Моделирование влияния внешних воздействий на процесс автоматизированной посадки БпЛА-квадрокоптера на подвижную платформу с использованием технического зрения

В данной статье проводится описание серии экспериментов в симуляционной среде Gazebo, направленных на исследование влияния внешних погодных условий на автоматическую посадку беспилотного летательного аппарата (БпЛА) на движущуюся платформу с использованием компьютерного зрения и разработанной ранее системы управления, основанной на ПИД и полиномиальных регуляторах. В рамках исследования разработаны методы моделирования внешних погодных условий, и проведены тесты посадки с имитацией таких погодных условий, как ветер, освещенность, туман и осадки, включая их комбинации. Во всех экспериментах была достигнута успешная посадка на платформу, в ходе экспериментов измерялось время посадки и ее точность. Проведенный графический и статистический анализ полученных результатов выявил влияние освещенности, осадков и ветра на время посадки БпЛА, а введение ветра в симуляцию при любых других внешних условиях привело к наиболее значительному увеличению времени посадки. При этом в ходе исследования не удалось выявить системного негативного влияния внешних условий на точность посадки. Полученные результаты представляют ценную информацию для дальнейшего совершенствования систем автономной автоматической посадки БпЛА без использования спутниковых систем навигации.

1. A. I. Motienko, I. V. Vatamaniuk, and A. I. Saveliev, “Development of technical appearance of human-machine interface for group control of unmanned robots when performing agricultural tasks,” Robotics and Technical Cybernetics, vol. 16, no. 4, pp. 299–311, 2021.

2. A. L. Ronzhin and A. I. Saveliev, “Artificial Intelligence Systems for Solving Problems of Agro-Industrial Complex Digitalization and Robotization,” Agricultural Machinery and Technologies, vol. 16, no. 2, pp. 22–29, 2022.

3. A. Saveliev, V. Lebedeva, I. Lebedev, and M. Uzdiaev, “An approach to the automatic construction of a road accident scheme using UAV and deep learning methods,” Sensors, vol. 22, no. 12, p. 4728, 2022.

4. A. M. Nosov et al., “Case Study of Transporting Blood Components Using an Unmanned Aerial Vehicle,” Disaster Medicine, vol. 3, pp. 65–69, 2022.

5. A. Saveliev, E. Aksamentov, and E. Karasev, “Automated terrain mapping based on mask R-CNN neural network,” International Journal of Intelligent Unmanned Systems, vol. 10, no. 2/3, pp. 267–277, 2022.

6. V. Lebedeva, K. Kamynin, I. Lebedev, L. Kuznetsov, and A. Saveliev, “Method for Distributed Mapping of Terrain by a Heterogeneous Group of Robots Based on Google Cartographer,” in Proceedings of the Computational Methods in Systems and Software, 2022, vol. 596, pp. 584–597.

7. A. Saveliev and I. Lebedev, “Method of Autonomous Survey of Power Lines Using a Multi-rotor UAV,” in Frontiers in Robotics and Electromechanics, Springer, 2023, pp. 359–376.

8. Y. Vasunina, D. Anikin, and A. Saveliev, “Algorithm of UAV Trajectory Creation for Data Collecting from Seismological Sensors,” in International Russian Automation Conference (RusAutoCon), 2023, pp. 747–752.

9. D. Anikin, A. Ryabinov, A. Saveliev, and A. Semenov, “Autonomous Landing Algorithm for UAV on a Mobile Robotic Platform with a Fractal Marker,” in Interactive Collaborative Robotics (ICR), 2023, pp. 357–368.

10. J. Morales, I. Castelo, R. Serra, P. U. Lima, and M. Basiri, “Vision-Based Autonomous Following of a Moving Platform and Landing for an Unmanned Aerial Vehicle,” in Sensors, 2023, vol. 23, no. 2, p. 829.

11. P. Wang, C. Wang, J. Wang, and M. Q. H. Meng, “Quadrotor Autonomous Landing on Moving Platform,” in Procedia Computer Science, 2022, vol. 209, pp. 40–49.

12. A. Paris, B. T. Lopez, and J. P. How, “Dynamic Landing of an Autonomous Quadrotor on a Moving Platform in Turbulent Wind Conditions,” in IEEE International Conference on Robotics and Automation (ICRA), 2020, pp. 9577–9583.

13. Y. Feng, C. Zhang, S. Baek, S. Rawashdeh, and A. Mohammadi, “Autonomous Landing of a UAV on a Moving Platform Using Model Predictive Control,” in Drones, 2018, vol. 2, no. 4, p. 34.

14. J. Wubben et al., “A vision-based system for autonomous vertical landing of unmanned aerial vehicles,” in 23rd International Symposium on Distributed Simulation and Real Time Applications (DS-RT), 2019, pp. 1–7.

15. Z. Zhao et al., “Vision-based Autonomous Landing Control of a Multi-rotor Aerial Vehicle on a Moving Platform with Experimental Validations,” in IFAC-PapersOnLine, 2022, vol. 55, no. 3, pp. 1–6.

16. T. Matsui and M. Ikehara, “GAN-based rain noise removal from single-image considering rain composite models,” in 28th European Signal Processing Conference (EUSIPCO), 2021, pp. 665–669.

17. S. S. Shapiro and M. B. Wilk, “An analysis of variance test for normality,” in Biometrika, 1965, vol. 52, no. 3, pp. 591–611.

18. H. B. Mann and D. R. Whitney, “On a Test of Whether one of Two Random Variables is Stochastically Larger than the Other,” in The annals of mathematical statistics., 1947, vol. 18, no. 1, pp. 50–60.