CC BY
66ИНФОРМАЦИОННО-КОММУНИКАЦИОННЫЕ
ТЕХНОЛОГИИ INFORMATION-COMMUNICATION TECHNOLOGIES
Научная статья
УДК [004.021:004.932.4]:004.416.2:623.746-519 doi:10.24151/1561-5405-2022-27-1-106-119
Оптимизация алгоритма анализа и обработки информации в оптико-электронной системе
А. В. Парфирьев1, О. В. Парфирьева1, А. В. Душкин1'2 3
1 Военный учебно-научный центр Военно-воздушных сил «Военно-воздушная академия имени профессора Н. Е. Жуковского и Ю. А. Гагарина» (г. Воронеж) Министерства обороны
Российской Федерации, г. Воронеж, Россия
2
Воронежский государственный технический университет, г. Воронеж, Россия
Национальный исследовательский университет «МИЭТ», г. Москва, Россия
a_dushkin@mail.ru
Аннотация. Точность координат наземных объектов, измеряемых с помощью оптических приборов беспилотными летательными аппаратами (БПЛА), зависит от множества факторов: погрешности в измерении угловых координат оптической системы, расстояния до объекта, неоднородного рельефа местности и т. д. Применение оптико -электронных систем, функционирующих на основе инерциальных датчиков, показало их недостатки: большая погрешность при определении координат местоположения наземных объектов для выдачи целеуказаний БПЛА, обусловленная погрешностью определения углов склонения и азимута. В работе представлен вариант оптимизации алгоритма анализа и обработки информации в оптико-электронной системе определения координат наземных объектов с БПЛА. Разработаны алгоритм и способ определения географических координат на основе электронной матрицы высот. Повышение точности расчета координат объекта достигнуто за счет минимизации ошибки измерения угла склонения, азимута на наземный объект и наклонной дальности. Приведено описание натурного эксперимента с автомобилем на местности. Его суть заключается в том, что по нескольким стоп-кадрам, полученным оптико-электронной системой БПЛА на значительном расстоянии при большой наклонной дальности, определены географические координаты автомобиля двумя способами - традиционным и разработанным. С помощью предложенного способа точность определения координат повышена в несколько
© А. В. Парфирьев, О. В. Парфирьева, А. В. Душкин, 2022
раз. Разработанные алгоритм и способ обработки информации позволяют создавать множество аппаратно-программных решений для систем наведения и целеуказания БПЛА.
Ключевые слова: беспилотный летательный аппарат, корреляционная фильтрация, оптико-электронная система, оптимизация, цифровая обработка изображений
Для цитирования: Парфирьев А. В., Парфирьева О. В., Душкин А. В. Оптимизация алгоритма анализа и обработки информации в оптико-электронной системе // Изв. вузов. Электроника. 2022. Т. 27. № 1. С. 106-119. doi: https://doi.org/10.24151/ 1561-5405-2022-27-1-106-119
Original article
Optimization of the algorithm of information analysis and processing in the optoelectronic system
A. V. Parfiryev1, O. V. Parfiryeva1, A. V. Dushkin1'2'3
Military Educational Scientific Centre of the Air Force N. E. Zhukovsky and Y. A. Gagarin Air Force Academy (Voronezh) the Ministry of Defense of the Russian Federation, Voronezh, Russia Voronezh State Technical University, Voronezh, Russia 3National Research University of Electronic Technology, Moscow, Russia
a_dushkin@mail.ru
Abstract. The accuracy of the coordinates of ground objects measured using optical instruments by unmanned aerial vehicles depends on many factors including: errors in measuring the angular coordinates of the optical system, the distance to the object, the presence of heterogeneous terrain, etc. Traditional use of optoelectronic systems functioning based on inertial sensors demonstrated their flaws, such as low accuracy at ground objects positioning for target designation to unmanned aerial vehicles due to declination angle and azimuth determination inaccuracy. In this work, a variant of optimizing the algorithm for analyzing and processing information in an optoelectronic system for determining the coordinates of ground objects from an unmanned aerial vehicle is presented. An algorithm and a method for determining geographical coordinates based on an electronic height matrix have been developed. An increase in the accuracy of calculating the coordinates of an object was achieved by minimizing the error of measuring the declination angle, azimuth on a ground object and inclined range. A description of a full-scale experiment with a car on the ground is given. Its essence was that according to several freeze frames obtained by the optoelectronic system of an unmanned aerial vehicle at a considerable distance with a large inclined range, the geographical coordinates of the car were determined in two ways (traditional and developed). With the help of the method proposed by the authors, the accuracy of determining coordinates has been increased several times. The developed algorithm and method for information processing make it possible to create a variety of hardware and software solutions for guidance and target designation systems of unmanned aerial vehicles.
Keywords, unmanned aerial vehicle, correlation filtering, optoelectronic system, optimization, digital image processing
For citation. Parfiryev A. V., Parfiryeva O. V., Dushkin A. V. Optimization of the algorithm of information analysis and processing in the optoelectronic system. Proc. Univ. Electronics, 2022, vol. 27, no. 1, pp. 106-119. doi. https://doi.org/ 10.24151/1561-5405-2022-27-1-106-119
Введение. Беспилотные летательные аппараты (БПЛА) как в гражданском, так и в специальном сегменте выполняют следующие задачи: мониторинг окружающей среды и наземных объектов, тушение пожаров, видеосъемка, доставка грузов, организация спортивных соревнований и др. [1, 2]. Определяющим фактором развития беспилотной авиации является возрастание роли БПЛА в организации воздушной разведки и нанесении ударов по целям в условиях локальных конфликтов и конфликтов мирового масштаба в будущем [3, 4].
