Автономный летательный аппарат

Автономный летательный аппарат — это летательный аппарат, который управляется бортовыми автономными роботизированными системами и не требует вмешательства со стороны человека-пилота или дистанционного управления. Большинство современных автономных летательных аппаратов представляют собой беспилотные летательные аппараты (БПЛА, дроны), оснащённые заранее запрограммированными алгоритмами для выполнения определённых задач. С развитием технологий искусственного интеллекта (например, машинное обучение) автономные системы управления приближаются к тому, чтобы стать основой для создания воздушных такси и регуляторных режимов, разрабатываемых для них.

Общие сведения
Автономный летательный аппарат
Тип беспилотное транспортное средство[d] и воздушное судно

История

Беспилотные летательные аппараты

Раннее зарегистрированное применение БПЛА в боевых целях относится к июлю 1849 года[1], где использовался аэростат-носитель (предшественник авианосца)[2]. Значительное развитие радиоуправляемых дронов началось в начале XX века и было ориентировано, прежде всего, на создание мишеней для тренировки военных расчётов. Первая попытка создать приводимый в действие БПЛА была предпринята А. М. Лоу в 1916 году («Aerial Target»)[3].

Автономные средства, такие как автопилот и автоматическая навигация, разрабатывались постепенно, в течение XX века; однако такие технологии, как контурное сопоставление местности (TERCOM), применялись преимущественно к крылатым ракетам.

Некоторые современные дроны обладают высокой степенью автономии, но ещё не являются полностью самостоятельными, а нормативное регулирование ограничивает их широкое применение в гражданской авиации. Тем не менее проводятся ограниченные испытания.

Перевозка пассажиров

По мере совершенствования систем управления полётом, навигации и связи, безопасная перевозка пассажиров становится практически осуществимой. Автопилоты всё больше освобождают пилота от различных задач, но пока его присутствие остаётся необходимым.

Ряд воздушных такси находится в стадии разработки, также планируются и более крупные автономные транспортные средства. Класс персональных воздушных транспортных средств предусматривает перевозку от одного до четырёх пассажиров, не способных управлять летательным аппаратом самостоятельно, поэтому автономия рассматривается как необходимое условие массового внедрения подобных решений.

Архитектура системы управления

Вычислительные возможности систем управления полётом и навигацией летательных аппаратов развивались вместе с общим развитием вычислительной техники: сначала были аналоговые системы, затем — микроконтроллеры, далее — системы-на-чипе (SoC) и одноплатные компьютеры (SBC).

Датчики

Позиционные и движения датчики предоставляют информацию о состоянии ЛА. Экстероцептивные датчики анализируют внешнюю среду, измеряя, например, расстояния, а проприоцептивные сопоставляют внутренние и внешние параметры[4].

Некоперативные датчики способны к автономному обнаружению целей, что используется для обеспечения разлёта и предотвращения столкновений[5].

Степени свободы (DOF) отражают как количество, так и качество установленных датчиков. 6 DOF означает наличие трёх осевых гироскопов и акселерометров (типичный инерциальный измерительный блок — IMU), 9 DOF — IMU плюс компас, 10 DOF — с добавлением барометра, 11 DOF — обычно дополнительно GPS-приёмник[6].

Исполнительные механизмы

В БПЛА в качестве исполнительных механизмов используются цифровые электронные регуляторы оборотов (управляют RPM электродвигателей), привязанные к моторам/двигателям и винтам, серводвигатели (особенно у самолётов и вертолётов), а также исполнительные устройства для вооружения и полезной нагрузки (грузовые сбросы, световые и звуковые модули).

Программное обеспечение

Программное обеспечение БПЛА называется «стеком управления полётом» или автопилотом. Его задача — собирать данные с датчиков, управлять двигателями и стабилизировать аппарат, а также обеспечивать связь с наземной станцией управления и планирование полётных заданий[7].

