Метод прогнозування траєкторій та ухилення бпла для промислових автономних місій у динамічному середовищі
DOI:
https://doi.org/10.30837/2522-9818.2026.1.100Ключові слова:
безпілотний літальний апарат; промислові автономні місії; прогнозування траєкторій; уникнення перешкод; рекурентна нейронна мережа; корекція траєкторії; енергоефективністьАнотація
Розглянуто задачу прогнозування траєкторії та випереджувального ухилення безпілотного літального апарата у промислових автономних місіях у динамічному середовищі за наявності шуму навігаційних вимірювань і обмежень енергоресурсу, що зумовлює ризики запізнілого або надмірного маневрування та зростання відхилення від маршруту. Мета. Розробити та верифікувати на імітаційній моделі метод, який забезпечує прогнозно-орієнтоване ухилення від перешкод із контролем відхилення від опорної траєкторії та маневрових енерговитрат. Завдання. Сформувати архітектуру системи ухилення; розробити прогнозатор майбутніх координат на основі рекурентної нейронної мережі з довготривалою короткочасною пам’яттю; визначити спосіб перевірки ризику зіткнення із використанням зони безпеки; реалізувати алгоритм корекції траєкторії з урахуванням компромісу «безпека–відхилення–енерговитрати»; виконати порівняльне оцінювання з базовими методами. Методи. Прогноз координат будується за часовими послідовностями координат і параметрів руху; ризик зіткнення оцінюється шляхом аналізу перетину прогнозованої траєкторії із зонами безпеки перешкод; корекція траєкторії формалізується як оптимізаційний вибір маневру, що мінімізує сумарну похибку слідування та штраф за зближення. Ефективність перевірено у середовищі Python на стандартних траєкторіях (пряма, коло, ламана) з порівнянням із методами чистого переслідування, лінії візування, векторних полів і нелінійної стабілізації. Результати. Запропонований підхід забезпечив найменше середнє відхилення від траєкторії 14,95 м, найнижчі маневрові енерговитрати 72 умовні одиниці, найвищу успішність слідування 86,08 % та найбільший узагальнений коефіцієнт продуктивності 0,494 серед розглянутих алгоритмів; зафіксовано компроміс за мінімальною дистанцією до перешкод. Висновки. Метод прогнозно-орієнтованого ухилення підвищує інтегральну ефективність навігації у моделях промислових місій; подальші дослідження передбачають натурну валідацію на реальних платформах та оптимізацію обчислювальних витрат прогнозатора.
Посилання
References
Debnath, D., Vanegas, F., Sandino, J., Hawary, A. F., Gonzalez, F. (2024), "A review of UAV path-planning algorithms and obstacle avoidance methods for remote sensing applications", Remote Sensing, Vol. 16 (21), 4019 р. DOI: https://doi.org/10.3390/rs16214019
Merei, A., Mcheick, H., Ghaddar, A., Rebaine, D. (2025), "A Survey on Obstacle Detection and Avoidance Methods for UAVs". Drones, 9(3), 203 р. https://doi.org/10.3390/drones9030203
Sangeeth V., Muralimohan G. (2025), "A comprehensive review of path planning algorithms for autonomous navigation, Results in Engineering, Vol. 28, 2025, 107750 р. DOI: https://doi.org/10.1016/j.rineng.2025.107750
Braquet, M., Bakolas, E. (2022), "Vector Field-based Collision Avoidance for Moving Obstacles with Time-Varying Elliptical Shape", IFAC-PapersOnLine, Vol. 55, Issue 37, 2022, рр. 587-592, DOI: https://doi.org/10.1016/j.ifacol.2022.11.246