Анализ опыта применения в 2018-2020 гг. групп БПЛА вскрыл недостатки оптико-электронных систем (ОЭС). В частности, ОЭС, функционирующие на основе инерци-альных датчиков, имеют большую погрешность при определении координат местоположения наземных объектов для выдачи целеуказаний на их поражение, обусловленную погрешностью определения углов склонения и азимута. Это связано с инструментальными ошибками инерциальных датчиков, точностью их установки в блоке чувствительных элементов и качеством установки начальных координат бесплатформенной инерциальной навигационной системы. Перечислим основные виды ошибок, являющихся аддитивной составляющей ошибок измерений: изменение положения нулевых сигналов; выброс случайных составляющих; погрешности преобразования масштабных коэффициентов [5, 6]. Мультипликативная составляющая представляет собой погрешность масштабного коэффициента и проявляется в нелинейности преобразования физических измерений в выходные параметры. При этом в выходных сигналах датчиков присутствует случайный шум [5]. В результате постоянно растет суммарная погрешность в ходе продолжительного полета БПЛА, которая непосредственно влияет на расчет горизонтальной дальности до наземного объекта, особенно на больших удалениях (свыше 5 км) и при больших углах места. Также на точность определения географических координат влияет погрешность в измерении наклонной дальности до наземного объекта лазерным дальномером на больших удалениях. Погрешность измерения дальности лазерным дальномером на 5 км составляет ±1 м, на 25 км -порядка ±10 м.
В настоящей работе разрабатываются алгоритм и способ определения географических координат наземных объектов на основе ОЭС, установленной на БПЛА.
Методы и способы определения координат наземных объектов. Существуют следующие способы определения координат наземных объектов с БПЛА (однако не все они удовлетворяют требованиям безопасности их применения в условиях противовоздушной обороны противника):
- с помощью цифровой обработки изображений и ряда вспомогательных систем, в том числе спутниковой радионавигационной и инерциальной [7]. Недостатки: необходимость ведения съемки в надир и невозможность применения в ночных условиях;
- с помощью ОЭС с блоком цифровой обработки изображений, установленной на борту БПЛА [8, 9]. В качестве исходных данных используются идеальные углы азимута и места без учета инструментальной погрешности в их измерениях, что приводит к неточностям в расчетах географических координат наземных объектов, особенно на
больших удалениях относительно БПЛА. Также невозможен учет ошибок определения спутниковых координат БПЛА, связанных со сдвигом координат спутника или часов приемника и спутника [10, 11];
- с использованием активных и пассивных радиолокаторов. Недостатки: громоздкость аппаратуры, высокая стоимость, ограничение по целям и заметность [12-15];
- на основе использования энергии лазерного излучения в совокупности с бесплатформенной инерциальной навигационной системой и спутниковой радионавигационной системой. Недостаток - низкая степень дискретизации при построении рельефа местности и, соответственно, дрейфа инерциальных датчиков.
Повышение точности определения географических координат можно достичь:
- применением дорогостоящих высокоточных бесплатформенных инерциальных навигационных систем, спутниковых навигационных систем с дифференциальными режимами, обусловливающими разработку новых полноценных оптико-электронных систем. В свою очередь, разработка новых систем, предназначенных для установки на БПЛА, предусматривает учет ряда ограничений по массе полезной нагрузки, габаритам и т. п.;
- использованием дополнительной информации о местности (цифровой модели рельефа) для уточнения координат, выдаваемых модулем для расчета географических координат и параметров движения захваченного объекта.
Постановка задачи. Требуется определить географические координаты движущегося наземного объекта с использованием ОЭС, установленной на БПЛА вертолетного или самолетного типа. БПЛА находится в воздухе на высоте и дальности от объекта, обеспечивающих корректную работу средств измерения ОЭС в соответствии с их техническими характеристиками. Наземный объект располагается в зоне видимости дневной или ночной камеры и не перекрывается другими объектами. Метеорологические условия в зоне действия ОЭС способствуют максимальной дальности видимости наземного объекта.
БПЛА с ОЭС имеет в своем составе следующее необходимое оборудование: гиро-стабилизированную платформу; дневную камеру; ночную камеру инфракрасного диапазона (длина волны от 7 до 14 мкм); лазерный дальномер; приемник ГЛОНАСС или GPS; бортовой вычислитель. Требования, предъявляемые к ОЭС: угол обзора 360 град; наличие цифровой стабилизации изображения; гиростабилизированная система на базе гироскопа и акселерометра средней точности на основе МЭМС с активной стабилизацией для обеспечения четкого изображения с камер в движении и при вибрации; наличие трехосевого датчика магнитного склонения; длина волны лазерного излучения 0,9 мкм; длина волны принимаемого электромагнитного излучения камерой инфракрасного диапазона 7-14 мкм; длина волны принимаемого электромагнитного излучения дневной камерой 0,5-0,9 мкм; отъюстированнная система устройств дневной, ночной камер и лазерного дальномера.