БПЛА — это система реального времени, требующая оперативного реагирования на изменения показаний датчиков. Поэтому для выполнения вычислений они часто используют одноплатные компьютеры, такие как Raspberry Pi, BeagleBoard и др., оснащённые специализированными платами (NavIO, PXFMini и др.) либо построенные на собственных ОС (NuttX, предиктивный RT Linux, Xenomai, Orocos-Robot Operating System, DDS-ROS 2.0).

Обзор стека управления полётом
Слой Требования Операции Примеры
Прошивка Критично к времени От машинного кода до исполнения процессором, доступ к памяти ArduCopter-v1, PX4
Промежуточное ПО Критично к времени Управление полётом, навигация, радиоканал PX4, Cleanflight, ArduPilot
Операционная система Интенсивные вычисления Оптический поток, предотвращение столкновений, SLAM, принятие решений ROS, Nuttx, дистрибутивы Linux, Microsoft IOT

Открытые (общественные) стеки для гражданского применения включают:

  • ArduCopter
  • CrazyFlie
  • KKMultiCopter
  • MultiWii
    • BaseFlight (форк MultiWii)
      • CleanFlight (форк BaseFlight)
        • BetaFlight (форк CleanFlight)
        • iNav (форк CleanFlight)
        • RaceFlight (форк CleanFlight)
  • OpenPilot
    • dRonin (форк OpenPilot)
    • LibrePilot (форк OpenPilot)
    • TauLabs (форк OpenPilot)
  • Paparazzi
  • PX4 autopilot
    • DroneCode (ассоциация, управляющая PX4 в рамках Linux Foundation)

Благодаря открытости кода ПО БПЛА может адаптироваться к специфическим задачам. Например, исследователи Технического университета Кошице заменили стандартный управляющий алгоритм автопилота PX4[8]. Такая гибкость и коллективная работа приводят к развитию множества разных «форкнутых» стеков.

Контуры управления

БПЛА используют архитектуры управления с разомкнутым, замкнутым или гибридным контуром.

undefined
  • Разомкнутый контур — подаёт управляющие команды («быстрее», «медленнее», «влево», «вправо», «вверх», «вниз») без учёта обратной связи от датчиков.
  • Замкнутый контур — учитывает данные сенсоров и корректирует поведение на их основе (например, снижение скорости при попутном ветре, набор высоты до 300 футов). Часто применяется ПИД-регулятор. Иногда используется прогнозирующее управление, при котором корректировка цикла управления выносится вперёд[9].

Связь

Большинство БПЛА используют радио для дистанционного управления и передачи видеосигнала или других данных. Ранние БПЛА имели только узкополосный управляющий канал; каналы обратной связи появились позднее. Такие двухсторонние радиолинии передавали команды управления и телеметрию о состоянии бортовых систем оператору. Для больших дальностей военные БПЛА используют приёмники спутниковой навигации. Если требуется передавать видео, выделяется отдельный аналоговый канал.

В современных автономных применениях практически всегда требуется видеотрансляция. Обычно используется широкополосная связь, объединяющая передачу всех видов данных в одном радиоканале. В таких связях применяются методы обеспечения качества обслуживания (QoS), чтобы минимизировать задержки при передаче управляющих команд. В сети обычно идёт трафик TCP/IP, маршрутизируемый через интернет.

Связь может осуществляться с:

  • Наземной станцией управления — военной станцией; протокол MAVLink всё чаще используется для передачи команд между базой и аппаратом.
  • Удалённой сетью (например, канал спутниковой дуплексной передачи для некоторых военных структур)[10]. Передача цифрового видео с БПЛА через мобильные сети уже используется в гражданских решениях[11], также проводятся испытания беспилотного управления через сотовые сети LTE[12].
  • Другим летательным аппаратом — ретранслятором или мобильным пунктом управления (MUM-T)[13].

С ростом производительности и надёжности мобильных сетей дроны начали использовать их для связи — отслеживания, удалённого пилотирования, обновления прошивок по воздуху[14], а также облачных вычислений.

Современные сетевые стандарты учитывают работу автономных ЛА и оптимизированы под них: стандарт 5G, например, предусматривает минимизированные задержки (user plane latency — до 1 мс) и применение ультранадёжных низкозадержочных соединений[15].

