Применение искусственной нейронной сети для решения задач прогнозирования движения наземных объектов

DOI: 10.34759/trd-2022-123-17

Авторы

Соколов Д. Ю.

Национальный центр вертолетостроения имени М.Л. Миля и Н.И. Камова, ул. Гаршина, 26/1, Томилино, Московская область, 140070, Россия

e-mail: dsokolov@ mi-helicoptr.ru

Аннотация

Статья посвящена рассмотрению применения искусственной нейронной сети для решения задач прогнозирования движения наземных объектов. Предлагается новый подход к построению архитектуры и использованию способов обучения нейронной сети применительно к специфике задачи прогнозирования траектории движения в пространстве параметров. Дается оценка различным способам обучения, и определяются оптимальные параметры коэффициентов, используемых в алгоритмах обучения нейронной сети.

Задача прогнозирования движения наземных объектов является актуальной, как применительно к действиям боевых вертолётов, в случае наведения их на подвижную маневрирующую цель, так и применительно к гражданской авиации, в том числе беспилотной, когда необходимо отслеживать различные наземные объекты.

Применение известных типов нейронных сетей для решения задачи прогнозирования движения наземного объекта (как образа траектории движения объекта в целом) не учитывает последовательность прохождения объектом точек траектории, что является важной информацией для решения задачи прогнозирования движения объекта. Дополнительная обработка данных и математические преобразования позволяют решить задачу учета информации о последовательности прохождения точек, однако это увеличивает общую сложность вычислений и может нивелировать эффективность применения НС для решения задачи прогнозирования.

В статье предложена некоторая архитектура построения нейронной сети, в которой каждый нейрон соответствует отдельной точке или области пространства, где осуществляется движение объекта. Данная архитектура предполагает построение рекуррентной нейронной сети, что накладывает некоторые особенности на процесс обучения и последующего использования нейронной сети. Так процесс обучения рекуррентной нейронной сети должен быть итерационным до достижения некоторого минимума целевой функции.

В статье рассмотрены различные способы обучения нейронной сети и определены наиболее подходящие с точки зрения минимизации ошибки и длительности циклов обучения.

В данной статье рассмотрено движение в двух координатах (на плоскости). Однако в общем случае пространство параметров в которых происходит движение может содержать большее количество координат (гиперплоскость). Обучение и использование пространственно-закрепленной НС для прогнозирования движения в пространстве параметров любого количества координат будет осуществляться аналогичным способом, как и для прогнозирования движения на плоскости.

В перспективе предложенный вариант построения нейронной сети может быть использован для прогнозирования движения различных, в том числе абстрактных объектов в многомерном гиперпространстве их параметров.

Ключевые слова:

нейронные сети, траектория движения, прогнозирование движения объекта, пространство параметров, наземный объект, архитектура нейронной сети, алгоритм обучения нейронной сети

Библиографический список

1. Васильев В.А., Федюнин П.А., Данилин М.А., Васильев А.В. Проблемные вопросы организации информационного обеспечения управления ударными авиационными комплексами // Труды МАИ. 2019. № 105. URL: http://trudymai.ru/published.php?ID=104241

2. Лебедев Г.Н., Мирзоян Л.А., Ефимов А.В. Выбор многоальтернативных маршрутов полета беспилотного летательного аппарата при наблюдении трассы и наземных точечных объектов на этапе планирования полета // Труды МАИ. 2011. № 48. URL: http://trudymai.ru/published.php?ID=27150

3. Гончаренко В.И., Желтов С.Ю., Князь В.А., Лебедев Г.Н., Михайлин Д.А., Царева О.Ю. Интеллектуальная система планирования групповых действий беспилотных летательных аппаратов при наблюдении наземных мобильных объектов на заданной территории // Известия Российской академии наук. Теория и системы управления. 2021. № 3. С. 39-56. DOI: 10.31857/S0002338821030057

4. Бельский А.Б. Основные направления развития военных вертолетов (боевая эффективность и живучесть, функциональность, групповое и сетецентрическое взаимодействие, роботизация) // VI Всероссийская военно-научная конференции «Актуальные проблемы вооруженной борьбы в воздушно-космической сфере»: сборник трудов. - Воронеж: ВУНЦ ВВС ВВА, 2020. C. 66-75.

