МЕТОД ТА МОДЕЛЬ ПЛАНУВАННЯ МАРШРУТУ ПОЛЬОТУ ГРУПИ БЕЗПІЛОТНИХ ЛІТАЛЬНИХ АПАРАТІВ ДЛЯ УНИКНЕННЯ ПЕРЕШКОД У МІСЬКИЙ ЗАБУДОВІ НА ОСНОВІ ТЕХНОЛОГІЙ МАШИННОГО НАВЧАННЯ
DOI:
https://doi.org/10.26906/SUNZ.2026.3.022Keywords:
безпілотний літальний апарат, траєкторія польоту, машинне навчання, штучний інтелект, нейронна мережа, безпека, зіткнення, метод, математична модель, алгоритмAbstract
Актуальність. Збільшення кількості безпілотних літальних апаратів (БпЛА) з кожним роком призводить до підвищення щільності їх польотів та ймовірності зіткнень, що потребує забезпечення високого рівня безпеки їх польотів. Застосування концепції динамічних коридорів щільності D2-C2 дає змогу знизити частоту виникнення конфліктів, але не усуває повністю ризик непередбачених зближень БпЛА з перешкодами (статичними та динамічними) – за наявності природних явищ та динамічних факторів. Таким чином, удосконалення методу планування траєкторій БпЛА завдяки впровадження засобів прогнозування можливих конфліктів на основі технологій машинного навчання є актуальною науковою задачею. Предметом дослідження в статті є інтеграція концепцію D2-C2 з модулем штучного інтелекту. Метою дослідження є підвищення рівня безпеки польотів групи БпЛА у міській забудові. Завданням дослідження є розробка моделі та удосконалення методу планування траєкторій БпЛА завдяки впровадження засобів прогнозування можливих конфліктів. В ході досліджень використано методи математичної статистики та моделювання. Результатами дослідження у статті є запропоновано нейромережеву модель LSTM, яка навчена на даних про зближення БпЛА. Удосконалено метод планування траєкторій БпЛА з проактивним уникненням конфліктів, який здійснює прогнозне виявлення небезпеки за допомогою ML-моделі. Висновки. Запропонована модель апроксимує функцію, яка відображає складну залежність між часовими рядами параметрів руху двох (і більше) БпЛА та бінарним результатом – зіткнення чи ні. Удосконалений метод інтегрує концепцію D2-C2 з модулем штучного інтелекту, що дозволяє завчасно та автоматично виявляти потенційні зіткнення БпЛА між собою та перешкодами. Отримані результати можуть бути у подальшому використані для створення нових поколінь автономних систем керування БпЛА, здатних адаптивно та навчально покращувати свої навички уникнення небезпеки у складних умовах повітряного руху.Downloads
References
1. Delamer, J.-A., Watanabe, Y., and Chanel, C.P.C. (2021), “Safe path planning for UAV urban operation under GNSS signal occlusion risk”, Robotics and Autonomous Systems, vol. 142, 103800, doi: https://doi.org/10.1016/j.robot.2021.103800 DOI: https://doi.org/10.1016/j.robot.2021.103800
2. Lin, X., Wang, C., Wang, K., Li, M., and Yu, X. (2021), “Trajectory planning for unmanned aerial vehicles in complicated urban environments: A control network approach”, Transportation Research Part C: Emerging Technologies, vol. 128, 103120, doi: https://doi.org/10.1016/j.trc.2021.103120 DOI: https://doi.org/10.1016/j.trc.2021.103120
3. Zhang, N., Zhang, M., and Low, K.H. (2021), “3D path planning and real-time collision resolution of multirotor drone operations in complex urban low-altitude airspace”, Transportation Research Part C: Emerging Technologies, vol. 129, 103123, doi: https://doi.org/10.1016/j.trc.2021.103123 DOI: https://doi.org/10.1016/j.trc.2021.103123
4. Maw, A.A., Tyan, M., Nguyen, T.A., and Lee, J.-W. (2021), “iADA*-RL: Anytime Graph-Based Path Planning with Deep Reinforcement Learning for an Autonomous UAV”, Applied Sciences, vol. 11(9), doi: https://doi.org/10.3390/app11093948 DOI: https://doi.org/10.3390/app11093948
5. Rubí, B., Morcego, B., and Pérez, R. (2021), “Quadrotor Path Following and Reactive Obstacle Avoidance with Deep Reinforcement Learning”, Journal of Intelligent, and Robotic Systems, vol. 103, doi: https://doi.org/10.1007/s10846-021-01491-2 DOI: https://doi.org/10.1007/s10846-021-01491-2
6. Delamer, J.-A., Watanabe, Y., and Chanel, C. (2021), “Multiple UAVs trajectory generation and waypoint assignment in urban environment based on DOP maps”, Aerospace Science and Technology, vol. 110, doi: https://doi.org/10.1016/j.ast.2021.106507 DOI: https://doi.org/10.1016/j.ast.2021.106507
7. Doukhi, O., and Lee, D.-J. (2021), “Deep Reinforcement Learning for End-to-End Local Motion Planning of Autonomous Aerial Robots in Unknown Outdoor Environments: Real-Time Flight Experiments”, Sensors, vol. 21(7), 2534, doi: https://doi.org/10.3390/s21072534 DOI: https://doi.org/10.3390/s21072534