Автономия

Базовый уровень автономии обеспечивается проприоцептивными датчиками. Для развития продвинутой автономии необходима ситуационная осведомлённость — знание окружающей среды с помощью экстероцептивных датчиков; сенсорный синтез объединяет данные с различных датчиков[4].

undefined

Основные принципы

Один из способов реализации автономного управления — применение многослойных контуров, как в иерархических системах. По состоянию на 2016 год нижние контуры (управление полётом) могут работать с частотой до 32 000 Гц, тогда как высшие — 1 Гц. Принцип заключается в разбиении поведения аппарата на управляемые «состояния» с заранее известными переходами между ними. Иерархические системы управления варьируются от простых скриптов до конечных автоматов, деревьев поведения и иерархических планировщиков. Наиболее типовой механизм регулирования в слоях — ПИД-регулятор, который, например, позволяет квадрокоптеру зависать, используя данные с инерциального блока для точного управления скоростью моторов.

Примеры алгоритмов среднего уровня:

  • Планирование маршрута: определение оптимального пути для выполнения миссии с учётом ограничений, препятствий, расхода топлива и др.
  • Генерация траектории (планирование движения): определение управляющих действий для соблюдения маршрута или перехода между точками[16][17].
  • Регулировка траектории: поддержание летательного аппарата в допустимой области относительно заданной траектории.

В развитых иерархических системах управления для решения задач планирования используются методы поиска в деревьях или генетические алгоритмы[18].

Функциональные уровни автономии

Производители БПЛА могут внедрять следующие автономные функции:

undefined
  • Самовыравнивание: стабилизация по крену и тангажу
  • Удержание высоты: поддержка заданной высоты по барометру и/или GPS
  • Зависание и удержание позиции: стабилизация пространственного положения с использованием ГНСС или инерциальных сенсоров
  • Headless-режим: управление по направлению относительно пилота, а не координат аппарата
  • Care-free: автоматическое управление креном и рысканьем при горизонтальном перемещении
  • Автоматизация взлёта и посадки (с применением различных бортовых и наземных систем; см. также: Автоматическая посадка)
  • Fail-safe: автоматическая посадка или возврат к точке старта при утрате сигнала
  • Return-to-home: автоматический возврат к стартовой точке (часто с набором высоты для обхода препятствий)
  • Следование за объектом (follow-me): поддержка позиции относительно движущегося объекта по ГНСС, распознаванию изображений или радио-маяку
  • Навигация по GPS-точкам: переходы по последовательности заданных координат
  • Облёт цели по кругу (orbit): непрерывный облёт объекта с заданным радиусом
  • Заданные манёвры/аэробатика (например, бочки, петли).

Функции

Полностью автономные режимы реализованы для отдельных задач (например, воздушная дозаправка[19], замена батарей на земле). Однако более сложные задачи требуют развития вычислительных, сенсорных и управляющих систем. Оценка автономных способностей может вестись по терминологии OODA, рекомендуемой для ВВС США в 2002 году, что отражено в таблице ниже[20]:

Таблица уровней автономного управления (США)
Уровень Характеристика уровня Оценка обстановки Ориентация Принятие решений Действие
Восприятие / Ситуационная осведомлённость Анализ / Координация Принятие решения Возможности
10 Полностью автономно Знание всего, что происходит в зоне боевых действий Координация по необходимости Абсолютная независимость Почти не требует указаний для выполнения задачи
9 Групповая сознательность (рой) Понимание намерений своих и чужих, комплексная обстановка, ведение собственной навигации Получает стратегические цели группы, распознаёт действия противника Децентрализованное планирование и выполнение тактических целей, определение конкретных задач Группа достигает стратегической цели без внешней помощи
8 Сознательность поля боя Понимание цели и тактики (своей и чужой), сниженная зависимость от внешних данных Получает стратегические цели, анализирует тактику противника, ATR Координирует и выполняет тактическое планирование Группа достигает стратегической цели с минимальным вмешательством
7 Знание поля боя Краткосрочное предсказание обстановки, ограниченный анализ, частичная поддержка внешних данных Получает тактические цели, оценивает траекторию противника Выполнение индивидуальных задач Группа достигает тактических целей с минимальной помощью
6 Координация в реальном времени между несколькими аппаратами Дальнее обнаружение с помощью бортовых сенсоров и поддержки внешних данных Получает тактические цели, оценивает траекторию противника Координирование и выполнение групповых задач (например, слежение за воздушным пространством, нестрессовых условий, дозаправка, батарея AAR) Группа реализует тактические задачи с минимальным участием извне
5 Координация в реальном времени Местная осведомлённость (локальные сенсоры), синтез данных, диагностика и прогноз отказов, управление ресурсами Получает тактическое задание Онборд-планирование маршрута, предотвращение столкновений Самостоятельное выполнение плана, разделение воздушного пространства
4 Адаптация к событиям/отказам Осознанное взаимодействие, обмен данными между союзниками Получает тактическую задачу, диагностика, управление ресурсами Онборд-планирование маршрута при событии Самостоятельное выполнение тактической задачи
3 Реакция на неожиданные события История состояния и модели отказов Получает тактическую задачу, диагностика Оценка ситуации, анализ возможности выполнения заданий Самостоятельное выполнение тактической задачи
2 Сменяемая миссия Датчики состояния Диагностика, перепланирование извне Выполнение заранее загруженных планов по состоянию Самостоятельное выполнение миссии
1 Выполнение предзаданной миссии Загруженные задания, управление полётом Пре- и постполетная самодиагностика, отчёт о состоянии Выполнение запрограммированных и аварийных планов Требуется большое разделение аппаратов
0 Дистанционно управляемый аппарат Сенсоры курса и положения, камера Телеметрия, внешние команды оператора Н/д Ручное управление оператором

Средние уровни автономии, такие как реактивная автономия и высокие уровни (когнитивная), частично достигнуты и являются активной областью исследований.

Реактивная автономия

Реактивная автономия (например, коллективный полёт, предотвращение столкновений, следование по стене) зависит от телекоммуникаций и ситуационной осведомлённости, которая обеспечивается дальномерными датчиками: оптический поток[21], лидар, радар, сонар.

Большинство таких датчиков анализируют отражённое излучение окружающей среды. Камеры (для оптического потока) работают только на приём, не излучая сигнала (энергосбережение). Лидары, радары и сонары (с механическими колебаниями звука) излучают и принимают сигнал, измеряя время прохождения «туда и обратно». Радар и сонар обычно используются преимущественно в военных задачах.

Часть элементов реактивной автономии уже представлена на массовом рынке; ожидается их повсеместное распространение в течение десятилетия[4].

undefined

Одновременная локализация и картографирование

SLAM объединяет одометрию и внешние сенсорные данные для построения трёхмерной карты среды и определения положения БПЛА. Для навигации на больших высотах нет необходимости в большом вертикальном угле обзора, достаточно GPS-координат (классическое картографирование, но не SLAM)[22].

Смежные направления исследований — фотограмметрия и применение LIDAR, особенно в задачах низковысотной и внутренней трёхмерной навигации.

  • Внутренние фотограмметрические и стереофотограмметрические SLAM-системы продемонстрированы на квадрокоптерах[23].
  • Лидары с классическими массивами лазеров надёжны, но тяжёлы и дороги. Исследования направлены на удешевление, переход от 2D к 3D, улучшение соотношения энергозатрат и дальности[24][25]. Применения светодиодных (LED) дальномеров коммерциализируются для ближнего действия. Активно исследуется гибридизация световых передающих технологий и вычислений: фазированные оптические модульные решётки[26],[27] и FMCW-МЭМС-тюнинг лазеры (VCSELs)[28].

Роевые технологии

Роевые БПЛА — это сети агентов, способных динамически перенастраиваться по мере прибытия/ухода узлов сети. Они обеспечивают более высокую гибкость по сравнению с обычными мультироботными системами. Роевые технологии ведут к новым возможностям по синтезу данных и построению распределённых вычислений. Некоторые биоинспирированные алгоритмы роя используют методы steer- и flocking- поведения.