Определение координат движущихся наземных объектов по фотоснимкам, полученным дневной или ночной камерой с БПЛА, предполагает решение трех частных задач: 1) слежение за наземным объектом по видеопоследовательности для определения его центра координат в системе координат изображения; 2) разработка системы автоматического сопровождения на базе гиростабилизированной платформы; 3) разработка способа определения географических координат на основе цифровой модели рельефа (ЦМР). Рассмотрим варианты решения этих задач.
Разработка алгоритма слежения по видеопоследовательности. До этапа слежения за объектом осуществляется его обнаружение. Локализация наземного объекта может быть автоматической или ручной. Для автоматической локализации используют алгоритмы машинного обучения на основе сверточных нейронных сетей (Convolutional Neural Networks, CNN). Процесс автоматической локализации условно делят на этапы: выбор наиболее эффективной модели нейронной сети; создание специальной структуры данных; подготовка обучающей выборки; обучение модели. Для работы с региональными сверточными нейронными сетями применяют компьютерную библиотеку машинного обучения TensorFlow с открытым исходным кодом, где основную работу по захвату изображений с камеры и цифровой обработке осуществляет библиотека OpenCV. Для решения задачи локализации наземных объектов на изображении с одновременной классификацией могут использоваться следующие топологии CNN: R-CNN, Fast R-CNN, Faster R-CNN, YOLO, SSD, FPN и RetinaNet [16]. Для увеличения числа классифицируемых объектов нейронную сеть дообучают на основе одной из приведенных моделей. Варианты алгоритмов обучения описаны в работах [17, 18]. Результат применения модели Faster R-CNN после процесса обучения на серии аэрофотоснимков самолетов (aircraft) и вертолетов (helicopter) представлен на рис. 1.
Object detector
Рис. 1. Результат обнаружения и классификации объектов на фотоснимке Fig. 1. The result of the detection and classification of objects in the photograph
У нейросетевых подходов, помимо дорогостоящего и энергозатратного оборудования, имеются следующие недостатки:
- на современных видеокартах сложно добиться от сетей высокого быстродействия (для сравнения: сеть-классификатор YoloV3 с относительно простой архитектурой может выдавать изображение за 50 мс [19]);
- объект интереса может не входить в номенклатуру классификатора нейронной сети. Ее необходимо дообучать на новых наборах данных, что приводит к снижению оперативности в принятии решений.
В связи с тем что результат работы нейронной сети не всегда стабилен, объект, в том числе сложной формы, при разном ракурсе съемки может быть пропущен на некоторых кадрах. Данная ситуация приводит к сбоям в системе автоматического наведения оптической оси камеры ОЭС на наземный объект для определения его координат. Для более стабильного сопровождения наземного объекта необходимо применять другие алгоритмы, называемые оптическими трекерами: Average of Synthetic Exact Filters
(ASEF) и Minimum Output Sum of Squared Error (MOSSE), а для поиска и классификации объектов на изображении - нейронную сеть. Данные алгоритмы имеют много общего. Различаются они способом усреднения фильтров и тем, что MOSSE создает лучшие фильтры по сравнению с ASEF [19].
Общий вид фильтра MOSSE можно представить выражением
W* =A,
г Bt
р р
где Д = Л^ О F^* + (1 - ri) A1_l, Я = Fp ОГ^* +(l-r|) - компоненты фильтра;
Р=1 Р=1
F/; О F''* - энергетический спектр прямоугольника с р-то изображения; G/; - матрица
частот желаемого идеального отклика; ^ - скорость обучения во время трекинга; P - количество трансформаций.
Фильтр MOSSE поэлементно умножим на матрицу частот IF, полученную с последующего кадра и прошедшую предобработку. К предобработке относится нелинейное преобразование пикселов изображения (логарифмирование), которое приведет слишком светлые и слишком темные участки к среднему. В данном случае лучше будет работать нормализация вида
I = sign (I -127\I -127|. Далее необходимо применить выражение
( х - i )2 +( y - j )2
A = exp-
а2
Также можно применить двумерные окна Хеннинга для плавного обнуления значений
Л *
пикселов на краях изображения. После получения вычислим отклик в частотной области:
G = F О W*.
com' ^
Затем применим к нему обратное преобразование Фурье для перевода в пространственную область и найдем координаты максимума в получившейся матрице Gconv. Найденные координаты указывают на новое положение объекта. Объект, за которым осуществляют слежение, может пропадать из кадра или быть перекрыт другим объектом. Для выявления таких ситуаций необходимо более детально проанализировать отклик, полученный с последнего кадра. Для этого находим максимум gmax матрицы Gconv, затем исключаем квадрат 11 х 11 из центра этой матрицы, а по остальным элементам рассчитываем математическое ожидание |iG и среднеквадратическое отклонение оо. Коэффициент Peak to Sidelobe Ratio (PSR) вычислим по формуле
р^р _ gmax ^G
Если это значение выше определенного порога, то объект считается обнаруженным. Значение данного порога при стабильной детекции составляет от 20 и выше. На рис. 2 приведены данные по частоте обновления кадров для различных размеров фильтров,
aG
обусловленные ростом вычислительной нагрузки на процессор бортового вычислителя. Программная реализация представленного оптического трекера MOSSE представлена в работе [20].
