: способи та методи навчання, якість даних, навчальне середовище. Встановлено, що згідно з результатами попередніх досліджень, ефективними алгоритмами машинного навчання для навігації БПЛА є методи навчання з підкріпленням, SLAM, 3D-моделювання, візуальна одометрія, Computer Vision та інші. Проаналізовано наявні дослідження, методи та засоби для навчання нейромереж для вдосконалення навігації БПЛА. З'ясовано, що для забезпечення навігації БПЛА існують засоби як на рівні вбудованого бортового комп'ютера БПЛА, так і окремі системи для виконання складних обчислень. Встановлено, що ключовим засобом для удосконалення навігації БПЛА є використання алгоритмів з нечіткою логікою, зокрема необхідність розроблення методів й засобів для вдосконалення навігації БПЛА. Обґрунтовано актуальність використання методів на основі нейромереж для вдосконалення навігації БПЛА. Визначено напрями майбутніх досліджень, зокрема: визначення ефективних факторів й індикаторів для оцінювання результатів навчання; підвищення процесу навчання, покращення якості навчальних даних, збільшення енергоефективності БПЛА; покращення загальної продуктивності; побудова нових моделей навчання; оптимізація наявних алгоритмів; розроблення методів і засобів для вдосконалення навігації БПЛА.
Завантаження
Посилання
Allen D. Wu, Johnson, Eric N., Kaess, Michael, Dellaert, Frank, & Chowdhary, Girish. (2013). Autonomous Flight in GPS-Denied Environments Using Monocular Vision and Inertial Sensors. https://doi.org/10.2514/1.I010023
Arafat, M. Y., Alam, M. M., & Moh, S. (2023). Vision-Based Navigation Techniques for Unmanned Aerial Vehicles: Review and Challenges. Drones, 7, 89. https://doi.org/10.3390/drones7020089
Arman, Asgharpoor Golroudbari, & Mohammad, Hossein Sabour. (2023). Recent Advancements in Deep Learning Applications and Methods for Autonomous Navigation: A Comprehensive Review. Authorea.
Back, S., Cho, G., Oh, J., et al. (2020). Autonomous UAV Trail Navigation with Obstacle Avoidance Using Deep Neural Networks. J Intell Robot Syst, 100, 1195–1211. https://doi.org/10.1007/s10846-020-01254-5
Blanco, Jose Luis. (2009). Contributions to Localization, Mapping and Navigation in Mobile Robotics.
Brugali, Davide, & Reggiani, Monica. (2005). Software stability in the robotics domain: Issues and challenges, 585–591. https://doi.org/10.1109/IRI-05.2005.1506537
Cai, G., Chen, B. M., & Lee, T. H. (2010). An overview on development of miniature unmanned rotorcraft systems. Front. Electr. Electron. Eng. China 5, 1–14. https://doi.org/10.1007/s11460-009-0065-3
Chelioudakis, Eleftherios, Deceptive AI Machines on the Battlefield: Do They Challenge the Rules of the Law of Armed Conflict on Military Deception? (2017). Available at SSRN: https://ssrn.com/abstract=3158711. https://doi.org/10.2139/ssrn.3158711
Chen, C., & Xiao, T. (2011). "Probabilistic Fuzzy Control of Mobile Robots for Range Sensor Based Reactive Navigation," Intelligent Control and Automation, 2(2), 77–85. https://doi.org/10.4236/ica.2011.22009
Dupeyroux, Julien, Dinaux, Raoul, Wessendorp, Nikhil, & Guido De Croon. (2022). A Novel Obstacle Detection and Avoidance Dataset for Drones. In System Engineering for constrained embedded systems (DroneSE and RAPIDO 22), Budapest, Hungary. ACM, New York, NY, USA, 6. https://doi.org/10.1145/3522784.3522786
Fadi, AlMahamid, & Katarina, Grolinger (2022). Autonomous Unmanned Aerial Vehicle navigation using Reinforcement Learning: A systematic review, Engineering Applications of Artificial Intelligence, vol. 115. https://doi.org/10.1016/j.engappai.2022.105321
Gandhi, D., Pinto, L., & Gupta, A. (2017). "Learning to fly by crashing," 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Vancouver, BC, Canada, 3948–3955. https://doi.org/10.1109/IROS.2017.8206247
George, A., Koivumäki, N., Hakala, T., Suomalainen, J., Honkavaara, E. (2023). Visual-Inertial Odometry Using High Flying Altitude Drone Datasets. Drones, 7, 36. https://doi.org/10.3390/drones7010036
Grando, Ricardo, & Costa de Jesus, Junior, Kich, Victor, Kolling, Alisson, & Drews-Jr, Paulo. (2021). Double Critic Deep Reinforcement Learning for Mapless 3D Navigation of Unmanned Aerial Vehicles.