Wilhelm, J., Clem, G (2019), "Vector Field UAV Guidance for Path Following and Obstacle Avoidance with Minimal Deviation". Journal of Guidance, Control, and Dynamics. рр. 1-9. DOI: https://doi.org/10.2514/1.G004053
Olcay, E., Meeß, H., Elger, G. (2024), "Dynamic Obstacle Avoidance for UAVs using MPC and GP-Based Motion Forecast", European Control Conference (ECC), Stockholm, Sweden, pp. 1024–1031. DOI: https://doi.org/10.23919/ECC64448.2024.10591083
Tripicchio, P., Unetti, M., D’Avella, S., Avizzano, C.A. (2023), "Smooth Coverage Path Planning for UAVs with Model Predictive Control Trajectory Tracking".Electronics, 12(10), 2310 р. DOI: https://doi.org/10.3390/electronics12102310
Yoo, H.; Choi, S. (2025), "Improved Model Predictive Control for Dynamical Obstacle Avoidance". Mathematics, 13(22), 3624 р. DOI: https://doi.org/10.3390/math13223624
Zhuo, Z., Datong, L., Liansheng, L. (2022), "A performance compensation method for GPS/INS integrated navigation system based on CNN–LSTM during GPS outages", Measurement, Vol. 188, 110516 р. DOI: https://doi.org/10.1016/j.measurement.2021.110516
Semenov, S., Jian, Y., Jiang, H., Chernykh, O., Binkovska, A. (2025), "Mathematical model of intelligent uav flight path planning", Advanced Information Systems, 9(1), рр. 49-61. DOI: https://doi.org/10.20998/2522-9052.2025.1.06
Yena, M., Pohudina, O. (2025), "Integrated simulation model of swarm control and adaptive routeing of UAVS in a changing air environment", Innovative technologies and scientific solutions for industries, 4(34), рр. 32-43. DOI: https://doi.org/10.30837/2522-9818.2025.4.032
Li, X., Wang, X., Pei, C. (2025), "Handling method for GPS outages based on PSO-LSTM and fading adaptive Kalman filtering", Scientific Reports, Vol.15, 11817 р. DOI: https://doi.org/10.1038/s41598-025-95716-1
Semenov, S., Wasiuta, O., Jammine, A., Golec, J., Krupska-Klimczak, M., Tarasenko, Y., Voronets, V., Breslavets, V., Lvov, S., Moskalenko, A. (2025), "Development of an Intelligent Method for Target Tracking in Radar Systems at the Initial Stage of Operation Under Intentional Jamming Conditions". Applied Sciences, 15(3), 7072 р. DOI: https://doi.org/10.3390/app15137072
Narkhede, P., Walambe, R., Poddar, S., Kotecha, K. (2021), "Incremental learning of LSTM framework for sensor fusion in attitude estimation". PeerJ Computer Science, DOI: https://doi.org/10.7717/peerj-cs.662
Zhang, Y., Jia, Z., Dong, C., Liu, Y., Zhang, L., Wu, Q. (2022), "Recurrent LSTM-based UAV Trajectory Prediction with ADS-B Information", GLOBECOM 2022 - 2022 IEEE Global Communications Conference, Rio de Janeiro, Brazil, pp. 1–6, DOI: 10.1109/GLOBECOM48099.2022.10000919
Cao, Y., Zhang, J., Shi, G., Yang, Q., Zhang, C. (2025), "Research on Trajectory Prediction Algorithm Based on Unmanned Aerial Vehicles Behavioral Intentions". Drones 2025, 9, 640 р. DOI: https://doi.org/10.3390/drones9090640
Semenov, S., Krupska-Klimczak, M., Mazurek, P., Zhang, M., Chernikh, O. (2025), "Improving Unmanned Aerial Vehicle Security as a Factor in Sustainable Development of Smart City Infrastructure: Automatic Dependent Surveillance–Broadcast (ADS-B) Data Protection". Sustainability, 17(4), 1553 р. DOI: https://doi.org/10.3390/su17041553
Kosarevskyi, B., Tetskyi, A. (2025), "Modern approaches to deploying the infrastructure of mobile intelligent systems". Innovative technologies and scientific solutions for industries, 2(32), рр. 33-48. DOI: https://doi.org/10.30837/2522-9818.2025.2.033