Применение рассмотренного алгоритма позволяет получить исходные данные, которые можно интерпретировать в управляющие сигналы системы автоматического управления гиростабилизированной платформой БПЛА для совмещения линии визирования оптической системы с направлением на сопровождаемый наземный объект.
Разработка системы автоматического сопровождения на базе гиростабилизи-рованной платформы. Совмещение линии визирования камеры ОЭС осуществляется изменением двух угловых координат - тангажа и рыскания. На борту БПЛА, как правило, уже имеется гиростабилизированная платформа с контроллером. Контроллер представляет собой вычислитель с множеством цифровых входов и выходов для внешнего управления, считывания сигналов с инерциальных датчиков, выдачи сигналов управления бесколлекторными двигателями (БКД), текущего состояния и режима работы. Реализацию способа управления рассмотрим на примере контроллера BaseCam SimpleBGC 32-bit с открытым программным интерфейсом для построения внешних модулей управления. Для обмена данными в контроллере предусмотрены интерфейсы управления и последовательной передачи данных - UART и I2C, а также цифровые выходы, работающие на прием сигнала широтно-импульсной модуляции для управления угловыми координатами платформы. Для организации управления платформой с целью совмещения линии визирования с направлением на захваченный наземный объект следует подать сигнал широтно-импульсной модуляции на соответствующие входы контроллера RC_PITCH и RC_YAW. Чтобы сформировать сигналы управления, необходим вычислитель на базе Raspberry Pi. Общая схема устройства автоматического сопровождения объекта, которое включает в себя трехосевую гиростабилизированную платформу с контроллером управления, видеокамеру (тепловизор), лазерный дальномер и платформу Raspberry Pi для обработки изображений и выработки управляющих сигналов, представлена на рис. 3.
Сигналы с вычислителя прямо пропорциональны отклонению центра объекта от центра кадра и представляют собой два сигнала рассогласования по координатам x и y. Координаты центра кадра представляют собой опорный сигнал. Для компенсации сигналов рассогласования разработаны устройство и система автоматического управления следящего типа, функциональные схемы которых представлены на рис. 4. На данном рисунке введены следующие обозначения: хо(^), yc(t) - опорный сигнал по координатам x и y соответственно; xm(t), ym(t) - текущий сигнал по координатам x и y соответственно; УС1, УС2 - устройство сравнения по координатам x и y соответственно; КУ1, КУ2 -последовательное корректирующее устройство по координатам x (рис. 4, б) и y (рис. 4, в) соответственно; УУ - устройство управления для преобразования сигнала широтно-импульсной модуляции в напряжение; УсУ - усилительное устройство; ИУ1, ИУ2 - исполнительные устройства (двигатели платформы); ОУ - объект управления (платформа с видеокамерой или тепловизором); ВУ - вычислительное устройство, выдающее управляющие сигналы контроллеру гироплатформы [21, 22]; P, I и D - пропорциональное, интегрирующее и дифференцирующее звенья ПИД-регулятора.
«
к х
о
X
1С
о
1200-
800-
400-
\ I 8 ТГ
8 8 9 a
о 8 -O- _o_
16x16 32x32 64x64128x128 256x256 Размер фильтра, пиксел
Рис. 2. Частота обновления кадров для различных размеров фильтров Fig. 2. Frame refresh rate for different filter sizes
Рис. 3. Схема системы автоматического сопровождения Fig. 3. Diagram of the automatic tracking system
Рис. 4. Функциональные схемы разработанной системы автоматического управления следящего типа (а) и корректирующих устройств на основе ПИД-регулятора: б - координата x; в - координата y Fig. 4. Functional graphs of the developed tracking type ACS (a) and correcting devices based on the PID controller: b - coordinate x; c - coordinate y
Целью сопровождения является максимально точное и быстрое совмещение линии визирования камеры и луча лазерного дальномера с направлением на объект. Таким образом достигается правильный съем исходных данных для реализации алгоритма определения координат наземных объектов с БПЛА по видеопотоку.
Определение географических координат на основе электронной матрицы высот.
Для решения данной задачи ЦМР получены методами классической цифровой фотограмметрии в совокупности с алгоритмами компьютерного зрения с применением передового программного обеспечения Agisoft Metashape. Его преимущество в том, что при анализе и постобработке используются технологии машинного обучения, в итоге точность получаемых результатов повышается. С помощью Agisoft Metashape при обработке изображений снимки преобразуются в плотные облака точек, а цифровая модель рельефа строится только по тем точкам плотного облака, которые классифицированы как точки рельефа земной поверхности. Модель рельефа может быть создана в виде нерегулярной треугольной сети (TIN), в виде регулярной матрицы высот (DEM), а также как совокупность записей горизонталей (изогипс) с требуемой высотой сечения рельефа. TIN-модель рельефа имеет более высокое разрешение в областях, где поверхность крайне неравномерна, и более низкое разрешение в областях с однородной поверхностью. Точность ЦМР может достигать 16 см при масштабе 1:500. Интервал (шаг сетки) ЦМР может достигать 0,003 угловых секунды (0,1 м) в зависимости от технических характеристик камеры, высоты съемки, метеоусловий и т. п. Модель рельефа в виде матрицы высот представляется в форматах GeoTIFF, Arc/Info ASCII Grid (ASC), Band Interlieved (BIL), XYZ или в виде файлов в формате Sputnik KMZ. Формат представления ЦМР воспринимается всеми современными языками программирования, в том числе Python. В Интернете можно найти сервисы, позволяющие получить ЦМР в один клик (например, Open Aerial Map). Данный способ проиллюстрирован на рис. 5.
