Библиографическое описание:СИСТЕМА КОМПЛЕКСИРОВАНИЯ СЕНСОРНЫХ ДАННЫХ В БОРТОВЫХ СИСТЕМАХ УПРАВЛЕНИЯ БЕСПИЛОТНЫМИ АВИАЦИОННЫМИ СИСТЕМАМИ : научное издание / Н. Н. Гулютин, Н. А. Ермиенко, О. А. Антамошкин. - Текст : непосредственный // Моделирование, оптимизация и информационные технологии. - 2025. - Т.13, №1. - ISSN 2310-6018, DOI 10.26102/2310-6018/2025.48.1.019.
Аннотация:Современные беспилотные авиационные системы (БАС) играют ключевую роль в различных отраслях, включая мониторинг окружающей среды, геодезию, сельское и лесное хозяйство. Одним из важнейших факторов их успешного применения является интеграция данных от различных сенсоров, таких как глобальные навигационные спутниковые системы, инерциальные навигационные системы, лидары, камеры и тепловизоры. Комплексирование данных позволяет существенно повысить точность, надежность и функциональность систем управления. В статье рассматриваются методы интеграции данных, включающие традиционные алгоритмы, такие как фильтры Калмана и его расширенные версии, а также современные подходы, основанные на моделях глубокого обучения, включая FusionNet и Deep Sensor Fusion. Экспериментальные исследования показали, что обучаемые модели превосходят традиционные алгоритмы, обеспечивая увеличение точности навигации до 40 % и улучшение устойчивости к помехам и внешним воздействиям. Предложенные подходы демонстрируют потенциал для расширения применения БАС в задачах автономной навигации, картографии и мониторинга, особенно в сложных условиях эксплуатации. Перспективы дальнейшего развития включают использование гиперспектральных сенсоров и создание адаптивных методов интеграции для повышения эффективности работы беспилотных систем.
Modern unmanned aerial systems (UAS) play a key role in various industries, including environmental monitoring, geodesy, agriculture, and forestry. One of the most critical factors for their successful application is the integration of data from various sensors, such as global navigation satellite systems, inertial navigation systems, lidars, cameras, and thermal imagers. Sensor data fusion significantly enhances the accuracy, reliability, and functionality of control systems. This paper explores data integration methods, including traditional algorithms like Kalman filters and their extended versions, as well as modern approaches based on deep learning models, such as FusionNet and Deep Sensor Fusion. Experimental studies have shown that learning-based models outperform traditional algorithms, achieving up to a 40 % improvement in navigation accuracy and enhanced resilience to noise and external disturbances. The proposed approaches demonstrate the potential to expand UAS applications in autonomous navigation, cartography, and monitoring, particularly in challenging operational environments. Future development prospects include the implementation of hyperspectral sensors and the development of adaptive data integration methods to further improve the efficiency and effectiveness of unmanned systems.
