АВТОНОМНІСТЬ БПЛА: КЛАСИФІКАЦІЯ, ОСОБЛИВОСТІ ФУНКЦІОНУВАННЯ ТА ШЛЯХИ ПІДВИЩЕННЯ
DOI:
https://doi.org/10.32782/mathematical-modelling/2026-9-1-25Ключові слова:
безпілотний літальний апарат, БпЛА, підвищення автономності, рівні автономності, штучний інтелект, навігація, комп’ютерний зір, ройове використанняАнотація
У статті проведено системний аналіз рівнів автономності безпілотних літальних апаратів та визначено їх ключові функціональні характеристики з урахуванням сучасного розвитку технологій автоматизації та штучного інтелекту. Узагальнено існуючі підходи до класифікації автономності БпЛА за ступенем участі оператора у процесах управління, навігації, планування місії та прийняття рішень. Визначено особливості функціонування безпілотних систем на кожному рівні автономності та встановлено їх вплив на ефективність виконання завдань, надійність роботи та здатність адаптуватися до динамічних умов середовища. Проаналізовано сучасні наукові дослідження у сфері використання алгоритмів машинного навчання, комп’ютерного зору, сенсорної інтеграції та інтелектуальних систем управління. Особливу увагу приділено новітнім технологіям 2025–2026 років, зокрема застосуванню великих мовних моделей для формування поведінкових алгоритмів, використанню навчання з підкріпленням для автономної навігації, впровадженню систем візуально-мовної навігації та розподілених обчислювальних архітектур. Визначено основні технічні фактори, що обмежують підвищення автономності, серед яких енергетичні характеристики, продуктивність бортових обчислювальних систем, точність сенсорної інформації та стійкість каналів зв’язку. Виділено перспективні напрями розвитку автономних БпЛА, що включають інтелектуалізацію систем управління, розвиток ройових технологій, підвищення енергоефективності та впровадження адаптивних алгоритмів прийняття рішень. Показано, що інтеграція зазначених технологій дозволяє підвищити рівень ситуаційної обізнаності безпілотних систем та забезпечити їх здатність до самостійного виконання складних місій без постійного контролю оператора. Отримані результати можуть бути використані під час розроблення перспективних авіаційних платформ та програмного забезпечення автономного управління. Запропоновані узагальнення мають прикладне значення та створюють основу для подальших досліджень у напрямі підвищення інтелектуальної автономності.
Посилання
Munjal G., Yadav P., Haque A. Advancing Autonomous Drone Systems: The Synergy of AI and Data Science in Enhancing Drone Capabilities and Applications. Edge Computing and Aerial Platforms. 2026. pp. 37–61. DOI: 10.1002/9781394336326.ch2
Azzouni A., Pujolle G. Autonomous Drone Swarms Using Lightweight LLMs. Proceedings of 1st GENZERO Workshop. Springer, Singapore. 2026. pp. 21–31. https://doi.org/10.1007/978-981-95-1050-4_3
Cui L., Zhou K., Wang J., Du Z., Jiang C., Qin H. Research on UAV swarm inspection path and defect identification based on LLM multi-agent collaborative optimization. Microchemical Journal. 2025. Vol. 219. 115838. https://doi.org/10.1016/j.microc.2025.115838
Довбиш І. О., Муравйов О. В. Залежність алгоритму вибору лідера рою від рівня автономності БпЛА. Вчені записки ТНУ імені В. І. Вернадського. Серія: Технічні науки. 2023. Том 34 (73). № 6. С. 84–90. https://doi.org/10.32782/2663-5941/2023.6/13
Ran F., Yu C., Xu E., Feng Y. Autonomous UAV Path Planning in Dynamic Environments: A Hybrid Framework of Trajectory Prediction and Priority-Aware DWA. IEEE 19th International Conference on Control & Automation (ICCA). Tallinn, Estonia. 2025. pp. 150–155. DOI: https://doi.org/10.1109/ICCA65672.2025.11129782
Dovbysh I. O., Muraviov O. V., Momot A. S., Bohdan H. A. Autonomous UAV navigation: technologies for orientation and localization. Прикладні питання математичного моделювання. 2025. Том. 8. № 1. С. 57–64. https://doi.org/10.32782/mathematical-modelling/2025-8-1-5
Dovbysh I. O., Muraviov O. V. Complementary filter for UAV attitude estimation. Ефективність та автоматизація інженерних рішень у приладобудуванні: ХX Всеукраїнська науково-практична конференція студентів, аспірантів та молодих вчених: збірник праць конференції, Київ, 04-05 грудня 2024 р., КПІ ім. Ігоря Сікорського, ПБФ. С. 295–298.
Hu Y., Zhou Y., Zhu Z., Yang X., Zhang H., Bian K., Han H. LLVM-drone: A synergistic framework integrating large language models and vision models for visual tasks in unmanned aerial vehicles. Knowledge-Based Systems. 2025. Vol. 327. 114190. https://doi.org/10.1016/j.knosys.2025.114190
Saxena P., Raghuvanshi N., Goveas N. UAV-VLN: End-to-End Vision Language guided Navigation for UAVs. Proc. European Conference on Mobile Robots (ECMR). 2025. pp. 1–6. https://doi.org/10.48550/arXiv.2504.21432
Wu J., Ye Y., Du J. Multi-objective reinforcement learning for autonomous drone navigation in urban areas with wind zones. Automation in Construction. 2024. Vol. 158. 105253. https://doi.org/10.1016/j.autcon.2023.105253
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.