Рассчитаем географические координаты путем решения многопараметрической оптимизационной задачи на основе алгоритма оптимизации. Он минимизирует функционал невязки, которая представляет собой квадрат разности между высотой объекта, рассчитанной угломерно-дальномерным методом hlj, и высотой объекта из матрицы высот h :
Рис. 5. Иллюстрация определения координат
наземных объектов Fig. 5. Illustration of determining the coordinates of ground objects
30Дd):min\hc(a,d)-h (x0 + Lx,y0 + L ,„ ,
3 И ^ 112
ÍLx = d • sin (a) • sin (P), = d • sin (a) • cos (P), hc = h -d• cos(a).
Здесь a, P - текущие углы визирования и азимута на наземный объект, полученные с контроллера гиростабилизированной платформы БПЛА; d - наклонная дальность до наземного объекта, измеренная лазерным дальномером; L - горизонтальная дальность
до наземного объекта; x0, yo, h0 - географические координаты местоположения БПЛА (широта, долгота, высота), полученные с помощью приемника ГЛОНАСС или GPS.
Точность расчета координат объекта повышается за счет минимизации ошибки измерения угла а, азимута на наземный объект в и наклонной дальности d. В соответствии с аналитическими расчетами погрешность определения координат наземного объекта традиционным способом находится в пределах красной зоны. Погрешность определения координат разработанным способом лежит на пересечении красной зоны с горизонтальной поверхностью. Динамические значения аналитически рассчитанной погрешности измерения горизонтальной дальности в зависимости от угла визирования ОЭС и высоты БПЛА представлены на рис. 6.
Для подтверждения аналитических расчетов проведен эксперимент с автомобилем на определенной местности. На значительном расстоянии, при котором наклонная дальность составила 900 м,
произведено несколько стоп-кадров данных. В результате расчетов получены географические координаты автомобиля двумя способами - традиционным и разработанным (рис. 7). В итоге точность расчета координат разработанным способом повысилась в 4,8 раза. Общий вид ОЭС, устанавливаемой на БПЛА коптерного типа, и его блок-схема, реализующая данный способ, приведены на рис. 8.
Рис. 6. Графики распределения погрешности горизонтальной дальности: h = 200 м (a);
h = 1500 м (б) Fig. 6. Graphs of horizontal range error distribution: h = 200 m (a); h = 1500 m (b)
Рис. 7. Оценка расчета географических координат несколькими способами
(традиционным - черные кружки; разработанным - белые кружки) Fig. 7. Evaluation of the calculation of geographic coordinates in several ways (traditional - black circles; developed - white circles)
Рис. 8. Общий вид оптико-электронной системы и ее блок-схема: НПУ - наземный пункт управления; 1 - бортовой вычислитель; 2 - блок видеонаблюдения;
3 - гиростабилизированная платформа с акселерометром и гироскопом; 4 - лазерный дальномер; 5 - трансивер; 6 - приемник спутникового сигнала и магнитометр; 7 - барометрический высотомер; 8 - трансивер; 9 - наземная станция
управления
Fig. 8. General view of the optoelectronic system and its block diagram: БПЛА - unmanned aerial vehicle; НПУ - ground control post; 1 - onboard computer; 2 - video surveillance unit; 3 - gyro-stabilized platform with accelerometer and gyroscope;
4 - laser rangefinder; 5 - transceiver; 6 - satellite signal receiver and magnetometer;
7 - barometric altimeter; 8 - transceiver; 9 - ground control station
Заключение. Разработанные алгоритм и способ определения географических координат наземных объектов на основе ОЭС, установленной на борту БПЛА, позволяют эффективно и точно рассчитать координаты любого наземного объекта, заметного в видимом и инфракрасном диапазонах электромагнитного спектра с БПЛА, в режиме времени, близком к реальному. Применен инновационный подход: ЦМР получена методами классической цифровой фотограмметрии в совокупности с современными алгоритмами компьютерного зрения. Степень дискретности ЦМР, которая достигается качеством фотоснимков, разрешающей способностью фотокамеры, высотой съемки и вычислительными затратами, оказывает прямое влияние на оценку расчета координат наземного объекта.
Результаты эксперимента показывают, что точность расчета координат разработанным способом может быть повышена в 4,8 раза по сравнению с традиционным угло-мерно-дальномерным способом.
Литература
1. Картеничев А. Ю., Панфилова Е. В. Технологии тушения пожаров с использованием беспилотных летательных аппаратов // Современные технологии обеспечения гражданской обороны и ликвидации последствий чрезвычайных ситуаций. 2019. № 1 (10). С. 149-152.
2. Макаров К. С. Структурная схема комплекса с беспилотным летательным аппаратом, предназначенного для мониторинга территории и объектов в условиях низкой доступности каналов связи // Auditorium. 2019. № 4 (24). C. 48-53.
