Архив статей журнала
Автономная навигация беспилотных летательных аппаратов (БПЛА) является одной из ключевых задач в современной аэрокосмической индустрии. В особенности для малоразмерных БПЛА задача автономной навигации становится еще более сложной из-за ограничений по вычислительным ресурсам и возможностям сенсорных систем. Оптимизация методов навигации для таких условий является актуальной проблемой, требующей решений, которые могут обеспечить высокую производительность при минимальных затратах ресурсов.
Основной целью служит повышение эффективности автономной навигации малоразмерных БПЛА за счет использования корреляционных методов для сравнения изображений. Достижение этой цели связано с разработкой и оценкой алгоритмов, которые позволяют обеспечить высокую скорость и точность навигации при ограниченных вычислительных ресурсах. В работе использованы методы автокорреляционной функции, корреляции Пирсона, метод на основе индекса структурного сходства изображений и простой нейронной сети для задачи сравнения изображений.
Решение. Исследование показало, что подход на основе автокорреляции демонстрирует наилучшую производительность в условиях слабых вычислительных ресурсов. Он обеспечивает высокую скорость обработки полного изображения и показывает оптимальные результаты по точности обнаружения. В сравнении с другими представленными в работе методами, автокорреляционный подход способен работать не только с зашумлением «эталонной» карты, но и использовать в качестве обнаруженной области и альтернативные области с измененными паттернами. Научная новизна работы определяется в проведении систематического сравнения различных методов применительно к задаче сравнения изображений для малоразмерных БПЛА с ограниченными вычислительными ресурсами. В отличие от известных работ в области построения корреляционно-экстремальных систем, данное исследование ориентировано на использование «эталонной карты» и искомой области, представляющих собой два разных изображения одного и того же участка местности, взятых из различных источников. Это ключевое различие, так как большинство методов не обладает высокой эффективностью обработки таких изображений, на которых паттерны могут значительно варьироваться.
Практическая значимость разработанного алгоритма состоит в том, что предложенный метод на основе автокорреляции может использоваться разработчиками систем управления автономных малоразмерных БПЛА для снижения вычислительной нагрузки и повышения скорости обработки данных.
Актуальность. В последние десятилетия метаэвристические методы оптимизации стали популярными для решения сложных задач, требующих поиска глобальных экстремумов. Алгоритмы, такие как генетический алгоритм (GA), оптимизация колоний муравьев (ACO), оптимизация роя частиц (PSO), а также более современные подходы, как алгоритм кошачьей стаи (CSO) и оптимизация стаи серых волков (GWO), демонстрируют высокую эффективность, но их применение зачастую ограничивается условиями непрерывности и дифференцируемости целевых функций. Это представляет собой вызов при решении задач с дискретными данными, где такие требования не соблюдаются. В данном контексте особую актуальность приобретает поиск методов, позволяющих адаптировать метаэвристические алгоритмы для работы с дискретными функциями.
Цель исследования направлена на проверку гипотезы о возможности использования нейронной сети, обученной на ограниченном наборе дискретных данных, в качестве аппроксимации функции, достаточной для корректного выполнения алгоритма GWO при поиске глобального минимума.
Методы. Исследование основано на анализе существующих подходов и экспериментальной проверке гипотезы на двух тестовых функциях: линейной функции и функции Бута, которые широко применяются в качестве стандартов для оценки производительности алгоритмов оптимизации. Для получения результатов проведены численные эксперименты с использованием нейронных сетей в качестве аппроксимирующей модели.
Решение. В ходе экспериментов проведен анализ применимости нейронных сетей для аппроксимации дискретных функций, показавший успешность данного подхода. Было установлено, что нейронные сети могут с высокой точностью аппроксимировать дискретные функции, создавая условия для успешного поиска глобального минимума с использованием алгоритма GWO.
Новизна. Впервые предложена и проверена гипотеза о применении нейронных сетей для аппроксимации целевых функций в задачах метаэвристической оптимизации на дискретных данных. Это направление ранее не получило должного освещения в научной литературе, что придает ценность полученным результатам и подтверждает эффективность предложенного подхода.
Значимость. Результаты исследования открывают новые перспективы для применения алгоритмов, таких как GWO, в задачах оптимизации, основанных на дискретных данных, расширяя возможности метаэвристических методов и способствуя их внедрению в более широкий класс прикладных задач, включая задачи, где применение других методов ограничено.