Военный потенциал будущего

В военной сфере американские Predator и Reaper предназначены для антитеррористических операций и применения в районах, где у противника нет эффективных средств ПВО. Они не рассчитаны на противодействие развёрнутым ПВО и воздушным боям. В сентябре 2013 года командующий американского Air Combat Command заявил, что современные БПЛА «бесполезны в условиях сопоставимых по силе противников», если их не прикрывают пилотируемые средства. В докладе Congressional Research Service (CRS) 2012 года предположено, что БПЛА в перспективе будут решать более сложные задачи, кроме разведки и нанесения ударов, включая воздушные бои. В дорожной карте развития систем Министерства обороны США до 2038 года намечается рост значения БПЛА в боевых действиях, обсуждаются вопросы интеграции, взаимодействия человека с аппаратом, роста потока информации, автономности, разработки новых вооружений. Проекты систем систем (DARPA)[29], а также проекты General Atomics (например, рои аппаратов Avenger с системой лазерного ПВО HELLADS)[30], иллюстрируют возможные направления развития.

Когнитивное радио

Разработка когнитивных радиосистем рассматривается и для задач БПЛА[31].

Машинное обучение

БПЛА могут применять распределённые нейронные сети[4].

Примечания

  1. The Future of Drone Use: Opportunities and Threats from Ethical and Legal Perspectives, Asser Press — Springer, глава Алана МакКенны, стр. 355
  2. Kaplan, Philip. Naval Aviation in the Second World War. — Pen and Sword, 2013. — P. 19. — ISBN 978-1-4738-2997-8.
  3. Taylor, John W. R.. Jane’s Pocket Book of Remotely Piloted Vehicles
  4. 1 2 3 4 Floreano, Dario; Wood, Robert J. (27 мая 2015). “Science, technology and the future of small autonomous drones”. Nature. 521 (7553): 460—466. Bibcode:2015Natur.521..460F. DOI:10.1038/nature14542. PMID 26017445. S2CID 4463263.
  5. Fasano, Giancarmine; Accardo, Domenico; Tirri, Anna Elena; Moccia, Antonio; De Lellis, Ettore (1 октября 2015). “Radar/electro-optical data fusion for non-cooperative UAS sense and avoid”. Aerospace Science and Technology. 46: 436—450. DOI:10.1016/j.ast.2015.08.010.
  6. Arduino Playground – WhatIsDegreesOfFreedom6DOF9DOF10DOF11DOF. playground.arduino.cc. Дата обращения: 10 июня 2024.
  7. Carlson, Daniel F.; Rysgaard, Søren (1 января 2018). “Adapting open-source drone autopilots for real-time iceberg observations”. MethodsX [англ.]. 5: 1059—1072. DOI:10.1016/j.mex.2018.09.003. ISSN 2215-0161. PMC 6139390. PMID 30225206.
  8. Lesko, J. Pixhawk PX-4 Autopilot in Control of a Small Unmanned Airplane // 2019 Modern Safety Technologies in Transportation (MOSATT) / J. Lesko, M. Schreiner, D. Megyesi … [и др.]. — Кошице, Словакия : IEEE, ноябрь 2019. — P. 90–93. — ISBN 978-1-7281-5083-3. — doi:10.1109/MOSATT48908.2019.8944101.
  9. Bristeau, Callou, Vissière, Petit The Navigation and Control technology inside the AR.Drone micro UAV. IFAC World Congress (2011).
  10. Barnard, Joseph Small UAV Command, Control and Communication Issues. Barnard Microsystems (2007).
  11. The Cheap Drone Camera That Transmits to Your Phone. Bloomberg.com. Дата обращения: 10 июня 2024.
  12. Cellular enables safer drone deployments. Qualcomm. Дата обращения: 10 июня 2024.
  13. Identifying Critical Manned-Unmanned Teaming Skills for Unmanned Aircraft System Operators. U.S. Army Research Institute for the Behavioral and Social Sciences (сентябрь 2012). Архивировано 6 февраля 2016 года.
