Дается анализ современных публикаций по навигации и позиционированию разнородных беспилотных объектов, функционирующих в разных физических средах. Описаны современные средства измерения и проблемы навигации беспилотных аппаратов. Особое внимание уделено средствам измерений беспилотных аппаратов для обеспечения их автономности, скрытности и защищенности от помех. Рассмотрены вопросы использования геофизических полей Земли, одометрии, видеосистем, инерциальных навигационных систем, спутниковых средств и вопросы комплексирования информации.
Идентификаторы и классификаторы
Одной из главных проблем при совместной навигации и функционировании беспилотных аппаратов (БА) является обеспечение их автономности, скрытности и защищенности от помех. Это в значительной мере зависит от специфики бортового оборудования. Позиционирование и навигация являются основными задачами для БА в любых условиях их работы. В зависимости от реальной дальности действия БА и соответствующей миссии необходимо применять различные методы навигации и управления БА. БА необходимо ориентироваться в неизвестной среде и определять свое точное местоположение, чтобы он мог проложить путь к требуемым пунктам назначения.
Список литературы
1. Пшихопов В.Х., Медведев М.Ю. Групповое управление движением мобильных роботов в неопределенной среде с использованием неустойчивых режимов // Труды СПИИРАН. - 2018. - №5(60). - С. 39-63. EDN: VJNTNO
2. Зенкевич С.Л., Чжу Х., Хо Ц. Движение группы мобильных роботов в строю типа “конвой” - теория, моделирование и эксперимент // 4-й Всероссийский научно-практич. семинар “Беспилотные транспортные средства с элементами искусственного интеллекта”, Казань, 05-06 октября 2017 г. - C. 136-147.
3. Сапрыкин Р.В. Алгоритмы информационного взаимодействия интеллектуальных мобильных роботов при картографировании внешней среды функционирования // Известия ЮФУ. Технические науки. - 2015. - С. 164-174. EDN: TVWWJL
4. Моторин Д.Е. Исследование полимодельного комплекса системы планирования движения гетерогенной группы автономных роботов в условиях пространственно-ситуационной неопределенности // Робототехника и техническая кибернетика.- 2019.- 7(4). - C. 291- 299. EDN: FGNIHQ
5. Amosov O.S., Amosova S.G. The Concept of Joint Navigation and Communication for a Heterogeneous Group of Autonomous Uncrewed Vehicles Located in Different Environments // Proceedings of the 15th International Conference Management of Large-Scale System Development (MLSD). Moscow, 2022.
6. Amosov O.S., Amosova S.G. Machine Learning with Reinforcement for Optimal and Adaptive Estimation Problems in Navigation Applications // Proceedings of the 29th Saint Petersburg International Conference on Integrated Navigation Systems (ICINS), 2022.
7. Степанов О.А., Торопов А.Б. Методы нелинейной фильтрации в задаче навигации по геофизическим полям. ЧАСТЬ 1. Обзор алгоритмов // Гироскопия и навигация. - 2015. - №3(90). - C. 102-125. EDN: UKOOFV
8. Степанов О.А., Торопов А.Б. Методы нелинейной фильтрации в задаче навигации по геофизическим полям. ЧАСТЬ 2. Современные тенденции развития // Гироскопия и навигация. - 2015. - № 4(91). - C. 147-159. EDN: VBYEUJ
9. Stepanov O.A., Amosov O.S., Toropov A.B.Comparison of Kalman-Type Algorithms in Nonlinear Navigation Problems for Autonomous Vehicles // Proceedings of the 6th IFAC Symposium Autonomous Vehicles, Toulouse, France. - 2007.- Vol. 6, Iss. PART 1. - P. 493-498. EDN: OHCRWR
10. Kim Y.G., Kim D.G., Kim K., Choi C.-H., Park N.I., Kim H.K. An Efficient Compression Method of Underwater Acoustic Sensor Signals for Underwater Surveillance // Sensors. - 2022. - Vol. 22. - 3415. EDN: LIJZOK
11. Степанов О.А., Литвиненко Ю.А., Васильев В.А., Торопов А.Б., Басин М.В. Алгоритм полиномиальной фильтрации в задачах обработки навигационной информации при квадратичных нелинейностях в уравнениях динамики и измерений. Ч.I. Описание и сопоставление с алгоритмами калмановского типа//Гироскопия и навигация.-2021.-Т. 29,№3(114).-C. 3-33. EDN: YMLVAH
12. Степанов О.А., Литвиненко Ю.А., Васильев В.А., Торопов А.Б., Басин М.В. Алгоритм полиномиальной фильтрации в задачах обработки навигационной информации при квадратичных нелинейностях в уравнениях динамики и измерений. Часть 2. Примеры решения задач // Гироскопия и навигация. - 2021. - Т. 29, №4(115). - C. 56-77. EDN: OEBWEG
13. Ånonsen K.B., Hallingstad O. Sigma Point Kalman Filter for Underwater Terrain-Based Navigation // Control Applications in Marine Systems. - 2007. - Vol. 7.
