CC BY
32
УДК 629.054
DOI: 10.24412/2071-6168-2022-9-293-297
СИСТЕМА АВТОМАТИЗИРОВАННОЙ ПОСАДКИ БПЛА НА ДВИЖУЩУЮСЯ ПЛАТФОРМУ НА БАЗЕ АЛГОРИТМОВ ТЕХНИЧЕСКОГО ЗРЕНИЯ
И.Б. Широков, Е.Г. Зинченко
В работе представлена концепция автоматизированной системы управления посадкой беспилотного летательного аппарата, способной приземлять БПЛА на движущуюся платформу, используя только бортовые датчики и вычисления. Система подразумевает использование самых современных алгоритмов компьютерного зрения в совокупности с информацией с бортовых датчиков для локализации БПЛА, а также обнаружения и оценки параметров движения движущейся платформы. Система является автономной и не требует никакой внешней инфраструктуры. Позиционирование БПЛА происходит в локальной системе координат, связанной с платформой, с помощью технологий технического зрения, а потому точность глобальных систем позиционирования не влияет на результат работы системы. Тестирование элементов системы проводится как на компьютерных моделях, так и в реальных условиях. Система может быть использована во множестве производственных задач, где необходимо обеспечить посадку БПЛА на движущийся объект. В частности, данная задача возникла исходя из необходимости обеспечить безопасное приземление квадрокоптера на палубу морского судна.
Ключевые слова: компьютерное зрение, искусственный интеллект, автоматизация, посадка
БПЛА.
Несмотря на большой выбор различных решений, точность как локальных, так и глобальных систем позиционирования всё еще достаточно низкая. При это, специфика эксплуатации БПЛА в морской среде накладывает ряд ограничений на применение таких решений. Удаленность от берега делает невозможным использование дифференциальных систем позиционирования, а большое количество металлических конструкций затрудняет использование радиопередатчиков.
С расширением сферы применения БПЛА необходимо развитие возможностей автоматизированного и автоматического управления БПЛА для выполнения задач различного назначения. Позиционирование и навигация подавляющего большинства современных БПЛА осуществляется в рамках глобальных систем спутниковой навигации GPS и ГЛОНАСС.
При этом, существует множество причин, которые не позволяют обеспечить высокую точность позиционирования по спутнику. В таких случаях единственно возможной альтернативой для автоматизированного управления БПЛА остается использование локальных систем позиционирования (Л СП) [1].
Идея разработки АСУ БПЛА в пределах ЛСП возникла при разработке более крупного проекта [8], посвященного проведению грузовых операций на судах навалочного типа. В частности, для проведения различного рода замеров и инспекции судна, возникла задача облета судна по заданной траектории, аналог которой описан в [5]. Схема облета судна представлена на рис. 1 [10].
условные обозначения
0® Снижение ивзлег шш проведения замеров + - Линии перемещения дрона
«Гнездо дрока» посадочнзя площадка на судне (О) Метка на корпусе для корректировки позиции дрона
Начало пути 1 11
Конец пути л , -
...........................................
Рис. 1. Схема полетного задания БПЛА при автоматизированном определении загрузки судна
Описание проблемы. К причинам, по которым данная задача не может быть выполнена традиционными средствами, относится то, что значительная часть судов торгового флота осуществляют навигацию по всему Земному шару. Спутниковые системы позиционирования предполагают навигацию в рамках различных эллипсоидов (как правило эллипсоид Красовского или WGS-84), которые служат лишь удобным приближением реальной формы геоида и хорошо описывают поверхность лишь в регионах, для которых они были рассчитаны. Так, большинство приборов обеспечивают точность позиционирования до ±3 м в плоскости и до ±10 м по вертикали в идеальных условиях, а в некоторых регионах эти погрешности могут достигать десятков, а то и сотен метров.
Учитывая, что диаметр БПЛА вертолетного типа редко превышает один метр, а расстояние камеры до борта судна напрямую влияет на точность измерений, необходимо обеспечить точность позици-
293
онирования хотя бы ±1 м по всем направлениям. Несмотря на то, что в геодезии все чаще применяются различные квазигеоиды, способные обеспечить высокую точность приближения к земной поверхности, в гражданских спутниковых системах позиционирования их применение крайне ограничено.
Другим вариантом повышения качества позиционирования является использование систем дифференциальной коррекции, способных повысить точность позиционирования до нескольких сантиметров. В большинстве случаев такой способ будет работать, однако зачастую суда грузят на рейде, в удалении от необходимой инфраструктуры, либо в регионах, где GPS недоступен по различным причинам (например сигнал глушат в ходе проведения боевых операций). Все эти факторы наталкивают на мысль о создании локальной системы позиционирования, с центром координат, связанным с судном, независимой от систем спутниковой навигации.
