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.
In modern systems of unmanned aerial vehicles (UAVs), high requirements for the reliability and safety of performed maneuvers determine the need to use intelligent control algorithms. Trained neural networks are capable of providing adaptive response to external disturbances and dynamic changes in the environment. However, the limitations of real-world flights and the risks of accidents when experimenting with training data stimulate the development of synthetic modeling techniques. The purpose of the study is to analyze the effectiveness of a neural network model trained on synthetically generated data for UAV flight control. The article discusses an approach to training a neural network model for controlling an unmanned aerial vehicle (UAV) using camera images and clouds of lidar points. The training was performed on synthetic data collected in the AirSim simulator (Microsoft). A comparative analysis of three configurations was carried out: a model working only with images, a model with a camera and lidar trained on one scene (3,500 examples), and a model with a camera and lidar trained on 15,000 examples from four scenes. The developed model was tested on seven different scenes. The results obtained indicate a significant improvement in metrics with an increase in the size and diversity of the training sample. The results obtained confirm the validity of the synthetic learning approach for UAV control tasks, providing a high level of accuracy and speed. The main limitations are related to adaptation to unpredictable real-world factors and the need for further validation in field trials. The integration of reinforcement learning and the expansion of synthetic scenarios by simulating extreme weather conditions are promising.
In modern systems of unmanned aerial vehicles (UAVs), high requirements for the reliability and safety of performed maneuvers determine the need to use intelligent control algorithms. Trained neural networks are capable of providing adaptive response to external disturbances and dynamic changes in the environment. However, the limitations of real-world flights and the risks of accidents when experimenting with training data stimulate the development of synthetic modeling techniques. The purpose of the study is to analyze the effectiveness of a neural network model trained on synthetically generated data for UAV flight control. The article discusses an approach to training a neural network model for controlling an unmanned aerial vehicle (UAV) using camera images and clouds of lidar points. The training was performed on synthetic data collected in the AirSim simulator (Microsoft). A comparative analysis of three configurations was carried out: a model working only with images, a model with a camera and lidar trained on one scene (3,500 examples), and a model with a camera and lidar trained on 15,000 examples from four scenes. The developed model was tested on seven different scenes. The results obtained indicate a significant improvement in metrics with an increase in the size and diversity of the training sample. The results obtained confirm the validity of the synthetic learning approach for UAV control tasks, providing a high level of accuracy and speed. The main limitations are related to adaptation to unpredictable real-world factors and the need for further validation in field trials. The integration of reinforcement learning and the expansion of synthetic scenarios by simulating extreme weather conditions are promising.