Цель работы: заключается в разработке и обосновании комплексного подхода к реализации бортового алгоритма поиска, идентификации, распознавания и поражения целей с использованием обученных нейросетей в составе группы БЛА. Работа направлена на повышение автономности и эффективности взаимодействия дронов в условиях динамичной боевой обстановки.
Результаты исследования: проведённое исследование позволило выделить и апробировать ряд функциональных компонентов бортовой интеллектуальной системы управления группой БЛА, реализующей задачи поиска, идентификации, распознавания и поражения целей на основе нейросетевых алгоритмов. В результате разработана архитектура взаимодействия дронов с учётом динамики целей и использования сверточных нейронных сетей для детекции и автосопровождения, что обеспечило устойчивую работу системы в условиях ограниченных вычислительных ресурсов. В ходе экспериментов подтверждена эффективность применения алгоритма YOLOv5 в реальном времени, а также обоснована необходимость применения методов трекинга (DeepSORT, ByteTrack) в задачах групповой навигации. Установлены оптимальные параметры обучения нейросетевой модели, включая объем и структуру обучающего набора данных, формат аннотаций и соотношение выборок. Результаты могут быть использованы при создании программного обеспечения для управления роями БЛА в задачах разведки и поражения, что закладывает научную основу для дальнейшего развития автономных систем военного назначения.
Научная новизна: разработка и интеграция бортового алгоритма распознавания и поражения целей с использованием обученных нейронных сетей в составе группы БЛА, обеспечит автоматизированное взаимодействие дронов на всех этапах боевой операции. Предложена комплексная структура управления роем с учетом трекинга целей, семантической сегментации и оптимизации маршрутов на основе интеллектуального анализа видеопотока в реальном времени.
Purpose of the work is to analyze the didactic features of modern military education using advanced digital technologies.
Research results: as a result, the following set of didactic functions of an intellectual learning system can be distinguished: adaptive, transformative, coordinating, forming an integral system, developing, integrating, ensuring the consolidation of knowledge, self-control, individualized approach and differentiation, self-education, methodological, and analytical. The development of didactics of military engineering disciplines in the digital age will be characterized by the following trends: expansion of the conceptual and terminological stock, the emergence of new theoretical concepts, didactic systems and teaching models; preservation of the main scientific functions of didactics: descriptive, explanatory and predictive; clarification of existing or discovery of new laws and patterns of the educational process, which will become the basis for the creation of normative models. The theory will be based on the phenomenological material collected during the study of distance education.
Scientific novelty: the introduction of end-to-end digital technologies and innovative techniques significantly improves the quality of education and training of military specialists, as well as enhances the effectiveness of management of military structures and combat units. This approach will make it possible to adapt to changes in technology and the requirements for military training, as well as to anticipate their impact on military education in the coming years.
Источники финансирования не указаны.
No funding sources reported.
- Моисеев В. С.. Групповое применение беспилотных летательных аппаратов: монография. // Казань: Редакционно-издательский центр «Школа». 2017. С. 572–с..
- Евдокименков В. Н., Красильщиков М. Н., Оркин С. Д.. Управление смешанными группами пилотируемых и беспилотных летательных аппаратов в условиях единого информационно-управляющего поля. // МАИ. 2015. С. 272–с..
- Васильев С. Н., Евдокименков В. Н., Красильщиков М. Н.. Проблемы управления сложными динамическими объектами авиационной и космической техники. // М., Машиностроение. 2015. С. 519–с..
- Гончаренко В. И., Лебедев Г. Н.. Задача оперативной двумерной маршрутизации группового полета беспилотных летательных аппаратов // Известия РАН. Теория и системы управления. 2019. № 1. С. 153–166.
- Гончаренко В. И., Лебедев Г. Н., Михайлин Д. А., Царева О. Ю.. Выбор множества приоритетных наземных объектов наблюдения с помощью беспилотных летательных аппаратов и маршрутизация их полета // Вестник компьютерных и информационных технологий. 2019. № 2. С. 3–12.
- 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.
- Небаба С. Г., Марков Н. Г.. Сверточные нейронные сети семейства YOLO для мобильных систем компьютерного зрения // Компьютерные исследования и моделирование. 2024. Т. 16. № 3. С. 615–631.
- Васильев Н. А., Зарубин К. А., Лаута О. С., Ситдиков Д. С.. Использование нейронной сети для детекции пылевого облака в производственном помещении // Россия молодая: Cборник материалов XVI всероссийской, научно-практической конференции молодых ученых с международным участием. 2024. С. 31675.1–31675.5.
-
Ali M. L., Zhang Z.. The YOLO framework: A comprehensive review of evolution, applications, and benchmarks in object
detection // Computers. 2024. Т. 13. № 12. С. 336.
Ali M. L., Zhang Z.. The YOLO framework: A comprehensive review of evolution, applications, and benchmarks in object detection // Computers. 2024. - Хрящёв В. В., Котов Н. В., Приоров А. Л.. Исследование алгоритмов на базе нейросетевой архитектуры YOLO в задаче детектирования полипов на колоноскопических видеоданных // Графиконференции по компьютерной графике и зрению. 2023. Т. 33. С. 590–597.
-
Drone Dataset (UAV). [Электронный ресурс] // URL https://www.kaggle.com/datasets/dasmehdixtr/drone-dataset-uav/ (дата
обращения: 15.03.2025).
Drone Dataset (UAV). [Электронный ресурс] // URL https://www.kaggle.com/datasets/dasmehdixtr/drone-dataset-uav/ (дата обращения: 15.03.2025). -
ModifiedOpenLabelling. [Электронный ресурс] // URL: https://github.com/ivangrov/ModifiedOpenLabelling/ (дата обращения:
25.03.2025).
ModifiedOpenLabelling. [Электронный ресурс] // URL: https://github.com/ivangrov/ModifiedOpenLabelling/ (дата обращения: 25.03.2025). -
Rathore P. S. et al.. Benchmarking Object Detection and Tracking for UAVs: An Algorithmic Comparison // 2024 IEEE
International Conference on Vehicular Electronics and Safety (ICVES). 2024. С. 1–6.
Rathore P. S. et al.. Benchmarking Object Detection and Tracking for UAVs: An Algorithmic Comparison // 2024 IEEE International Conference on Vehicular Electronics and Safety (ICVES). 2024. - Мальцева Н. А. и др.. Качество методов трекинга с реидентификацией объектов // Вестник Дагестанского государственного технического университета. Технические науки.. 2024. Т. 51. № 3. С. 103–109.
- Ситдиков Д. С., Зарубин К. А., Васильев Н. А.. Исследование применимости модели CNN-LSTM для детекции объектов в режиме реального времени // Системы интеллектуального управления и искусственный интеллект: теория и практика: Сборник трудов II национальной научно-практической конференции. 2024. С. 102–107.