ЛСП должна быть способна обеспечить высокую точность позиционирования в непосредственной близости от судна. Поскольку самое большое судно в мире (Prelude) имеет длину 488 метров, область позиционирования можно ограничить квадратом со стороной в 550 метров. Проанализировав существующие решения для высокоточных систем локальной навигации (UWB, MiWi, Wi-Fi, ZigBee, NanoLoc и др., таблице) стало очевидно, что применительно к данной задаче могут подойти решения на базе NanoLoc при навигации в радиусе до 500 м, и UWB при подлетах к судну на расстоянии до 40 м для обеспечения более высокой точности навигации.
Сравнение существующих решений для построения ЛСП
Параметры UWB Wi-Fi WiMax MiWi ZigBee NFER NanoLoc DECT
Стоимость оборудования средн. низк. высок. низк. низк. высок. средн. ниже средн.
Стоимость обслуживания выше среднего средн. высок. низк. низк. выше средн. ближе к низкой ниже средн.
Стоимость монтажа высок. средн. высок. низк. низк. выше средн. средн. ниже средн.
Зона охвата до 40 м. до 100 м. до 5 км до 300 м. до 300 м. до 70 м. до 900 м до 200 м.
Точность до 0.1 м до 5 м до 50 м до 3 м до 2 м до 1 м до 1 м до 5 м
Диапазон рабочих частот 3-10 ГГц 2.4, 5 ГГц 2-66 ГГц 2.4 ГГц 868 МГц, 915 МГц, 2.4 ГГц, 6 ГГц До 30 МГц 2.4 ГГц 1900 МГц
Пропускная способность До 480 Мбит/с 802.11ас: до 6.77 Гбит/с До 1 Гбит/с До 250 Кбит/с До 250 Кбит/с нет До 2 Мбит/с До 1152 Кбит/с
Задача позиционирования усложняется тем, что установка антенных модулей возможна только на судне, а полет необходимо выполнять за его пределами. Это уменьшает зону покрытия приемопередатчиками, а также приводит к появлению более острых углов между пеленгами на них, что снижает точность позиционирования мультилатерации.
Также, даже при стоянке на якоре судно совершает циркуляцию вокруг якоря, а потому управление происходит в движущейся системе позиционирования. Третьей сложностью является то, что производители данных систем представлены иностранными компаниями, а потому доступ к их продукции может быть ограничен, а разработка альтернативных систем отечественного производства актуальна с точки зрения импортозамещения.
Альтернативным решением для задачи позиционирования БПЛА может выступать использование цифровых камер, оснащенных системами искусственного интеллекта [4]. В настоящее время наиболее популярными являются технологии типа SLAM [Ошибка! Источник ссылки не найден.] (Simultaneous Localization and Mapping, простейший пример - в роботах пылесосах) и навигация по фидуциарным маркерам [2](QR-, AR-коды).
Хотя возможности SLAM значительно расширились за последние годы, технология наиболее эффективна при картировании и навигации внутри ограниченного пространства, границы которого не изменяются. Поскольку судно при стоянке на якоре подвижно, то применение SLAM значительно затруднено. При этом, строится двух- или трехмерная карта области с привязкой к точке старта БПЛА. Основными датчиками выступают лидары и цифровые камеры. При всей перспективности технологии, высокая стоимость датчиков, сложности в разработке и тестировании, высокие требования к вычислительной мощности, а также малая надежность алгоритмов приводят к необходимости рассматривать другие варианты.
В частности, навигация по визуальным маркерам [6] лишена ряда проблем SLAM. Примеры визуальных маркеров представлены на рис. 2. В реальной системе предполагается наносить данные маркеры на доски или плакаты размером 1х1 метр с помощью светоотражающих пленок (для повышения надежности распознавания). Каждому маркеру при этом предписывается заранее известная позиция на судне в соответствии с судовой документацией, а также порядковый номер для однозначной идентификации места марки. Предполагается, что по такого рода маркерам БПЛА будет корректировать свое положение в контрольных точках.
ВзПШЕШЕШ!
д д
Шн!й]
Рис. 2. Примеры фидуциарных маркеров
Такой подход уже активно используется для организации взлета и посадки БПЛА на подвижные платформы (рис. 3), однако ничто не мешает использовать его и при навигации. Помимо полета над судном, цифровая камера с искусственным интеллектом должна быть способна обнаружить и марку углубления вдоль борта. Это позволит задать верную ориентацию БПЛА, задать начало и конец процесса замеров осадки. Также, для контроля положения БПЛА относительно препятствий возможно оснащение дрона лазерными или ультразвуковыми дальномерами.
