Анализ модели нейронной сети, обученной на синтетических данных, применяемой для управления БПЛА

Аннотация

В современных системах беспилотных летательных аппаратов (БПЛА) высокие требования к надёжности и безопасности выполняемых манёвров определяют необходимость применения интеллектуальных алгоритмов управления. Обученные нейронные сети способны обеспечивать адаптивное реагирование на внешние возмущения и динамические изменения среды. Однако ограниченность реальных полётов и риски аварий при эксперименте с учебными данными стимулируют развитие методик синтетического моделирования. Цель исследования – анализ эффективности модели нейронной сети, обученной на синтетически сгенерированных данных, для управления полётом БПЛА. В статье рассматривается подход к обучению модели нейронной сети для управления беспилотным летательным аппаратом (БПЛА) с использованием изображений с камеры и облаков точек лидара. Обучение производилось на синтетических данных, собранных в симуляторе AirSim (Microsoft). Проведен сравнительный анализ трех конфигураций: модель, работающая только с изображениями, модель с камерой и лидаром, обученная на одной сцене (3500 примеров), и модель с камерой и лидаром, обученная на 15000 примеров из четырех сцен. Проведено тестирование разработанной модели на семи различных сценах. Полученные результаты свидетельствуют о значительном улучшении метрик при увеличении объема и разнообразия обучающей выборки. Полученные результаты подтверждают состоятельность подхода синтетического обучения для задач управления БПЛА, обеспечивая высокий уровень точности и быстродействия. Основные ограничения связаны с адаптацией к непредсказуемым реальным факторам и необходимостью дальнейшей валидации на полевых испытаниях. Перспективными являются интеграция метода обучения с подкреплением и расширение синтетических сценариев за счёт имитации экстремальных погодных условий.