Метод расчета капсулообразных воздушных коридоров безопасных маршрутов группы беспилотных летательных аппаратов
Ключевые слова:
БпЛА, воздушные коридоры, сельскохозяйственные задачи, Rapidly-Exploring Random Tree*, Loose Octree, автономная навигация, групповое планированиеАннотация
В работе рассматривается задача построения безопасных маршрутов группы беспилотных летательных аппаратов в ограниченном воздушном пространстве над сельскохозяйственным участком. Актуальность исследования обусловлена растущим применением групп БпЛА в агропромышленном комплексе для мониторинга, картографирования и обработки полей, что требует обеспечения безопасности полётов в условиях высокой плотности воздушного движения, ограниченной связи, а также воздействия внешних факторов. Особую сложность представляет необходимость автономного выполнения миссий при наличии навигационных погрешностей и природных воздействий. Предлагается метод планирования маршрутов, основанный на представлении траектории каждого аппарата в виде капсульного воздушного коридора – трёхмерного объёма фиксированного радиуса, сформированного вдоль отрезков траектории. Пространственное резервирование обеспечивает безопасное разнесение траекторий на этапе планирования, исключая конфликты при последующем автономном выполнении полётов без необходимости непрерывной координации между агентами. Радиус капсулы включает запас на возможные отклонения от запланированной траектории, что обеспечивает устойчивость к навигационным ошибкам. В основе метода лежит последовательное формирование маршрутов для каждого аппарата по четырёхфазной схеме, включающей вертикальный подъём от точки старта до рабочей высоты, горизонтальный переход к входу в зону обработки, возврат от выхода из зоны к точке начала снижения и вертикальный спуск к исходной позиции. Каждый новый маршрут строится с учётом уже зарезервированных воздушных коридоров через аналитическую проверку геометрических пересечений между капсулами различных траекторий и выпуклыми многогранниками зон обработки. Для повышения вычислительной эффективности применяется иерархическая пространственная фильтрация на основе ограничивающих параллелепипедов, позволяющая на предварительном этапе быстро отсекать заведомо непересекающиеся объекты и выполнять точную геометрическую проверку только для потенциально конфликтующих сегментов маршрутов. Численные эксперименты проводились для групп от 2 до 32 аппаратов на типовом сельскохозяйственном участке площадью один квадратный километр. Установлено нелинейное возрастание времени планирования и количества итераций с увеличением числа агентов, что обусловлено необходимостью построения каждого последующего маршрута в уже частично занятом пространстве с возрастающим числом пространственных ограничений. Длина маршрутов демонстрирует тенденцию к росту, особенно выраженную на начальных этапах масштабирования, что связано с необходимостью обхода уже зарезервированных воздушных коридоров.
Литература
2. Шайтура Н.С. Мониторинг сельскохозяйственных земель при помощи беспилотных летательных аппаратов // Практические аспекты применения современных беспилотных летательных аппаратов. 2022. С. 46–57.
3. Nikolakopoulos I.A., Petropoulos G.P. Obtaining a Land Use/Cover Cartography in a Typical Mediterranean Agricultural Field Combining Unmanned Aerial Vehicle Data with Supervised Classifiers // Land. 2025. vol. 14. no. 3. DOI: 10.3390/land14030643.
4. Павлова А.И. Применение беспилотных и геоинформационных технологий для цифрового почвенного картографирования // Информационные технологии, системы и приборы в АПК. Агроинфо-2021. Т. 2021. С. 97–99.
5. Hassler S.C., Baysal-Gurel F. Unmanned aircraft system (UAS) technology and applications in agriculture // Agronomy. 2019. vol. 9. no. 10. DOI: 10.3390/agronomy9100618.
6. Velusamy P., Rajendran S., Mahendran R.K., Naseer S., Shafiq M., Choi J.G. Unmanned Aerial Vehicles (UAV) in precision agriculture: Applications and challenges // Energies. 2021. vol. 15. no. 1. DOI: 10.3390/en15010217.
7. Makam S., Komatineni B.K., Meena S.S., Meena U. Unmanned aerial vehicles (UAVs): an adoptable technology for precise and smart farming // Discover Internet of Things. 2024. vol. 4. DOI: 10.1007/s43926-024-00066-5.
8. Sharon G., Stern R., Felner A., Sturtevant N. R. Conflict-based search for optimal multi-agent pathfinding // Artificial Intelligence. 2015. vol. 219. pp. 40–66. DOI: 10.1016/j.artint.2014.11.006.
9. Wang Z., Zhang Z., Dou W., Hu G., Zhang L., Zhang M. Extending Conflict-Based Search for Optimal and Efficient Quadrotor Swarm Motion Planning // Drones. 2024. vol. 8. no. 12. DOI: 10.3390/drones8120719.