Рис. 3. Посадка дрона на платформу с помощью компьютерного зрения
При построении модели управления БПЛА необходимо учитывать использование систем стабилизации для обеспечения более плавных переходов между управляющими воздействиями. Такие системы стабилизации могут быть выполнены в виде ПИД-регуляторов, либо с применением теории оптимальной линейной фильтрации [3].
Сборка БПЛА (рис. 4) и летные испытания проходят на полигоне в городе Егорьевск, где расположен соответствующих производственный цех. Консультантами в проекте выступают инженеры и конструкторы АО РТИ, взаимодействие с которыми было налажено в начале 2022 года.
Рис. 4. Прототип БПЛА грузоподъемностью 2,8 кг
Заключение. В работе представлена концепция автоматизированной системы управления посадкой беспилотного летательного аппарата, способной приземлять БПЛА на движущуюся платформу, используя только бортовые датчики и вычисления. Позиционирование БПЛА происходит в локальной системе координат, связанной с платформой, с помощью технологий технического зрения, а потому точность глобальных систем позиционирования не влияет на результат работы системы. Тестирование эле-
ментов системы проводится как на компьютерных моделях, так и в реальных условиях. Система может быть использована во множестве производственных задач, где необходимо обеспечить посадку БПЛА на движущийся объект.
В зависимости от области применения система способна принести значительный экономический эффект и на порядки сократить некоторые операционные расходы. Также, ЛСП способна обеспечить точность позиционирования до ±1 метра в любом районе земного шара, в то время как точность GPS зависит от выбранного референс эллипсоида и в ряде малонаселенных районов может давать погрешность в десятки метров (например, в странах Юго-Восточной Азии)
Список литературы
1. Богданов Д.В., Гайворонский Д.В. Выбор и анализ структуры пользовательского радиоинтерфейса локальной системы позиционирования // Известия вузов России. Радиоэлектроника, 2017. № 1. 2017. С. 49-55.
2. Бугрышев Р.И., Григорьева А.Д. Оптимизация процесса обнаружения фидуциарных маркеров с помощью вычислений на GPU // StudNet. 2021. Т. 4. № 9. С. 13.
3. Виноградов В.Н. Корреляционная теория фильтрации и управления многомерными случайными процессами: Линейная корреляционная теория фильтрации и управления. М.: КРАСАНД, 2012. 320 с.
4. Гелиг А.Х., Матвеев А.С. Введение в математическую теорию обучаемых распознающих систем и нейронных сетей: учеб. пособие. СПб.: Изд-во С.-Петерб. ун-та, 2014. 224 с.
5. Гэн К., Чулин Н.А. Алгоритм наведения движения для квадрокоптера с возможностью облета препятствий и отслеживания запланированного маршрута на основе управления нормальным ускорением // Проблемы современной науки и образования. 2016. № 31(73). С. 6-28.
6. Дерябкина Е.С., Зенкин А.М., Осинкин Е.А., Селезнева Я.М. Разработка алгоритма позиционирования БПЛА на основе визуального маркера // Сборник трудов IX Конгресса молодых ученых, Санкт-Петербург, Университет ИТМО. Санкт-Петербург: Национальный исследовательский университет ИТМО, 2021. С. 30-33.
7. Зенкевич С.Л., Галустян Н.К. Разработка математической модели и синтез алгоритма угловой стабилизации движения квадрокоптера // Мехатроника, автоматизация, управление. 2014. № 3. С. 2732.
8. Ивановский А.Н., Черный С.Г. АСУТП драфт сюрвей для сухогрузов // Автоматизация в промышленности. 2022. № 5. С. 28-31.
9. Красовский А.Н. Математическая модель полёта дрона-квадрокоптера и способ гарантированной посадки его в «гнездо» // Актуальные исследования. 2021. № 14(41). С. 6-10.
10. Ивановский А.Н., Черный С.Г. АСУТП драфт сюрвей для сухогрузов // Автоматизация в промышленности. 2022. № 5. С. 28-31.
Широков Игорь Борисович, д-р техн. наук, профессор, shirokov@ieee.org, Россия, Севастополь, Севастопольский государственный университет,
Зинченко Елена Геннадьевна, магистрант, eltel85@bk.ru, Россия, Керч, Керченский государственный морской технологический университет
THE CONCEPT OF COMPUTER VISION BASED SYSTEM FOR AUTOMATED UAV LANDING ON A
MOVING PLATFORM
I.B. Shirokov, E.G. Zinchenko
The paper presents the concept of an automated unmanned aerial vehicle landing control system capable of landing an UAV on a moving platform using only on-board sensors and calculations. The system involves the use of the most advanced computer vision algorithms in conjunction with information from on-board sensors to localize the UAV, as well as to detect and evaluate the movement parameters of a moving platform. The system is autonomous and does not require any external infrastructure. The positioning of the UAV takes place in the local coordinate system associated with the platform using technical vision technologies, and therefore the accuracy of global positioning systems does not affect the result of the system. Testing of system elements is carried out both on computer models and in real conditions. The system can be used in a variety of production tasks where it is necessary to ensure the UAV landing on a moving object. In particular, this task arose based on the need to ensure the safe landing of a quadrocopter on the deck of a sea vessel.