14. Исаев А.М., Степанов О.А. Рекуррентный итерационный сглаживающий пачечный линеаризованный фильтр в задаче коррекции показаний навигационной системы по информации о геофизических полях // XXXIV Конференция памяти выдающегося конструктора гироскопических приборов Н.Н.Острякова, 2024. EDN: OGLRWS
15. Amosov O.S., Amosova S.G. Adaptive Estimation of the Processes Having Disorders in Navigation Applications Using Machine Learning // 28th Saint Petersburg International Conference on Integrated Navigation Systems (ICINS), 31 May - 2 June 2021.
16. Canciani A.J., Raquet J.F. Absolute Positioning Using the Earth’s Magnetic Anomaly Field // Proc. Institute of Navigation 2015 International Technical Meeting, 2015. - P. 265-278.
17. Stepanov O.A., Koshaev D.A., Motorin A.V. Designing Models for Signals and Errors of Sensors in Airborne Gravimetr Using Nonlinear Filtering Methods // Proc. Institute of Navigation 2015 International Technical, 2015. - P. 279-284. EDN: UFDBXR
18. Amosov O.S., Amosova S.G. Peculiarities and Applications of Stochastic Processes with Fractal Properties // Sensors. - 2021. - Vol. 21, Iss. 17. - №5960. EDN: MRTANV
19. Джанджгава Г.И., Герасимов Г.И., Августов Л.И. Навигация и наведение по пространственным геофизическим полям // Известия Южного фед. ун. Техн. науки, 2013.
20. Степанов О.А., Амосов О.С. Байесовское оценивание с использованием нейронной сети // Авиакосмическое приборостроение. - 2004. - № 6. - С. 46-55. EDN: WBGXOD
21. Степанов О.А., Амосов О.С. Оптимальная линейная фильтрация с использованием нейронной сети // Гироскопия и навигация. - 2004. - № 3 (46). - С. 14-29. EDN: SGMPPN
22. Stepanov O.A., Amosov O.S. The Comparison of the Monte-Carlo Method and Neural Networks Algorithms in Nonlinear Estimation Problems // 9th IFAC Workshop “Adaptation and Learning in Control and Signal Processing”, 2007. - Vol. 9. Iss. PART 1. - P. 392-397. EDN: OHCLWD
23. Амосов О.С. Системы нечеткой логики для фильтрации марковских последовательностей // Информационные технологии. - 2004. - № 11. - С. 16-22.
24. Amosov O.S., Baena S.G. Decomposition Synthetic Approach for Optimum Nonlinear Estimation // IFAC-PapersOnLine. - 2015. - Т. 48, No 11. - P. 819-824. EDN: YIMPNI
25. Chame H.F., dos Santos M.M., Botelho S.S.D. Neural Network for Black-Box Fusion of Underwater Robot Localization Under Unmodeled Noise // Robotics and Autonomous Systems. - 2018. - Vol. 110. - P. 57-72.
26. Ali U., Muhammad W., Irshad M.J., Manzoor S. Multi-Sensor Fusion for Underwater Robot Self-Localization Using PC/BC-DIM Neural Network//Sensor Review. - 2021. -41, № 5.-P. 449-457. EDN: UHAXYP
27. Li Z., Yu H., Shen T., Li Zh. Segmented Matching Method of Multi-Geophysics Field SLAM Data Based on LSTM // 3rd IEEE Intern. Conf. on Unmanned System, 2020.
28. Соколов И.А., Мишарин А.С., Куприяновский В.П., Покусаев О.Н., Липунцов Ю.П. Проекты цифрового транспорта с глобальными навигационными спутниковыми системами - путь к построению интегрированных систем цифрового транспорта//Intern. J. of Open Inform. Technol., 2019.
29. Белов Л.А. Радиоэлектроника. Формирование стабильных частот и сигналов: учебник для бакалавриата и магистратуры. 2-е изд. - Москва: Издательство Юрайт, 2019. - 229 с. EDN: FITAXB
30. Dragan Obradovic, Henning Lenz, Markus Schupfner, Kai Heesche. Multimodal Fusion for Car Navigation Systems // Signal Processing Techniques for Knowledge Extraction and Information Fusion. - 2008. - Part II. - P 141-158.