8. Tu, G.-T., and Juang, J.-G. (2023), “UAV Path Planning and Obstacle Avoidance Based on Reinforcement Learning in 3D Environments”, Actuators, vol. 12(2), 57, doi: https://doi.org/10.3390/act12020057 DOI: https://doi.org/10.3390/act12020057
9. Tang, J., Liang, Y., and Li, K. (2024), “Dynamic Scene Path Planning of UAVs Based on Deep Reinforcement Learning”, Drones, vol. 8(2), 60, doi: https://doi.org/10.3390/drones8020060 DOI: https://doi.org/10.3390/drones8020060
10. Коломійцев О.В., Рудаков І.С., Філіппенков О.В., Павлій В.О., Катунін А.М., Коваль В.В., Згода Г.І., Кібальник В.М., Пальчиков В.В., Бєлоус М.В., Павлій Л.В. (2025), “Особливості застосування технології машинного навчання для підвищення безпеки польотів групи безпілотних літальних апаратів у міський забудові”, ГРААЛЬ НАУКИ, № 50, С. 537–550, doi: https://doi.org/10.36074/grail-of-science.21.03.2025. DOI: https://doi.org/10.36074/grail-of-science.21.03.2025.069
11. Коломійцев О.В., Рудаков І.С., Дмітрієв О.М., Комаров В.О., Катунін А.М., Руснак В.М., Шеремет І.А., Галінський Д.О. Аналіз наукових досліджень у галузі безпеки польотів групи безпілотних літальних апаратів у міській забудові. ГРААЛЬ НАУКИ, № 51, С. 569–582. DOI https://doi.org/10.36074/grail-of-science.18.04.2025 DOI: https://doi.org/10.36074/grail-of-science.18.04.2025.078
12. Рисований О.М., Коломійцев О.В., Дмітрієв О.М., Голубничий Д.Ю., Невиніцин А.М., Третяк В.Ф., Крук Б.М., Романюк А.О., Собора А.І., Старцев В.В., Калачова В.В., Пустоваров В.В. (2023), “Метод підвищення ефективності управління безпілотним літальним апаратом у залежності від особливостей матриці зв’язків при використанні нелінійного псевдовипадкового генератора”, II International Scientific and Practical Conference. Science and education in progress, pp. 344–352, available at: https://archive.interconf.center/index.php/conference-proceeding/article/view/3889
13. Puente-Castro, A., Rivero, D., Pedrosa, E., Pereira, A., Lau, N., and Fernandez-Blanco, E. (2024), “Q-Learning based system for Path Planning with Unmanned Aerial Vehicles swarms in obstacle environments”, Expert Systems with Applications, vol. 235, 121240, doi: https://doi.org/10.1016/j.eswa.2023.121240 DOI: https://doi.org/10.1016/j.eswa.2023.121240
14. Fu, X., Zhi, C., and D. Wu (2023), “Obstacle avoidance and collision avoidance of UAV swarm based on improved VFH algorithm and information sharing strategy”, Computers, and Industrial Engineering, vol. 186, 109761, doi: https://doi.org/10.1016/j.cie.2023.109761 DOI: https://doi.org/10.1016/j.cie.2023.109761
15. Xu, L., Cao, X., Du, W., and Li, Y. (2023), “Cooperative path planning optimization for multiple UAVs with communication constraints”, Knowledge-Based Systems, vol. 260, 110164, doi: https://doi.org/10.1016/j.knosys.2022.110164 DOI: https://doi.org/10.1016/j.knosys.2022.110164
16. Niu, Y., Yan, X., Wang, Y., and Niu, Y. (2024) “3D real-time dynamic path planning for UAV based on improved interfered fluid dynamical system and artificial neural network”, Advanced Engineering Informatics, vol. 5(9), 102306, doi: https://doi.org/10.1016/j.aei.2023.102306 DOI: https://doi.org/10.1016/j.aei.2023.102306
17. Feng S, Liu F, Zhou S, Wong X, and Mai J. (2025), “Dynamic obstacle avoidance strategy for autonomous vehicles based on LSTM model trajectory prediction under urban roads”, Proceedings of the Institution of Mechanical Engineers, Part D, doi: doi: https://doi.org/10.1177/09544070241299283 DOI: https://doi.org/10.1177/09544070241299283
18. Fedorchenko, V., Yeroshenko, O., Shmatko, O., Kolomiitsev, O., and Omarov, M. (2024), “Password hashing methods and algorithms on the .net platform”, Advanced Information Systems, vol. 8(4), pp. 82–92, doi: https://doi.org/10.20998/2522-9052.2024.4.11 DOI: https://doi.org/10.20998/2522-9052.2024.4.11
19. Shmatko, O., Kolomiitsev, O., Rekova, N., Kuchuk, N., and Matvieiev, O. (2023), “Designing and evaluating dl-model for vulnerability detection in smart contracts”, Advanced Information Systems, vol. 7(4), pp. 41–51, doi: https://doi.org/10.20998/2522-9052.2023.4.05 DOI: https://doi.org/10.20998/2522-9052.2023.4.05
20. Gordo, V., Perez-Castan, J.A., Perez Sanz, L., Serrano-Mira, L., and Xu, Y. (2024), “Feasibility of Conflict Prediction of Drone Trajectories by Means of Machine Learning Techniques”, Aerospace, vol. 11, doi:https://doi.org/10.3390/aerospace11121044 DOI: https://doi.org/10.3390/aerospace11121044
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Ihor Rudakov, Oleksii Kolomiitsev
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