Key words: computer vision, artificial intelligence, automation, UAV landing.
Shirokov Igor Borisovich, doctor of technical sciences, professor, shirokov@ieee.org, Russia, Sevastopol, Sevastopol State University,
Zinchenko Elena Gennadievna undergraduate, eltel85@bk.ru, Russia, Kerch, Kerch State Marine Technological University
УДК 004.056.53
DOI: 10.24412/2071-6168-2022-9-297-304 МОДЕЛЬ ЦИФРОВОЙ СИСТЕМЫ УПРАВЛЕНИЯ СТВОЛОПРОХОДЧЕСКОГО КОМБАЙНА
Е.В. Ларкин, А.Н. Привалов
Проведен анализ цифровой системы управления сложным многоконтурным объектом с контроллером Фон-Неймановского типа. Получены общие аналитические модели функционирования объекта управления и процесса обработки данных цифровым контроллером. Показано, что передаточные функции, полученные из аналитического описания обработки дискретных данных контроллером, могут быть объединены с передаточными функциями, полученными из аналитического описания объекта управления, в общую передаточную функцию замкнутой многоконтурной системы управления сложными объектами. Разработана типовая структурная схема и аналитическая математическая модель функционирования системы, учитывающая временные задержки между транзакциями, вызванные последовательной интерпретацией операторов алгоритма управления и случайным характером обрабатываемых данных. Показано, что временные задержки между транзакциями приводят к появлению как в числителе, так и в знаменателе передаточной функции замкнутой системы комплексных экспонент, описывающих такие явления, как перекос данных и чистое отставание.
Ключевые слова: цифровая система управления, регулятор фон Неймана, алгоритм управления, полумарковский процесс, запаздывание, замкнутая система, передаточная функция.
Введение. Базовой концепцией развития современной промышленности является усложнение технологий и связанное с этим широкое внедрение цифровых технологий повышения качества продукции, например, стволопроходческих комбайнов [1, 2]. Переход к новым цифровым технологиям управления связан с использованием в качестве регуляторов новых устройств, обладающих, по сравнению с аналоговыми регуляторами, новыми свойствами [3, 4, 5], связанных с последовательной интерпретацией операторов алгоритма управления, разворачивающихся в реальном физическом времени. Благодаря этому цифровой регулятор, помимо алгоритмической реализации закона управления, вносит временные задержки в процесс управления, что, в свою очередь, влияет на качественные характеристики системы управления стволопроходческих комбайнов. Каждый алгоритм управления обрабатывает случайные данные, формирующиеся на выходах датчиков, и включает решающие операторы в точках ветвления, поэтому при его интерпретации генерируются случайные интервалы времени между транзакциями, как при вводе/выводе данных (перекос данных), так и при вычислении управляющего воздействия (чистый отставание) [5, 6, 7]. В то же время промышленность, военная и другая техника при переходе на новые технологии управления должны обеспечивать требуемое качество продукции вне зависимости от случайных факторов времени [8, 9, 10]. В связи с этим возникает научная проблема создания моделей цифровых систем управления стволопроходческих комбайнов, учитывающих реальные физические характеристики цифровых регуляторов, которые могут быть использованы в качестве базовой модели при синтезе регуляторов.
Методы моделирования цифровой системы управления хорошо известны [11, 12, 13, 14], но приемлемы для использования в рутинной инженерной практике методы, позволяющие не только оценивать задержки управляющей программы произвольной сложности, но и использовать эти параметры при синтезе регулятора, не получили широкого распространения, что подтверждает необходимость и актуальность исследований в этой области.
1. Модель объекта управления. Функциональная схема цифровой системы управления является классической [15, 16] и показана на рис. 1а. Система включает в себя цифровой контроллер и управляемый объект, связанный с интерфейсом. Объект под управлением, приводимый в действие управляющим вектороми(V)= UJ ), ...Uk (), ...,Uк(/)9 , где 9 - знак транспонирования матрицы, характеризуется вектором состояния х()= ), ...,Xk), ...,Xк(/)]", значения которых измеряются датчиками, которые преобразуют х({) к вектору сигнала обратной связи
х0()=\х0,1{1:),...,x0,k(()]. Входной вект°р I()=\^1 (),...,А^),...,fK()]9
может быть сформирован внутри контроллера или может быть применен к контроллеру снаружи, через