31. Вьюнова А.Н., Золотарев О.В. Исследование способов повышения точности позиционирования за счет дополнительных наземных средств // 8-ая Международная конференция по Физико-технической информатике, Нижний Новгород, 2020. - С. 246-274. EDN: GNPYJM
32. Рефан М.Х., Дамешхи А., Камарзаррин М. Использование рекуррентных нейронных сетей и генетического алгоритма для предсказания дифференциальных поправок к псевдодальностям GPS // Гироскопия и навигация. - 2015. - № 2 (89). - С. 92-105. EDN: UBOBNP
33. Куштин В.И., Писарева О.А. Применение спутниковой технологии Trimble RTK с функцией Xfill при создании геодезических сетей // Вопросы устойчивого развития общества. - 2021. - № 12. - С. 775-780. EDN: QLGGTZ
34. Segura M., Mut V., Sisterna C. Ultra Wideband Indoor Navigation System // IET Radar, Sonar & Navigation. - June 2012.
35. Kato H., Billinghurst M. Marker Tracking and HMD Calibration for a Video-Based Augmented Reality Conferencing System // Augmented Reality (IWAR’99) Proceedings. 2nd IEEE and ACM International Workshop on. IEEE, 1999, P. 85-94.
36. Olson E. AprilTag: A Robust and Flexible Visual Fiducial System // Proceedings of the IEEE International Conference on Robotics and Automation (ICRA), May 2011. P. 3400-3407.
37. Garrido-Jurado S., Muoz-Salinas R., Madrid-Cuevas F., Marn-Jimnez M. Automatic Generation and Detection of Highly Reliable Fiducial Markers Under Occlusion // Pattern Recognition. - 2014. - Vol. 47, № 6. - P. 2280- 2292.
38. Лебедев И., Ерашов А., Шабанова А. Точная автономная посадка беспилотного летательного аппарата с использованием визуального обнаружения Aruco-маркера // Международная конференция по интерактивной коллаборативной робототехнике (ICICR), Санкт-Петербург, 7-9 октября 2020. - С. 179-188.
39. Xing H., Liu Y., Guo S., Shi L., Hou X., Liu W., Zhao Y. A Multi-sensor Fusion Self-localization System of a Miniature Underwater Robot in Structured and GPS-Denied Environments // IEEE Sens. J. - 2021. - Vol. 21. - P. 27136-27146. EDN: OLEQOT
40. Lee J.-Ch., Chen Ch.-Ch., Shen Ch.-T., Lai Y.-Ch. Landmark-Based Scale Estimation and Correction of Visual Inertial Odometry for VTOL UAVs in a GPS-Denied Environment // Sensors. - 2022. - Vol. 22(24). - 9654. EDN: BGKNXT
41. Cesar D., Gaudig Ch., Fritsche M., Reis M., Kirchner F. An Evaluation of Artificial Fiducial Markers in Underwater Environments // Oceans. - 2015. - 7 p.
42. Francisco J. Romero-Ramire, Rafael Muñoz-Salinas R. Medina-Carnicer Fractal Markers: A New Approach for Long-Range Marker Pose Estimation Under Occlusion // IEEE Access. - 2019. - Vol. 7. - P. 169908 - 169919. EDN: AMLMJH
43. Саватеев Н.Н. Использование спутниковых навигационных систем для определения местоположения объекта под водой // Информационные техн. в образ. - 2021. - С. 214-219. EDN: LJUSUU
44. Spiess F.N., Chadwell C.D., Hildebrand J.A. et al. Precise GPS/Acoustic Positioning of Seafloor Reference Points for Tectonic Studies // Physics of the Earth and Planetary Interiors. -1998. - Vol. 108. - P. 101-112. EDN: KQGXDR
45. Ле В.Н., Ронжин А.Л. Способы и технические средства позиционирования и навигации роботов в водной среде // Известия Кабардино-Балкарского научного центра РАН. - 2023. - № 6(116). - C. 167-178. EDN: NCBFQL
46. Liu Q., Li M. Tracking Control Based on GPS Intelligent Buoy System for an Autonomous Underwater Vehicles Under Measurement Noise and Measurement Delay // Intern. J. of Computational Intelligence Systems. - 2023. - Vol. 16, № 36.
47. Zhan D., Zheng H., Xu W. Tracking Control of Autonomous Underwater Vehicles with Acoustic Localization and Extended Kalman Flter // Appl. Sci. -2021. - Vol. 11(17). - 8038.
48. Ajeil F.H., Ibraheem I.K., Azar A.T., Humaidi A.J. GridBased Mobile Robot Path Planning Using Aging-Based Ant Colony Optimization Algorithm in Static and Dynamic Environments // Sensors. - 2020. - Vol. 20, №7. - Art. no. 1880. EDN: QLHHVR
49. Kamil F., Hong T. S., Khaksar W. et al. New Robot Navigation Algorithm for Arbitrary Unknown Dynamic Environments Based on Future Prediction and Priority Behavior // Expert Systems with Applications. - 2017. - Vol. 86. - P. 274-291.