3. Нартов М. В., Полянин К. С. Система вооружения, предназначенная для противодействия беспилотным летательным аппаратам // Наука без границ. 2018. № 1 (18). С. 48-51.
4. Афонин И. Е., Макаренко С. И., Петров С. В., Привалов А. А. Анализ опыта боевого применения групп беспилотных летательных аппаратов для поражения зенитно-ракетных комплексов системы противовоздушной обороны в военных конфликтах в Сирии, в Ливии и в Нагорном Карабахе // Системы управления, связи и безопасности. 2020. № 4. С. 163-191. doi: https://doi.org/10.24411/2410-9916-2020-10406
5. Оценка влияния погрешностей инерциальных датчиков на точность бесплатформенной инерци-альной навигационной системы / С. В. Андреев, В. В. Ильиных, О. А. Ильиных и др. // Вестник концерна ВКО «Алмаз - Антей». 2018. № 2 (25). С. 29-34. doi: https://doi.org/10.38013/2542-0542-2018-2-29-34
6. Егошкин Н. А. Методы высокоточной геометрической обработки информации от современных систем космического зондирования Земли: автореф. дис. ... д-ра техн. наук. Рязань, 2019. 32 с.
7. Пат. 2726902 РФ. Способ определения координат наземных объектов при фотосъемке с беспилотного летательного аппарата / А. Ю. Каплин. № 2020102510; заявл. 21.01.2020; опубл. 16.07.2020, Бюл. № 20. 2 с.
8. Шипко В. В., Рубинов В. И., Шаронов И. Е., Ханов А. С. Алгоритм определения координат и параметров движения наземных объектов // Вестник Воронежского государственного технического университета. 2018. Т. 14. № 1. С. 43-48.
9. Шипко В. В. О некоторых особенностях определения координат подвижных надводных целей оптико-электронной системой беспилотного летательного аппарата типа «мультикоптер» // Воздушно-космические силы. Теория и практика. 2019. № 12. С. 252-261.
10. Makarenkov A., Egoshkin N., Eremeev V. Modular transfer function compensation for hyperspectral data from Resurs-P satellite system // Proc. SPIE. Image and Signal Processing for Remote Sensing XXIV. 2018. Vol. 10789. P. 301-307. doi: https://doi.org/10.1117/12.2325531
11. Standard image products of Russian highly elliptical remote sensing system «Arktika-M» / N. Egoshkin, A. Kuznetcov, V. Eremeev et al. // Proc. SPIE. Image and Signal Processing for Remote Sensing XXIV. 2018. Vol. 10789. P. 430-436. doi: https://doi.org/10.1117/12.2325099
12. Пат. 2638174 РФ. Способ определения угловых координат цели с помощью линейной антенной решетки / И. Г. Насенков, Р. В. Поликашкин, К. В. Филиппов. № 2016127054; заявл. 05.07.2016; опубл. 12.12.2017, Бюл. № 35. 2 с.
13. Смирнова Д. М. Обнаружение и измерение координат движущихся наземных объектов в многопозиционной просветной радиолокационной системе: автореф. дис. ... канд. техн. наук. Н. Новгород, 2012. 16 с.
14. Летная отработка распределенной системы инерциально-спутниковой микронавигации для радиолокатора с синтезированной апертурой / А. В. Чернодаров, А. П. Патрикеев, В. Н. Коврегин и др. // Научный вестник Московского государственного технического университета гражданской авиации. 2017. Т. 20. № 1. С. 222-231.
15. Баженов А. В., Гривенная Н. В., Исаев А. М., Мельников С. В. Применение беспилотных летательных аппаратов для радиолокационного поиска воздушных и морских судов, потерпевших аварию // Системы управления, связи и безопасности. 2020. № 2. С. 212-230. doi: https://doi.org/10.24411/2410-9916-2020-10207
16. Распознавание объектов в режиме реального времени на iOS с помощью YOLOv3 / Александр @M00nL1ght // Хабр: [электронный ресурс]. 25.07.2019. URL: https://habr.com/ru/post/460869 (дата обращения: 12.02.2021).
17. Porfiriev A. V., Sumin V. I., Dushkin A. V. Algorithm of measurement information processing for hardware and software complex capture and automatic tracking of unmanned aerial vehicle // 2017 2nd International Ural Conference on Measurements (UralCon). Chelyabinsk: IEEE, 2017. P. 199-204. doi: https://doi.org/ 10.1109/URALC0N.2017.8120710
18. Parfiryev A. V., Dushkin A. V., Dubrovin A. S., Stepanov L. V. Control of unmanned aerial vehicles based on the detection algorithm // J. Phys.: Conf. Ser. 2019. Vol. 1202. Art. ID: 012014. doi: https://doi.org/ 10.1088/1742-6596/1202/1/012014
19. Optical trackers: ASEF and MOSSE // Sudonull: [электронный ресурс]. URL: https://sudonull.com/ post/12040-0ptical-trackers-ASEF-and-M0SSE (дата обращения: 20.01.2021).