10. Andreychuk A., Yakovlev K., Boyarski E., Stern R. Improving continuous-time conflict based search // Proceedings of the AAAI Conference on Artificial Intelligence. 2021. vol. 35. no. 13. pp. 11220–11227. DOI: 10.1609/aaai.v35i13.17338.
11. Liu X., Su Y., Wu Y., Guo Y. Multi-conflict-based optimal algorithm for multi-UAV cooperative path planning // Drones. 2023. vol. 7. no. 3. DOI: 10.3390/drones7030217.
12. Cap M., Novak P., Vokrinek J., Pechoucek M. Multi-agent RRT*: Sampling-based cooperative pathfinding // arXiv preprint arXiv:1302.2828. 2013.
13. Karaman S., Frazzoli E. Sampling based algorithms for optimal motion planning // The International Journal of Robotics Research. 2011. vol. 30. no. 7. pp. 846–894. DOI: 10.1177/0278364911406761.
14. Silver D. Cooperative pathfinding // Proceedings of the AAAI Conference on Artificial Intelligence and Interactive Digital Entertainment. 2005. vol. 1. no. 1. pp. 117–122. DOI: 10.1609/aiide.v1i1.18726.
15. Barer M., Sharon G., Stern R., Felner A. Suboptimal variants of the conflict based search algorithm for the multi agent pathfinding problem // Proceedings of the International Symposium on Combinatorial Search. 2021. vol. 5. no. 1. pp. 19–27. DOI: 10.1609/socs.v5i1.18315.
16. Van Den Berg J., Guy S.J., Lin M., Manocha D. Reciprocal n-body collision avoidance // Robotics Research: The 14th International Symposium ISRR. Berlin, Heidelberg: Springer Berlin Heidelberg, 2011. pp. 3–19.
17. Van den Berg J., Lin M., Manocha D. Reciprocal velocity obstacles for real-time multi-agent navigation // IEEE International Conference on Robotics and Automation. 2008. pp. 1928–1935. DOI: 10.1109/ROBOT.2008.4543489.
18. Yan X., Jiang D., Miao R., Li Y. Formation control and obstacle avoidance algorithm of a multi-USV system based on virtual structure and artificial potential field // Journal of Marine Science and Engineering. 2021. vol. 9. no. 2. DOI: 10.3390/jmse9020161.
19. Wu W., Zhang X., Miao Y. Starling behavior inspired flocking control of fixed wing unmanned aerial vehicle swarm in complex environments with dynamic obstacles // Biomimetics. 2022. vol. 7. no. 4. DOI: 10.3390/biomimetics7040214.
20. Alqudsi Y. Synchronous task allocation and trajectory optimization for autonomous drone swarm // 1st International Conference on Emerging Technologies for Dependable Internet of Things (ICETI). 2024. pp. 1–8. DOI: 10.1109/ICETI63946.2024.10777195.
21. Котов Д.В., Лебедев О.Б. Управление передвижением группы БПЛА с соблюдением геометрической структуры строя на основе альтернативной коллективной адаптации // Известия ЮФУ. Технические науки. 2024. Т. 1. С. 155–167.
22. Саенко И.Б., Лаута О.С., Митяков Е.С., Соколов А.П. Алгоритм роевого управления БПЛА с элементами кластерного анализа // Информация и космос. 2024. № 4. С. 68–75.
23. Ulrich T. Loose octrees // Game Programming Gems. 2000. vol. 1. pp. 434–442.
24. Pournin L., Weber M., Tsukahara M., Ferrez J.A., Ramaioli M., Liebling T.M. Three dimensional distinct element simulation of spherocylinder crystallization // Granular Matter. 2005. vol. 7. pp. 119–126. DOI: 10.1007/s10035-004-0188-4.
25. Bretscher O. Linear algebra with applications. NJ: Prentice Hall, 1997. 587 p.
26. Lien J.M., Amato N.M. Approximate convex decomposition of polyhedra and its applications // Computer Aided Geometric Design. 2008. vol. 25. no. 7. pp. 503–522.
27. Rendering W.P.B. Physically based rendering // Procedia IUTAM. 2015. vol. 13. pp. 3.
28. Kang G., Kim Y.B., You W.S., Lee Y.H., Oh H.S., Moon H., Choi H.R. Sampling based path planning with goal oriented sampling // IEEE International Conference on Advanced Intelligent Mechatronics (AIM). 2016. pp. 1285–1290. DOI: 10.1109/AIM.2016.7576947.
Опубликован
Как цитировать
Раздел
Copyright (c) Дмитрий Андреевич Аникин, Антон Игоревич Савельев

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).