50. Mingjun Z., Shupeng L., Xuan L. Research on Technologies of Underwater Feature Extraction and Target Location Based on Binocular Vision // The 27th Chinese Control and Decision Conference (2015 CCDC). - 2015. - P. 5778-5784.
51. Mozhgan Navardi, Aidin Shiri, Edward Humes Nicholas R. Waytowich, Tinoosh Mohsenin An Optimization Framework for Efficient Vision-Based Autonomous Drone Navigation // 4th Intern. Conf. on Artificial Intelligence Circuits and Systems (AICAS), 2022. - P. 304-307.
52. Вялков И.К., Тимош П.С. Использование SLAM метода для внутренней навигации с применением AR технологий // Научно-техническое и экономическое сотрудничество стран АТР в XXI веке. - 2023. - С. 331-333. EDN: QHCGOM
53. Луговской В.В. SLAM как передовой метод навигации и его виды // Инновационная наука. - 2023. - № 4-2. - С. 46-49. EDN: DAMJKW
54. Zhao W., He T., Sani A. Y. M., Yao T. Review of SLAM Techniques For Autonomous Underwater Vehicles // Intern. Conf. on Robotics.Intell. Contr. and Artif.Intellig., 2019. - P. 384-389.
55. Бобков В.А., Кудряшов А.П., Мельман С.В., Щербатюк А.Ф. Навигация автономного необитаемого подводного аппарата по стереоизображениям с формированием 3D-модели среды // Гироскопия и навигация. - 2017. - Т.25, № 3(98). - C. 115-129. EDN: ZMJAKX
56. Шведенко В.Н., Викторов А.С. Совершенствование алгоритма визуальной одометрии для решения задачи одновременной навигации беспилотного летательного аппарата и построения карты земной поверхности // Научно-технический вестник информационных технологий, механики и оптики. - 2017. - T. 17, № 3. - C. 475-482. EDN: YQRBIX
57. Silva B.M.F.D., Xavier R.S., Gonçalves L.M.G. Mapping and Navigation for Indoor Robots under ROS // An Experimental Analysis. Preprints 2019.
58. Гэн Кэ Кэ, Чулин Н.А. Алгоритм навигации беспилотного летательного аппарата на основе улучшенного алгоритма одновременной локализации и картографирования с адаптивным локальным диапазоном наблюдения // Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение. - 2017. - № 3. - C. 76-94. EDN: YORGGH
59. Dubé R., Gawel A., Sommer H. et al. An Online Multi-Robot SLAM System for 3D LiDARs // International Conference on Intelligent Robots and Systems (IROS), 2017. - P. 1004-1011.
60. De Freitas C.M. Autonomous Navigation with Simultaneous Localization and Mapping In/Outdoor // CMS de Freitas. - 2020.
61. Sen Wang, Ronald Clark, Hongkai Wen, Niki Trigoni DeepVO: Towards End-to-End Visual Odometry with Deep Recurrent Convolutional Neural Networks // IEEE International Conference on Robotics and Automation (ICRA 2017), arXiv:1709.08429.
62. Tixiao Shan, Brendan Englot, Drew Meyers, Wei Wang, Carlo Ratti, Daniela Rus LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping // International Conference on Intelligent Robots and Systems (IROS), 2021, arXiv:2007.00258v3.
63. Yang Q., Sun J. An Underwater Autonomous Robot Based on Multi-Sensor Data Fusion // 6th World Congress on Intelligent Control and Automation. - 2006. - Vol. 2. - P. 9139-9143.
64. Вавилова Н.Б., Голован А.А., Парусников H.А. Краткий курс теории инерциальной навигации. - Москва: ИПУ РАН, 2022. - 148 с.
65. Jacques Georgy, Tashfeen Karamat, Umar Iqbal, Aboelmagd Noureldin Enhanced MEMS-IMU/odometer/GPS Integration Using Mixture Particle Filter // GPS Solutions. - 2011. - Vol. 15, Iss. 3. - P. 239-252. EDN: ZBLYOD
66. Xiong K., Zhou P., Wei Ch. Autonomous Navigation of Unmanned Aircraft Using Space Target LOS Measurements and QLEKF // Sensors. - 2022. - Vol. 22(18). - 6992. EDN: JPUZOT
67. Ванкерль М., Троммер Г.Ф. Использование сегментированного навигационного фильтра в задаче позиционирования транспортного средства в городских условиях // Гироскопия и навигация. - 2014. - № 1. - С. 35-49. EDN: RZCUEB
68. Черноножкин В.А., Половко С.А. Система локальной навигации для наземных мобильных роботов // Научно-технический вестник Санкт-Петербургского гос. ун. информационных технологий, механики и оптики. - 2008. - № 57. - С. 13-22.
