Специалисты из Университета принца Султана создали инновационную систему, использующую искусственный интеллект, для навигации дронов без необходимости применения GPS, камер или визуальных ориентиров. Предложенная исследователями платформа CLAK обеспечивает возможность определения местоположения беспилотных летательных аппаратов, основываясь только на информации от встроенных датчиков, таких как лидар, данные барометрической высоты и инерциальные измерения.
Предлагаемый метод предназначен для использования в условиях, где качество спутниковых сигналов ограничено или отсутствует, таких как туннели, города с высокой плотностью населения, леса или районы военных действий. Для автономного полёта крайне необходимо точное определение местоположения, однако глобальные навигационные спутниковые системы могут давать сбои из-за перекрытия сигнала, помех или преднамеренного искажения.
Выбор методов визуальной навигации определяется условиями освещения и свойствами поверхности, а также требует значительных вычислительных ресурсов, что снижает их надёжность при плохой видимости или недостатке ресурсов. Предлагаемая архитектура решает эту проблему, используя данные от невизуальных сенсоров. Она анализирует пространственные и временные характеристики для определения координат широты, долготы и высоты, обеспечивая ориентацию дрона даже в ситуациях, когда обычные системы перестают работать.
Модель CLAK интегрирует различные подходы искусственного интеллекта в унифицированную систему. В ней используются свёрточные слои для выявления закономерностей во входных данных, поступающих от датчиков, а затем применяются двунаправленные сети LSTM для анализа временных изменений. Специализированный модуль, предназначенный для выделения наиболее существенных параметров, отбирает ключевые точки данных, после чего сеть Колмогорова — Арнольда выполняет окончательное прогнозирование позиции. Обучение модели проводилось на основе симулированных данных полётов, созданных с использованием инструментов, основанных на ROS2, таких как Gazebo, PX4 и QGroundControl. Чтобы максимально приблизить условия к реальным, в процесс обучения были включены данные о рельефе местности, полученные из региона Таиф в Саудовской Аравии.
В процессе тестирования модель продемонстрировала существенное превосходство над стандартными подходами: средняя абсолютная ошибка уменьшилась с величины, превышающей три метра, до менее чем одного метра, а также была достигнута высокая точность при моделировании различных траекторий полёта. В ряде ситуаций погрешность сократилась более чем на 75%. По мнению разработчиков, модель обладает высокой точностью и при этом достаточно компактна для практического использования, что позволяет применять её в беспилотных летательных аппаратах, функционирующих в условиях жёстких ограничений аппаратного обеспечения.
Отсутствие необходимости в камерах или спутниковых сигналах позволяет системе работать в тех условиях, где другие методы оказываются неэффективными. К таким условиям относятся закрытые пространства, подземные туннели, горная местность и городские районы с плохой связью. Использование широко распространённых датчиков также уменьшает зависимость от дорогостоящего оборудования, что делает систему более доступной для коммерческих и исследовательских целей. Это может способствовать более быстрому распространению технологии в сферах, где требуется надёжная навигация при отсутствии доступа к GPS и визуальным системам. Кроме того, подобный подход сокращает потребность в сложной обработке изображений, которая требует значительных энергетических затрат и ограничивает производительность малогабаритных дронов. За счёт эффективной интеграции данных с датчиков, система обеспечивает увеличенное время полёта и более надёжную автономность.
Помимо использования для навигации, данная технология может быть полезна при устранении последствий природных катастроф, проверке состояния инфраструктурных объектов и в военных действиях, где точное определение местоположения критически важно, но нередко оказывается под угрозой. Сейчас специалисты изучают возможности дальнейшей оптимизации модели, в частности, уменьшение требуемых вычислительных ресурсов и улучшение способности подстраиваться под разные типы ландшафта и задачи. В дальнейшем планируется разработка системы совместной навигации нескольких беспилотных летательных аппаратов для увеличения точности и надёжности.
Исследование было в журнале Satellite Navigation.