5. Лебедев Г.Н., Мирзоян Л.А., Ефимов А.В. Нейросетевое планирование групповых действий ЛА при наблюдении заданной группы подвижных объектов // Мехатроника, автоматизация, управление. 2009. № 11. С. 60 – 65.

6. Ананьев А.В., Иванников К.С. Динамическая модель оценки эффективности сценариев ведения воздушной разведки интегрированным пространственно-распределенным разведывательным авиационным комплексом // Труды МАИ. 2022. № 122. URL: http://trudymai.ru/published.php?ID=164268. DOI:

7. Ивашова Н.Д., Михайлин Д.А., Чернякова М.Е., Шаныгин С.В. Нейросетевое решение задачи оперативного планирования маршрутного полета беспилотных летательных аппаратов и назначение времени наблюдения наземных объектов с помощью нечеткой логики при отображении этих результатов на экране компьютера до вылета // Труды МАИ. 2019. № 104. URL: http://trudymai.ru/published.php?ID=102223

8. Ананьев А.В., Рыбалко А.Г., Иванников К.С., Клевцов Р.П. Динамическая модель процесса поражения временно неподвижных наземных целей группой ударных беспилотных летательных аппаратов малого класса // Труды МАИ. 2020. № 115. URL: https://trudymai.ru/published.php?ID=119975. DOI: 10.34759/trd-2020-115-18

9. Соколов Д.Ю. Сравнительный анализ метода применения искусственной нейронной сети в целях решения задачи инженерно-штурманского расчета полета летательного аппарата // Вооружение и экономика. 2012. № 1 (17). С. 50-57.

10. Васильева В.И., Ильясова Б.Г., Кусимова С.Т. Нейрокомпьютеры в авиации. – М.: Радиотехника, 2004. - С. 120-180.

11. Чебатко М.И. Нейронные сети для решения задач на борту летательных аппаратов // Зарубежная электроника. 1994. № 11-12. С. 40-44.

12. Осовский С. Нейронные сети для обработки информации. – М.: Финансы и статистика, 2004. – 343 с.

13. Лебедев Г.Н., Румакина А.В. Нейросетевое планирование маршрута разновысотного полета беспилотного летательного аппарата // Авиакосмическое приборостроение. 2014. № 5. С. 3–8.

14. Галютин В.Б. Планирование маршрута полета на основе самообучения // Авиакосмическое приборостроение. 2002. № 3. С. 29-34.

15. Вентцель Е.С. Овчаров Л.А. Теория случайных процессов и ее инженерные приложения. – М.: Высшая школа, 1998. - 354 с.

16. Бельский А.Б., Сахаров Н.А. Применение аналитического метода оценки точности прицеливания в обзорно-прицельных системах вертолетов // Авиакосмическая техника и технология. 2013. № 1 (69). C. 43-46.

17. Ананьев А.В., Рыбалко А.Г., Лозарак А.В. Методика обоснования направления захода на цель на основе теории рисков при действии по наземным объектам авиационными комплексами // Труды МАИ. 2020. № 112. URL: https://trudymai.ru/published.php?ID=116584. DOI: 10.34759/trd-2020-112-19

18. Бельский А.Б. Основные проблемные вопросы, требования и предложения по развитию оптико-электронных систем для вертолетов военного и специального назначения // VII Международная научно-практическая конференция «Актуальные вопросы исследований в авионике: теория, обслуживание, разработки» («АВИАТОР»): сборник статей. – Воронеж: ВУНЦ ВВС ВВА, 2020. – C. 37-46.

19. Бельский А.Б. Алгоритм адаптивного сопровождения воздушных целей для прицельной радиолокационной системы перспективного боевого вертолета // Авиакосмическая техника и технология. 2018. № 1,2 (85,86). C. 67-74.

20. Андреев Д.В. Анализ и контроль уровней технических рисков на различных этапах жизненного цикла вертолётов // Труды МАИ. 2018. № 101. URL: https://trudymai.ru/published.php?ID=96651

Скачать статью