69. Верба В.С., Домщиков А.В., Замуруев С.Н., Потапов Д.А. Анализ способов решения локальных навигационных задач при применении группового БПЛА // Нац. научно-практич. конф. по Фундаментальным, поисковым, прикладным исследованиям и инновационным проектам, 2023. - С. 281-289. EDN: KIAHZH
70. Wen J., Liu Sh., Lin Y. Dynamic Navigation and Area Assignment of Multiple USVs Based on Multi-Agent Deep Reinforcement Learning // Sensors. - 2022. - Vol.22(18). - 6942. EDN: DFSAVA
71. McManus S.J. A Method of Navigation Using a Modified Ultra Short BaseLine Directional Acoustic Transponder // Oceans. - 2007.
72. Thomson D., Elson S. New Generation Acoustic Positioning Systems // Oceans. - 2002. - Vol. 3. - P. 1312-1318.
73. Крестовников К.Д., Ершов А.А., Савельев А.И. Подход к беспроводному заряду аккумуляторной батареи автономных необитаемых подводных аппаратов // Морские интеллектуальные технологии. - 2022. - № 4-1(58). - С. 144-155. EDN: WUBCLF
74. Ubina N.A., Cheng S.-C. A Review of Unmanned System Technologies with its Application to Aquaculture Farm Monitoring and Management // Drones. - 2022. - 6(12).
75. Kapetanović N., Nad D., Mišković N. Towards a Heterogeneous Robotic System for Autonomous Inspection in Mariculture // OCEANS Conf. and Exposition, 20-23 Sep 2021. - P. 1-6. EDN: NKPSPS
76. Ковалев А.Ю., Губанов С.П. Разработка телеуправляемого необитаемого подводного аппарата “НЕПТУН - 01” // Неделя науки Санкт-Петербургского гос. морского техн. ун. - 2019. -Т. 1, №1. - С. 154.
77. Диане С.А., Исхаков А.Ю., Исхакова А.О. Алгоритм сетецентрического управления движением группы мобильных роботов // Моделирование, оптимизация и информационные технологии. - 2022. - Т.10, №1(36). - С. 1-11.
78. Meshcheryakov R.V., Trefilov P.M., Chekhov A.V., Diane S.A.K, Rusakov K.D., Lesiv E.A., Kolodochka M.A., Shchukin K.O., Novoselskiy A.K., Goncharova E. An Application of Swarm of Quadcopters for Searching Operations // IFAC-PapersOnLine. Sozopol, Bulgaria: Elsevier, 2019. - Vol. 52, Iss. 25. - P. 14-18.
79. Manko S.V., Diane S.A.K., Krivoshatskiy A.E., Margolin I.D., Slepynina E.A. Adaptive Control of a Multi-Robot System for Transportation of Large-Sized Objects Based on Reinforcement Learning // IEEE Conf. of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus), 2018. - № 1. - P. 923-927. EDN: YBUHPN
80. Ефремов А.Ю. Анализ агрегационного поведения мобильных роботов в алгоритме стайного управления при естественных ограничениях // Проблемы управления. - 2024. - №1. - C. 79-89. EDN: GDCPTA
81. Abdulov A.V. Cooperative Ultrasonic Odometry of Autonomous Mobile Robots for Grouping Navigation // Intern.Russian Automation Conference (RusAutoCon), 2023. - P. 448-452.
82. Амосов О.С., Амосова С.Г. Интеллектуальные технологии совместной навигации и функционирования в разных физических средах подвижных объектов // Информационные технологии. - 2024. - №12. - С. 1-14.
83. Lesiv Е.А., Diane S.K. Neural-Based Visual Odometry Trained in a Virtual Enviroment for a Mobile Robot Navigation // 14th Intern. Conf. Manag. of Large-Scale Syst. Development, 2021.
84. Amosov O.S., Amosova S.G. Wheeled-Robot Orientation and Navigation Algorithm Using Visual-Inertial System // 16th Intern. Conf. Management of Large-Scale System Development, 2023.
85. Диане С.А., Воронков А.Д., Лесив Е.А. Алгоритм локализации объекта в трехмерной сцене на основе воксельной декомпозиции // Труды 19-ой Всероссийской школы-конференции молодых ученых “Управление большими системами”, 2023. - С. 477-485.