  14. Adkins, Timothy M., "4G drone link", US application 20170127245, published 2017-05-04
  15. Minimum requirements related to technical performance for IMT-2020 radio interface(s). www.itu.int. Дата обращения: 10 июня 2024.
  16. Roberge, V.; Tarbouchi, M.; Labonte, G. (1 февраля 2013). “Comparison of Parallel Genetic Algorithm and Particle Swarm Optimization for Real-Time UAV Path Planning”. IEEE Transactions on Industrial Informatics. 9 (1): 132—141. Bibcode:2013ITII....9..132R. DOI:10.1109/TII.2012.2198665. ISSN 1551-3203. S2CID 8418538.
  17. Tisdale, J.; Kim, ZuWhan; Hedrick, J.K. (1 июня 2009). “Autonomous UAV path planning and estimation”. IEEE Robotics & Automation Magazine. 16 (2): 35—42. DOI:10.1109/MRA.2009.932529. ISSN 1070-9932. S2CID 9696725.
  18. Cekmez, Ozsiginan, Aydin And Sahingoz UAV Path Planning with Parallel Genetic Algorithms on CUDA Architecture. World congress on engineering (2014).
  19. Davenport, Christian. Watch a step in Navy history: an autonomous drone gets refueled mid-air (23 апреля 2015). Дата обращения: 10 июня 2024.
  20. Clough, Bruce Metrics, Schmetrics! How The Heck Do You Determine A UAV's Autonomy Anyway? US Air Force Research Laboratory (август 2002). Архивировано 6 февраля 2016 года.
  21. Serres, Julien R.; Masson, Guillaume P.; Ruffier, Franck; Franceschini, Nicolas (2008). “A bee in the corridor: centering and wall-following” (PDF). Naturwissenschaften. 95 (12): 1181—1187. Bibcode:2008NW.....95.1181S. DOI:10.1007/s00114-008-0440-6. PMID 18813898. S2CID 226081.
  22. Roca, Martínez-Sánchez, Lagüela, and Arias (2016). “Novel Aerial 3D Mapping System Based on UAV Platforms and 2D Laser Scanners”. Journal of Sensors. 2016: 1—8. DOI:10.1155/2016/4158370.
  23. ETH Zurich: Drones with a Sense of Direction. Ascending Technologies GmbH (10 ноября 2015). Дата обращения: 10 июня 2024.
  24. Timothy B. Lee. Why experts believe cheaper, better lidar is right around the corner (1 января 2018).
  25. Shaojie Shen (16 ноября 2010), Autonomous Aerial Navigation in Confined Indoor Environments 
  26. SWEEPER Demonstrates Wide-Angle Optical Phased Array Technology. www.darpa.mil. Дата обращения: 10 июня 2024.
  27. LIDAR: LIDAR nears ubiquity as miniature systems proliferate. www.laserfocusworld.com (13 октября 2015). Дата обращения: 10 июня 2024.
  28. Quack, Ferrara, Gambini, Han, Keraly, Qiao, Rao, Sandborn, Zhu, Chuang, Yablonovitch, Boser, Chang-Hasnain, C. Wu Development of an FMCW LADAR Source Chip using MEMS-Electronic-Photonic Heterogeneous Integration. University of California, Berkeley (2015).
  29. DARPA's Plan to Overwhelm Enemies With Swarming Drones – Drone 360. Drone 360 (6 апреля 2015). Дата обращения: 10 июня 2024.
  30. NewWorldofWeapons (17 января 2014), US Air force STEALTH UAV armed with LASER GUN named General Atomics Avenger 
  31. Young (декабрь 2012). “Unified Multi-domain Decision Making: Cognitive Radio and Autonomous Vehicle Convergence”. Faculty of the Virginia Polytechnic Institute and State University. Дата обращения 2024-06-10. Проверьте дату в |date= (справка на английском)

Литература

  • Taylor, John W. R.. Jane’s Pocket Book of Remotely Piloted Vehicles.
  • Kaplan, Philip. Naval Aviation in the Second World War. — Pen and Sword, 2013. — P. 19. — ISBN 978-1-4738-2997-8.