Houben, Sebastian, Quenzel, Jan, Krombach, Nicola, & Behnke, Sven. (2016). Efficient Multi-Camera Visual-Inertial SLAM for Micro Aerial Vehicles. https://doi.org/10.1109/IROS.2016.7759261
Hulens, Dries, Ranst, Wiebe, Cao, Ying, & Goedemé, Toon. (2022). Autonomous Visual Navigation for a Flower Pollination Drone. Machines, 10, 364. https://doi.org/10.3390/machines10050364
Iyer, Aswin, Narayan, Santosh, M, Naren, & Rajagopal, Manoj. (2023). Autonomous Systems: Autonomous Systems: Indoor Drone Navigation.
Kalidas, A. P., Joshua, C. J., Md, A. Q., Basheer, S., Mohan, S., & Sakri, S. (2023). Deep Reinforcement Learning for Vision-Based Navigation of UAVs in Avoiding Stationary and Mobile Obstacles. Drones, 7. https://doi.org/10.3390/drones7040245
Lee, T., Mckeever, S., & Courtney, J. (2021). Flying Free: A Research Overview of Deep Learning in Drone Navigation Autonomy. Drones, 5. https://doi.org/10.3390/drones5020052
Lluvia, I., Lazkano, E., & Ansuategi, A. (2021). Active Mapping and Robot Exploration: A Survey. Sensors, 21. https://doi.org/10.3390/s21072445
Lu, Yuping, Xiong, Ge, Zhang, Xiang, Zhang, Zhifei, Jia, Tingyu, & Xiong, Ke. (2022). Uplink Throughput Maximization in UAV-Aided Mobile Networks: A DQN-Based Trajectory Planning Method. Drones, 6, 378. https://doi.org/10.3390/drones6120378
Maboudi, M., Homaei, M., Song, S., Malihi, S., Saadatseresht, M., & Gerke, M. (2023). "A Review on Viewpoints and Path Planning for UAV-Based 3-D Reconstruction". Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 16, 5026–5048. https://doi.org/10.1109/JSTARS.2023.3276427
Melo, L., Rosário, J., & Junior, A. (2013). Mobile Robot Indoor Autonomous Navigation with Position Estimation Using RF Signal Triangulation. Positioning, 4, 20–35. https://doi.org/10.4236/pos.2013.41004
Nabi, Imtiaz, & Farooq, S. Zainab. (2021). Threats to the Navigation of Drone Based Delivery Services.
Salas-Moreno, Renato, Newcombe, Richard, Strasdat, Hauke, Kelly, Paul, & Davison, Andrew. (2013). SLAM++: Simultaneous Localisation and Mapping at the Level of Objects. Proceedings. CVPR, IEEE Computer Society Conference on Computer Vision and Pattern Recognition. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 1352–1359. https://doi.org/10.1109/CVPR.2013.178
Shubhani, Aggarwal, & Neeraj Kumar. (2020). Path planning techniques for unmanned aerial vehicles: A review, solutions, and challenges, Computer Communications, Volume 149, 270–299. https://doi.org/10.1016/j.comcom.2019.10.014
Sung, Young-Hwa, Park, Soo-Jae, Kim, Dong-Yeon, & Kim, Sungho. (2022). GPS Spoofing Detection Method for Small UAVs Using 1D Convolution Neural Network. Sensors, 22. https://doi.org/10.3390/s22239412
Tong, P., Yang, X., Yang, Y., Liu, W., & Wu, P. (2023). Multi-UAV Collaborative Absolute Vision Positioning and Navigation: A Survey and Discussion. Drones, 7. https://doi.org/10.3390/drones7040261
Tullu, A., Endale, B., Wondosen, A., & Hwang, H.-Y. (2021). Machine Learning Approach to Real-Time 3D Path Planning for Autonomous Navigation of Unmanned Aerial Vehicle. Appl. Sci., 11. https://doi.org/10.3390/app11104706
Xiao, Jiaping, Pisutsin, Phumrapee, & Feroskhan, Mir. (2022). Collaborative Target Search with a Visual Drone Swarm: An Adaptive Curriculum Embedded Multi-stage Reinforcement Learning Approach.
Yongnan, Jia, Jinming, Du, Weicun, Zhang, & Long, Wang. (2017) Three-Dimensional Leaderless Flocking Control of Large-Scale Small Unmanned Aerial Vehicles, IFAC-PapersOnLine, 50(1), 6208–6213. https://doi.org/10.1016/j.ifacol.2017.08.1016
Yulianto, Ahmad, Yuniar, Dhandi, & Prasetyo, Yoyok. (2022). Navigation and Guidance for Autonomous Quadcopter Drones Using Deep Learning on Indoor Corridors. Jurnal Jartel Jurnal Jaringan Telekomunikasi, 12, 258–264. https://doi.org/10.33795/jartel.v12i4.422
Zeng, Fanyu, & Wang, Chen. (2020). Visual Navigation with Asynchronous Proximal Policy Optimization in Artificial Agents. Journal of Robotics, 1–7. https://doi.org/10.1155/2020/8702962
Zhang, C., Yang, Z., Zhuo, H., Liao, L., Yang, X., Zhu, T., Li, G. (2023). A Lightweight and Drift-Free Fusion Strategy for Drone Autonomous and Safe Navigation. Drones, 7, 34. https://doi.org/10.3390/drones7010034
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