86. Лесив Е.А., Диане С.А. Алгоритм построения воксельной карты местности с применением автономного квадрокоптера // Труды 19-ой Всероссийской школы-конференции молодых ученых “Управление большими системами”, 2023. - С. 541-546. EDN: UTFBBG
87. Хаблов Д.В. Система управления беспилотными транспортными электрокарами на основе радиоволновых доплеровских датчиков// Измерительная техника. - 2022. - № 2. - С. 66-72. EDN: KAJONO
88. Hablov D.V. Design of Feedback Controller for Path Tracking of Mobile Robot with Differential Drive // Intern. Conf. on Digital Signal Processing and its Application, 2023. - P. 1-4.
89. Abdulov A., Abramenkov A. Extra Steering for ROV Control System by Tracking the Gamepad Orientation // Intern.Russian Automation Conference, 2021. - P. 1041-1045. EDN: MZBSRB
90. Glushchenko А., Lastochkin K., Abramenkov A., Abdulov A. Robust Attitude Control of Underwater Unmanned Vehicle with Estimation and Compensation of Matched Uncertainty // 5th Intern. Conf. on Control Systems, Mathematical Modeling, Automation and Energy Efficiency (SUMMA), 2023. - P. 58-63.
91. Самохина М.А., Галяев А.А. Построение карты локально оптимальных путей управляемого подвижного объекта в конфликтной среде при переходе из точки в точку // Проблемы управления. - 2024. - №1. - С. 90-102. EDN: KAJQCZ
92. Полтавский А.В., Ахобадзе Г.Н. Модель прогнозирования возможного столкновения беспилотных летательных аппаратов // Инженерная физика. - 2024. - № 4. - С. 39-44. EDN: UFWHGO
93. Полтавский А.В., Горячев Н.В., Ергалиев Д.С., Юрков Н.К. Беспилотные летательные аппараты. Проблемы проектирования и эксплуатации. 1-е. - Пенза: ПГУ, 2023. - 306 с.
94. Vavilova N.B., Golovan A.A., Parusnikov N.A. Mathematical foundations of inertial navigation systems. - 2020.https://istina.msu.ru/workers/214833/publications.
95. Golovan A.A., Gorushkina E.V., Papusha I.A. About Identification of Instrument Error Parameters for a Gravity Gradiometer // 5th Symposium on Terrestrial Gravimetry: Static and Mobile Measurements. Cham, Switzerland: Springer Nature Switzerland AG, 2023. - P. 39-43.
96. Vavilova N.B., Vyazmin V.S., Golovan A.A. Development of a Low-Cost INS/GNSS/Odometer Integration Algorithm for a Road Surface Testing Laboratory Software // 26th Saint Petersburg Intern. Conf. on Integrated Navigation Systems (ICINS-2019). New York: IEEE, 2019. - P. 1-7. EDN: FRIHSD
97. Амосов О.С., Амосова С.Г. Сопоставление линейного и обобщенного фильтров Калмана целого и дробного порядков для оценки состояния и параметров дискретных дробных динамических систем // Известия РАН. Теория и системы управления. - 2024. -№ 6.- С. 14.
98. Amosov O.S., Amosova S.G. Fractional Kalman Type Filters for Estimating the State, Parameters, and Order of Fractional Dynamical System in Problems of Navigation Information Processing // 30th Saint Petersburg Intern. Conf. on Integrated Navigation Systems (ICINS-2023), 2023.
99. Amosov O.S., Amosova S.G. Optimal Estimation Using Deep Neural Networks Applied to Navigation and Motion Control // Journal of Physics: Conference Series. Saint Petersburg, Russia: IOP Publishing Ltd, 2021. - Vol. 1864, № 012012. EDN: VLALED
100. Павлов Б.В., Каршаков Е.В., Гольдин Д.А. Определение параметров магнитного поля объекта по результатам дистанционных магнитоградиентных измерений // Управление большими системами. - 2024. - Вып. 109. - С. 220-242. EDN: RJMXMK
101. Волковицкий А.К., Каршаков Е.В., Павлов Б.В., Третьякова Е.А. Определение взаимного расположения объектов на основе магнитоградиентных измерений // Автоматика и телемеханика. - 2023. - № 10. - С. 6-17. EDN: YEUIPM
102. Thorenko M.Y., Karshakov E.V., Papusha I.A. Inertial Navigation Aiding by the Means of Magnetic Measurements // 30th Saint Petersburg Intern. Conf. on Integrated Navigation Systems (ICINS-2023). Saint Petersburg: IEEE, 2023. - P. 1-4.
103. Amosov O.S., Amosova S.G. Neural Network Models of Earth Geophysical Fields for a Physical Polygon // 17th Intern. Conf. on Management of Large-Scale System Development, 2024.