20. Parfiryev A. V., Ischuk I. N., Dushkin A. V., Smolyakova S. D. Algorithm for controlling the trajectory of an unmanned aerial vehicle with the possibility of flying around obstacles // 2020 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus 2020). Moscow: IEEE, 2020. P. 2395-2400. doi: https://doi.org/10.1109/EIConRus49466.2020.9039467
21. The software implementation of the system of automatic observation of ground objects based on correlation analysis / A. V. Parfiryev, I. N. Ischuk, A. V. Dushkin et al. // 2019 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus 2019). Moscow: IEEE, 2019. P. 1749-1753. doi: https://doi.org/10.1109/EIConRus.2019.8656636
Статья поступила в редакцию 21.06.2021 г.; одобрена после рецензирования 21.06.2021 г.;
принята к публикации 21.12.2021 г.
Информация об авторах Парфирьев Андрей Владимирович - кандидат технических наук, доцент кафедры робототехнических комплексов и систем воздушного базирования Военного учебно-научного центра Военно-воздушных сил «Военно-воздушная академия имени профессора Н. Е. Жуковского и Ю. А. Гагарина» г. Воронеж Министерства обороны Российской Федерации (Россия, 394064, г. Воронеж, ул. Старых Большевиков, 54а), keeperate@mail.ru
Парфирьева Оксана Владимировна - аспирант кафедры робототехнических комплексов и систем воздушного базирования Военного учебно-научного центра Военно-воздушных сил «Военно-воздушная академия имени профессора Н. Е. Жуковского и Ю. А. Гагарина» г. Воронеж Министерства обороны Российской Федерации (Россия, 394064, г. Воронеж, ул. Старых Большевиков, 54а), aregard@inbox.ru
Душкин Александр Викторович - доктор технических наук, доцент, старший научный сотрудник научно-исследовательского центра Военного учебно-научного центра Военно-воздушных сил «Военно-воздушная академия имени профессора Н. Е. Жуковского и Ю. А. Гагарина» г. Воронеж Министерства обороны Российской Федерации (Россия, 394064, г. Воронеж, ул. Старых Большевиков, 54а), профессор кафедры радиотехники Воронежского государственного технического университета (Россия, 394006, г. Воронеж, ул. 20-летия Октября, 84); профессор кафедры информационной безопасности Национального исследовательского университета «МИЭТ» (Россия, 124498, г. Москва, г. Зеленоград, пл. Шокина, 1), a_dushkin@mail. ru
References
1. Kartenichev A. Yu., Panfilova E. V. Fire extinguishing technologies using unmanned aerial vehicles. Sovremennyye tekhnologii obespecheniya grazhdanskoy oborony i likvidatsii posledstviy chrezvychaynykh situatsiy, 2019, no. 1 (10), pp. 149-152. (In Russian).
2. Makarov K. S. Structure chart of a complex including unmanned aerial vehicle and intended for territory and objects monitoring in low communications link availability. Auditorium, 2019, no. 4 (24), pp. 48-53. (In Russian).
3. Nartov M. V., Polyanin K. S. Weapon system used for destruction [of] unmanned aerial vehicles. Nauka bez granits = Science without Borders, 2018, no. 1 (18), pp. 48-51. (In Russian).
4. Afonin I. E., Makarenko S. I., Petrov S. V., Privalov A. A. Analysis of combat experience as groups of unmanned aerial vehicles are used to defeat anti-aircraft missile means of the air defense system in Syria, Libya and Nagorno-Karabakh wars. Sistemy upravleniya, svyazi i bezopasnosti = Systems of Control, Communication and Security, 2020, no. 4, pp. 163-191. (In Russian). doi: https://doi.org/10.24411/2410-9916-2020-10406
5. Andreyev S. V. Ilinykh V. V., Ilinykh O. A., Chertkov M. S., Klyuchnikov A. V. Estimation of inertial sensors error impact on platformless inertial navigation system accuracy. Vestnik kontserna VKO "Almaz -Antey" = Journal of "Almaz-Antey" Air and Space Defence Corporation, 2018, no. 2, pp. 29-34. doi: https://doi.org/10.38013/2542-0542-2018-2-29-34
6. Egoshkin N. A. Methods of high-precision geometric processing of information from modern systems of space sensing of the Earth. Extended Abstract of Dr. Sci. (Eng.) diss. Ryazan', 2019. 35 p. (In Russian).
7. Kaplin A. Ju. Method for determining the coordinates of ground objects when photographing from an unmanned aerial vehicle. Patent 2726902 RF, publ. 16.07.2020, Bul. No. 20. (In Russian).
8. Shipko V. V., Rubinov V. I., Sharonov I. E., Hanov A. S. Algorithm for determining the coordinates and parameters of the motion of ground objects. Vestnik Voronezhskogo gosudarstvennogo tekhnicheskogo universiteta = Bulletin of Voronezh State Technical University, 2018, vol. 14, no. 1, pp. 43-48. (In Russian).
9. Shipko V. V. About some peculiarities of the mobile surface targets coordinates determining by the unmanned aerial vehicle type "multicopter" optical-electronic system. Vozdushno-kosmicheskie sily. Teoriya i praktika, 2019, no. 12, pp. 252-261. (In Russian).
