МОДЕЛІ ТА МЕТОД ПЛАНУВАННЯ РУХУ РОЮ БЕЗПІЛОТНИХ ЛІТАЛЬНИХ АПАРАТІВ ПРИ ВИКОНАННІ СПЕЦІАЛЬНИХ МІСІЙ З УРАХУВАННЯМ ПРІОРИТЕТУ ЗАВДАНЬ

Автор(и)

  • Dmytro Galinskyi

DOI:

https://doi.org/10.26906/SUNZ.2026.1.012

Ключові слова:

авіаційний транспорт, безпілотний літальний апарат, генетичні алгоритми, інформаційні технології, навігація, планування маршрутів руху, транспортні технології, штучний інтелект

Анотація

Актуальність. В статті наведено удосконалений автором метод планування руху рою безпілотних літальних апаратів (БпЛА) при виконанні спеціальних місій з урахуванням пріоритету завдань в складному середовищі, який перевершує відомі методи за швидкістю та точністю конвергенції та часом виконання. Об’єкт дослідження процеси застосування роїв безпілотних літальних апаратів при виконанні спеціальних місій Мета статті: удосконалення методу планування руху рою безпілотних літальних апаратів при виконанні спеціальних місій з урахуванням пріоритету завдань в складному середовищі. Результати дослідження. У статті для удосконалення методу планування руху БпЛА введено двохетапність планування шляху. В якості базового методу для удосконалення використано метод рою часток (PSO), який зарекомендував себе як достатньо ефективний алгоритм рішення схожих завдань. На першому етапі метод ініціює траєкторії польоту БпЛА та призначає пріоритети БпЛА зі складу рою на основі факторів навколишнього середовища та завдань місії. На другому етапі окремі БпЛА з високим пріоритетом використовують алгоритм PSO, що ґрунтується на відомому методі швидкого дослідження випадкового дерева, для планування шляху, тоді як початковий рій частинок вибірково успадковує результати попередньої ініціалізації. Оскільки траєкторії польоту БпЛА, згенеровані таким методом, можуть не відповідати фактичним вимогам до польоту рою БпЛА, використано криві Дубінса для згладжування та отримання фактичних траєкторій польоту у відповідності з пріоритетністю завдань спеціальної місії. Висновки. Запропонований гібридний підхід поєднує ініціалізацію траєкторій методом випадкових дерев (RRT) з оптимізацією роєм частинок (PSO), що дозволяє ефективно оминати локальні оптимуми у складних середовищах. Використання функції штрафів для дотримання безпечних дистанцій у поєднанні зі стратегією перезапуску та збереженням «елітних» станів забезпечує швидку збіжність і високу стійкість алгоритму. Експериментально доведена масштабованість методу на групи до п’ятисот БпЛА підтверджує його застосування для виконання спеціальних місій в умовах високої щільності агентів і динамічних обмежень.

Завантажити

Дані для завантаження поки недоступні.

Посилання

1. Галінський, Д. Динамічний метод розподілу завдань в рою БпЛА при виконанні спеціальних місій. Випробування та сертифікація, 2025, 3(9), 87-94. https://doi.org/10.37701/ts.09.2025.11

2. Phung, M.D.; Quach, C.H.; Dinh, T.H.; Ha, Q. Enhanced discrete particle swarm optimization path planning for UAV visionbased surface inspection. Autom. Constr. 2017, 81, 25–33. https://doi.org/10.48550/arXiv.1706.04399

3. Sánchez-García, J.; Reina, D.; Toral, S. A distributed PSO-based exploration algorithm for a UAV network assisting a disaster scenario. Future Gener. Comput. Syst. 2019, 90, 129–148. https://doi.org/10.1016/j.future.2018.07.048

4. Wu, X.; Bai, W.; Xie, Y.; Sun, X.; Deng, C.; Cui, H. A hybrid algorithm of particle swarm optimization, metropolis criterion and RTS smoother for path planning of UAVs. Appl. Soft Comput. 2018, 73, 735–747. https://doi.org/10.1016/J.ASOC.2018.09.011

5. Rakha, T.; Gorodetsky, A. Review of Unmanned Aerial System (UAS) applications in the built environment: Towards automated building inspection procedures using drones. Autom. Constr. 2018, 93, 252–264. https://doi.org/10.1016/j.autcon.2018.05.002

6. Pasha, J.; Elmi, Z.; Purkayastha, S.; Fathollahi-Fard, A.M.; Ge, Y.E.; Lau, Y.Y.; Dulebenets, M.A. The drone scheduling problem: A systematic state-of-the-art review. IEEE Trans. Intell. Transp. Syst. 2022, 23. URL: https://www.ieee.org/publications/rights/index.html

7. Dubins, L. On Curves of Minimal Length with a Constraint on Average Curvature, and with Prescribed Initial and Terminal Positions and Tangents. Am. J. Math. 1957, 79, 497–516. https://doi.org/10.2307/2372560

8. Foudeh, H.A.; Luk, P.C.K.; Whidborne, J.F. An advanced unmanned aerial vehicle (UAV) approach via learning-based control for overhead power line monitoring: A comprehensive review. IEEE Access 2021, 9, 130410–130433. https://doi.org/10.1109/ACCESS.2021.3110159

9. Goel, U.; Varshney, S.; Jain, A.; Maheshwari, S.; Shukla, A. Three Dimensional Path Planning for UAVs in Dynamic Environment using Glow-worm Swarm Optimization. Procedia Comput. Sci. 2018, 133, 230–239. https://doi.org/10.1016/j.procs.2018.07.028

10. Gohari, A.; Ahmad, A.B.; Rahim, R.B.A.; Supa’at, A.S.M.; Abd Razak, S.; Gismalla, M.S.M. Involvement of surveillance drones in smart cities: A systematic review. IEEE Access 2022, 10, 566–598. https://doi.org/10.1109/ACCESS.2022.3177904

Завантаження

Опубліковано

2026-02-13

Номер

Розділ

Автомобільний, річковий, морський та авіаційний транспорт