104. Вольф Д.А., Широков А.С. Исследование основных и сопутствующих процессов управления полетом квадрокоптерной системы // XIV Всероссийское совещание по проблемам управления (ВСПУ-2024), Москва, 17-20 июня 2024. - С. 1265-1269. EDN: SSAGYJ
105. Wolf D.A., Alexandrov V.A., Shatov D., Rezkov I.G., Trefilov P.M., Meshcheryakov R.V. Development of a Firmware for Multirotor UAV Flight Controller Implemented on MCU MDR 32 // Intern. Conf. on Interactive Collaborative Robotics (ICR 2023). Cham: Springer, 2023. - Vol. 14214. - P. 345-356.
106. Вольф Д.А., Александров В.А., Резков И.Г. Автоматизация поведения пилота БПЛА с применением отечественного микроконтроллера // Промышленные АСУ и контроллеры. -2023. - № 3. - С. 9-16. EDN: GYMXVE
107. Графенков А. В., Кулагин К. А., Мигачев А. Н. Беспилотный летательный аппарат: Патент на изобретение № 2760832 РФ; Зарег. 30.11.2021.
108. Amosov O.S, Amosova S.G., Kulagin K.A. Joint Navigation Method for Unmanned Vehicles Group Located in Different Physical Environments // International Russian Automation Conference (RusAutoCon). Sochi, Russian Federation: IEEE, 2024.
109. Портал “Научная Россия”. Беспилотник на поводке. Проф. В. Вишневский о привязных высотных платформах. URL: https://scientificrussia.ru/articles/bespilotnik-na-povodke-professor-vladimir-visnevskij-o-privaznyh-vysotnyh-platformah (access date 31.07.2024).
110. Selvamuthu D., Sivam A.H., Raj R.,Vishnevsky V.M. Study of reliability of the on-tether subsystem of a tethered high-altitude unmanned telecommunication platform // Reliability: Theory & Applications. - 2023. - No 1 (72). - P. 172-178.
111. Вишневский В.М., Горьков А.Н., Ахобадзе Г.Н. Автоматическая система подачи силового кабеля на привязной беспилотный летательный аппарат // Инженерная физика. - 2024. - № 3. - С. 15-23. EDN: JMJKLU
112. Вишневский В.М., Ширванян А.М., Бряшко Н.Н. Расчет необходимой мощности для функционирования привязной беспилотной платформы в условиях турбулентной атмосферы // Информац. технологии и вычислительные системы. - 2020. - Т.3. - С. 71-84.
113. Ахобадзе Г.Н. Диэлектрические потери в кабель-тросе привязного беспилотного летательного аппарата // Авиакосмическое приборостроение. - 2024. - № 2. - С. 47-53. EDN: JMPIDJ
114. Степанов Д.В., Кузнецов А.В., Диане С.А., Акуловский Д.В. Алгоритмы управления движением БПЛА и наземной станции в задачах мониторинга протяженных объектов // Материалы 18-й Всероссийской научно-практической конференции “Перспективные системы и задачи управления” и 14-ой молодежной школы-семинара “Управление и обработка информации в технических системах” (Таганрог, 2023), 2023. - С. 63-71.
Выпуск
Другие статьи выпуска
Решается задача синтеза регулятора системы управления структурно-параметрически неопределенным аффинными объектом с несколькими известными запаздываниями по состоянию. Объект функционирует при действии постоянных внешних возмущений и переключений. Адаптивно-робастный закон управления системы разрабатывается на основе критерия гиперустойчивости В. М. Попова и условий L -диссипативности - структурный синтез , а также генетического алгоритма - параметрический синтез .
Исследуется влияние погрешностей измерений на эффективность алгоритма управления синхронизацией для виброустановки (ВУ) с неидентичными роторами. Разработана математическая модель в пространстве состояний для описания двухроторной ВУ с неидентичными роторами с учетом допустимых погрешностей датчиков. Компьютерное исследование показало, что учет погрешностей измерений практически не влияет на показатели качества работы ВУ во всем диапазоне рабочих зарезонансных скоростей. Однако, при скоростях, находящихся на нижней границе диапазона допустимых рабочих скоростей, учет погрешностей измерений может привести к потере устойчивости синхронного режима.
Рассматривается применение численных методов для создания сверточных нейронных сетей, позволяющих реализовывать технологию машинного зрения. Получены результаты устойчивого распознавания образа с минимизацией ошибки. Исследованы параметры для повышения эффективности обучения сверточной нейронной сети.
Рассмотрен подход к контролю процесса аддитивной печати с помощью сверточных нейронных сетей. Исследовано влияние набора данных и архитектуры на качество нейронной сети.
В рамках процесса информатизации здравоохранения для профилактики кардиоваскулярных заболеваний целесообразным является создание программных сервисов поддержки врача обладающих свойствами объяснимого искусственного. В работе описан новый модуль знаний о хронической сердечной недостаточности, расширяющий возможности интеллектуального сервиса для диагностики и прогноза. Показаны методы аттестационного тестирования таких сервисов.