10. Makarenkov A., Egoshkin N., Eremeev V. Modular transfer function compensation for hyperspectral data from Resurs-P satellite system. Proc. SPIE. Image and Signal Processing for Remote Sensing XXIV, 2018, vol. 10789, pp. 301-307. doi: https://doi.org/10.1117/12.2325531
11. Egoshkin N., Kuznetcov A., Eremeev V., Solovyev V., Kochergin A. Standard image products of Russian highly elliptical remote sensing system "Arktika-M". Proc. SPIE. Image and Signal Processing for Remote SensingXXIV, 2018, vol. 10789, pp. 430-436. doi: https://doi.org/10.1117/12.2325099
12. Nasenkov I. G., Polikashkin R. V., Filippov K. V. Method for determining the angular coordinates of a target using a linear antenna array. Patent 2638174C1 RF, publ. 12.12.2017, Bul. No. 35. (In Russian).
13. Smirnova D. M. Detection and measurement of coordinates of moving ground objects in a multiposition transmissive radar system. Extended Abstract of Cand. Sci. (Eng.) diss. Nizhniy Novgorod, 2012. 16 p. (In Russian).
14. Chernodarov A. V., Patrikeev A. P., Kovregin V. N., Kovregina G. M., Merkulova I. I. Flight development of a distributed inertial satellite micronavigation system for synthetic-aperture radar. Nauchnyy vestnik Moskovskogo gosudarstvennogo tekhnicheskogo universiteta grazhdanskoy aviatsii = Civil Aviation High Technologies, 2017, vol. 20, no. 1, pp. 222-231. (In Russian).
15. Bazhenov A. V., Grivennaya N. V., Isaev A. M., Melnikov S. V. Application of unmanned aerial vehicles for radar search of aircraft and ships affected by an accident. Sistemy upravleniya, svyazi i bezopasnosti = Systems of Control, Communication and Security, 2020, no. 2, pp. 212-230. (In Russian). doi: https://doi.org/ 10.24411/2410-9916-2020-10207
16. M00nL1ght. Real-time object recognition on iOS with YOLOv3. (In Russian). Habr. Available at: https://habr.com/ru/post/460869 (accessed: 12.01.2021).
17. Porfiryev A. V., Sumin V. I., Dushkin A. V. Algorithm of measurement information processing for hardware and software complex capture and automatic tracking of unmanned aerial vehicle. 2017 2nd International Ural Conference on Measurements (UralCon). Chelyabinsk, IEEE, 2017, pp. 199-204. doi: https://doi.org/10.1109/URALC0N.2017.8120710
18. Parfiryev A. V., Dushkin A. V., Dubrovin A. S., Stepanov L. V. Control of unmanned aerial vehicles based on the detection algorithm. J. Phys.: Conf. Ser., 2019, vol. 1202, art. ID: 012014. doi: https://doi.org/ 10.1088/1742-6596/1202/1/012014
19. Optical trackers: ASEF and MOSSE. Sudonull. Available at: https://sudonull.com/post/12040-0ptical-trackers-ASEF-and-MOSSE (accessed: 20.01.2021).
20. Parfiryev A. V., Ischuk I. N., Dushkin A. V., Smolyakova S. D. Algorithm for controlling the trajectory of an unmanned aerial vehicle with the possibility of flying around obstacles. 2020 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus 2020). Moscow, IEEE, 2020, pp. 2395-2400. doi: https://doi.org/10.1109/EIConRus49466.2020.9039467
21. Parfiryev A. V., Ischuk I. N., Dushkin A. V., Buriak T. S., Popova N. A. The software implementation of the system of automatic observation of ground objects based on correlation analysis. 2019 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus 2019). Moscow, IEEE, 2019, pp. 1749-1753. doi: https://doi.org/10.1109/EIConRus.2019.8656636
The article was submitted 21.06.2021; approved after reviewing 21.06.2021;
accepted for publication 21.12.2021.
Information about the authors
Andrey V. Parfiriev - Cand. Sci. (Eng.), Assoc. Prof. of the Robotic Complexes and Air-based Systems Department, Military Educational Scientific Centre of the Air Force N. E. Zhukovsky and Y. A. Gagarin Air Force Academy (Voronezh) the Ministry of Defense of the Russian Federation (Russia, 394064, Voronezh, Starykh Bolshevikov st., 54a), keeperate@mail.ru
Oksana V. Parfirieva - PhD student of the Robotic Complexes and Air-based Systems Department, Military Educational Scientific Centre of the Air Force N. E. Zhukovsky and Y. A. Gagarin Air Force Academy (Voronezh) the Ministry of Defense of the Russian Federation (Russia, 394064, Voronezh, Starykh Bolshevikov st., 54a), aregard@inbox.ru
Alexander V. Dushkin - Dr. Sci. (Eng.), Assoc. Prof., Senior Scientific Researcher of the Scientific Research Centre, Military Educational Scientific Centre of the Air Force N. E. Zhukovsky and Y. A. Gagarin Air Force Academy (V oronezh) the Ministry of Defense of the Russian Federation (Russia, 394064, Voronezh, Starykh Bolshevikov st., 54a), Prof. of the Radio Engineering Department, Voronezh State Technical University (Russia, 394006, Voronezh, 20th Anniversary of October st., 84), Prof. of the Information Security Department, National Research University of Electronic Technology (Russia, 124498, Moscow, Zelenograd, Shokin sq., 1), a_dushkin@mail.ru
