УПРАВЛІННЯ ПРИЗЕМЛЕННЯМ КВАДРОКОПТЕРА НА ОСНОВІ НЕЧІТКОЇ ЛОГІКИ ТА КОМП’ЮТЕРНОГО ЗОРУ
DOI:
https://doi.org/10.35546/kntu2078-4481.2025.1.2.35Ключові слова:
квадрокоптер, автономне управління, комп’ютерний зір, нечітка логіка, алгоритми, дрон, автономне приземленняАнотація
У статті розглянуто проблему автономного приземлення квадрокоптера у разі втрати зв’язку з оператором, що є важливим завданням для сучасних безпілотних літальних апаратів (БПЛА). Основний акцент зроблено на використанні технологій комп’ютерного зору та нечіткої логіки для підвищення точності та надійності посадки в умовах високої невизначеності. Для обробки вхідних зображень використано модель YOLO, що забезпечує ефективне виявлення об’єктів у режимі реального часу та дозволяє ідентифікувати потенційно безпечні зони для приземлення дрону. Інтеграція даних сенсорів і комп’ютерного зору дозволяє сформувати комплексну оцінку посадкової зони. Запропонований підхід включає алгоритми нечіткої логіки, які забезпечують адаптацію до динамічних умов та прийняття рішень у випадках неповних або шумових даних. Це особливо актуально для непередбачуваних ситуацій, таких як зміна погодних умов, наявність рухомих об’єктів або зниження якості сигналу сенсорів.На основі дослідження було розроблено програмне забезпечення системи управління, що складається з контролера польоту та моделі обробки даних. Контролер активує автономний режим при втраті зв’язку з оператором, після чого система аналізує зображення місцевості та обирає оптимальну траєкторію для посадки.Для моделювання роботи системи використовувався симулятор LiftOff, що дозволило протестувати алгоритми у динамічних сценаріях та оптимізувати їх продуктивність.Результати тестувань підтвердили високу точність і надійність роботи системи у різних умовах, що є важливим для застосувань у пошуково-рятувальних операціях, моніторингу територій та інших завданнях, які вимагають автономної роботи БПЛА. Запропонований підхід демонструє ефективність поєднання сучасних методів комп’ютерного зору та адаптивної нечіткої логіки для вирішення задач автономного управління квадрокоптерами.
Посилання
Drone-YOLO: An Efficient Neural Network Method for Target Detection in Drone Images. Drones 2023, 7(8), 526. URL: https://doi.org/10.1007/s00521-022-06960-9
Vision-Based Navigation Techniques for Unmanned Aerial Vehicles: Review and Challenges. Drones 2023, 7(2), 89. URL: https://doi.org/10.3390/drones7020089
Enhancing LiDAR Mapping with YOLO-Based Potential Dynamic Object Removal in Autonomous Driving. Sensors 2024, 24(23), 7578. URL: https://doi.org/10.3390/s24237578
Improved YOLOv7 Algorithm for Small Object Detection in Unmanned Aerial Vehicle Image Scenarios. Appl. Sci. 2024, 14(4), 1664. URL: https://doi.org/10.3390/app14041664
An Evaluation of Image Slicing and YOLO Architectures for Object Detection in UAV Images. Appl. Sci. 2024, 14(23), 11293. URL: https://doi.org/10.3390/app142311293
Training-Based Methods for Comparison of Object Detection Methods for Visual Object Tracking. Sensors 2018, 18(11), 3994. URL: https://doi.org/10.3390/s18113994
A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS. Mach. Learn. Knowl. Extr. 2023, 5(4), 1680-1716. URL: https://doi.org/10.3390/make5040083
Control Of UAV Based On Fuzzy Logic In A Controlled Environment. ARPN Journal of Engineering and Applied Sciences. 2019, 14(24).
Design of Combined Neural Network and Fuzzy Logic Controller for Marine Rescue Drone Trajectory-Tracking. J. Mar. Sci. Eng. 2022, 10(11), 1716. URL: https://doi.org/10.3390/jmse10111716
Applications of Artificial Intelligence in Transport: An Overview. Sustainability 2019, 11(1), 189. URL: https://doi.org/10.3390/su11010189
Liftoff: FPV Drone Racing | LuGus. URL: https://www.lugus-studios.be/portfolio/liftoff-fpv-drone-racing