Предложена методика декомпозиции области значений многомерных статистических данных, которая учитывает зависимости между компонентами случайной величины и их количественные значения. Синтез структуры системы декомпозиции исходной выборки наблюдений многомерной случайной величины основан на анализе суммы коэффициентов корреляций неповторяющихся парных сочетаний её компонент и использовании модификации алгоритма автоматической классификации «Форель». Показана возможность обоснованного выбора параметра алгоритма классификации. Предложена система декомпозиции значений многомерной случайной величины является актуальной при анализе данных дистанционного зондирования.
Solar cells are very prone to scratches, hot spots, breakage and other defects during the production process, which seriously affects their service life and photoelectric conversion efficiency. Traditional detection methods cannot meet the accuracy and real-time requirements of the actual industrial production. To address the problems of low detection accuracy, slow speed, and single type of detected defects in solar cell defect detection, this paper proposes a solar cell defect detection algorithm based on improved YOLOv8s, which is based on the original YOLOv8s network model, and introduces the GAM global attention mechanism module and the EIoU-Focal loss function. The experimental results show that compared with other algorithms, the mAP@0.5 of the improved YOLOv8s reaches 85.1%, and the algorithm has a better improvement in detection accuracy and detection effect, which can complete the task of detecting defects in solar cells more quickly and accurately.
Представлен новый метод диагностики технического состояния внешней изоляции высоковольтного оборудования с помощью ультрафиолетовой камеры промышленного исполнения (с синхронизацией ультрафиолетового и видимого канала) и робототехнического комплекса, а также метод компьютерного зрения с пространственно-временной фильтрацией шумов радиометрических данных, позволяющий повысить точность обнаружения поверхностных частичных разрядов в автоматическом режиме.
Рассматривается возможность альтернативного описания электронных спектров простейших атомарных систем, целиком и полностью укладывающегося в рамки корпускулярной физики. В третьей части работы обоснована возможность непрерывно-детерминированного моделирования линейчатых спектров водорода без использования фундаментальных постулатов Бора.
Большое количество предлагаемых вендорами продуктов в области информационной безопасности, различное их назначение, комплектация и прочие многие характеристики, усложняют организациям задачу выбора, подходящего по запросам и возможностям средства. В статье рассматривается пример использования методов решения многокритериальных задач семейства PROMETHEE для выбора программно-аппаратного средства защиты информации. Многокритериальная задача решена с помощью программного пакета Visual PROMETHEE Academic, описаны способы интерпретации результатов решения.
Статья описывает создание анимационного ролика об осаде Албазинского острога. В процессе работы проведена детальная реконструкция ландшафта и острога, а также созданы модели казаков и китайцев. Архивные документы, археологические раскопки и топографические планы помогли точно воссоздать внешний облик и атмосферу событий. Трехмерное моделирование обеспечивают реализм и историческую достоверность ролика.
Наиболее популярными на сегодняшний день квантовыми вычислителями являются спиновые кубиты, а особенно можно выделить дырочные спиновые кубиты. Базовым материалом для реализации данной технологии считается германий. Главной особенностью германия является сильное спин-орбитальное взаимодействие, способность к масштабируемости и совместимость с классическим производственным процессом. В данной работе методом ab-initio расчета было произведено построение модели интерфейса Ge-Si и исследованы квантовые состояния интерфейса кремния и германия, представляющего собой тонкослойную структуру Ge, заключённую между слоями Si, при наличии в нём дырок с четным и нечетным числом. Были определены локализации дырочных состояний в интерфейсе, произведен анализ зарядового распределения в системе.
Предлагается модель машинного обучения, способная предсказывать значения энергии Гиббса для различных систем (веществ) в условиях отсутствия структурной информации об их фазах. В качестве базовой модели используется нормализующий поток с монотонными дробно-квадратичными сплайнами для моделирования синтетического распределения плотности вероятности значений энергии для различных систем (составов).
Проведено исследование динамики изогнутой металлической трубы, подвергшейся воздействию колебаний давления в потоке жидкости. Для моделирования стенки трубы применена теория оболочек. Разработан алгоритм преобразования трехмерной математической модели к начально-краевой задаче меньшей размерности. Численный анализ подтвердил адекватность модели.
Издательство
- Издательство
- ТОГУ
- Регион
- Россия, Хабаровск
- Почтовый адрес
- 680035, Россия, г. Хабаровск, ул. Тихоокеанская, 136
- Юр. адрес
- 680035, Россия, г. Хабаровск, ул. Тихоокеанская, 136
- ФИО
- Марфин Юрий Сергеевич (Ректор)
- E-mail адрес
- mail@togudv.ru
- Контактный телефон
- +7 (421) 2979700
- Сайт
- https://togudv.ru