Shin, S., Kang, Y., Kim, Y. (2019), "Obstacle Avoidance Drone by Deep Reinforcement Learning and Its Racing with Human Pilot". Applied Science., 9(24), 5571 р. DOI: https://doi.org/10.3390/app9245571
Xuyang, L., Jianwu, F., Kai, D., Kuizhi, M., Jianru, X. (2023), "UAV Obstacle Avoidance by Human-in-the-Loop Reinforcement in Arbitrary 3D Environment", 42nd Chinese Control Conference (CCC), Tianjin, China, pp. 3589–3595. DOI: 10.23919/CCC58697.2023.10240962
Chikhaoui, K., Ghazzai, H., Massoud, Y. (2022), "PPObased Reinforcement Learning for UAV Navigation in Urban Environments". 2022 IEEE 65th International Midwest Symposium on Circuits and Systems (MWSCAS). DOI: https://doi.org/10.1109/ mwscas54063.2022.9859287
Semenov, S., Zhang, M., Yenhalychev, S., Smidovych, L. (2023), "Generalized model of the ads-b unmanned aerial vehicle data transmission process in a steganographic system". Innovative technologies and scientific solutions for industries, 4 (22), рр. 14–19. DOI: https://doi.org/10.30837/ITSSI.2022.22.014
Júlio, C., Bruno, E., Fábio, L., Julio, C., Paulo, F. (2025), "Comparative Analysis of PPO and DQN for UAV Obstacle Avoidance in Simulated Environments", IFAC-PapersOnLine, Vol. 59, Issue 10, 2025, рр. 1540–1545. DOI: https://doi.org/10.1016/j.ifacol.2025.09.259
Dang, X., Eom, J., Vu, B., Shin, O. (2025), "A DDPG-LSTM Framework for Optimizing UAV-Enabled Integrated Sensing and Communication". Drones, 9(8), 548 р. DOI: https://doi.org/10.3390/drones9080548
Sun, S. (2025), "LSTM-DDPG-Based Dynamic Obstacle Avoidance for UAVs in Power Distribution Networks Using Velocity Obstacle Modeling", Informatica, 49(35). DOI: https://doi.org/10.31449/inf.v49i35.12192
Kuchuk, H., Kalinin, Y., Dotsenko, N., Chumachenko, I., Pakhomov, Y. (2024), "Decomposition of integrated high-density IoT data flow", Advanced Information Systems, Vol. 8, No. 3, pp. 77-84, DOI: https://doi.org/10.20998/2522-9052.2024.3.09
Semenov, S., Mozhaiev, O., Kuchuk, N., Mozhaiev, M., Tiulieniev, S., Gnusov, Yu., Yevstrat, D.,Chyrva, Y., Kuchuk, H. (2022), "Devising a procedure for defining the general criteria of abnormal behavior of a computer system based on the improved criterion of uniformity of input data samples", Eastern-European Journal of Enterprise Technologies, Vol. 6(4-120), pp. 40-49, DOI: https://doi.org/10.15587/1729-4061.2022.269128
Wang, L., Zhuang, X., Zhang, W., Cheng, J., Zhang, T. (2024), "Coverage Path Planning for UAVs: An Energy-Efficient Method in Convex and Non-Convex Mixed Regions". Drones, 8(12), 776 р. DOI: https://doi.org/10.3390/drones8120776
Al-Haddad, LA, Łukaszewicz, A, Majdi, HS. (2025), "Energy consumption and efficiency degradation predictive analysis in unmanned aerial vehicle batteries using deep neural networks". Advances in Science and Technology Research Journal, 19(5), рр. 21-30. DOI: 10.12913/22998624/201346
Semenov, S., Krupska-Klimczak, M., Wasiuta, O., Krzaczek, B., Mieczkowski, P., Głowacki, L., Yu, J., He, J., Chernykh, O. (2025), Intelligent Assurance of Resilient UAV Navigation Under Visual Data Deficiency for Sustainable Development of Smart Regions. Sustainability,17(13), 6030 р. DOI: https://doi.org/10.3390/su17136030
Semenov, S., Voloshyn, D. Lymarenko, V., Semenova, A., Davydov, V. (2019), "Method of UAVs Quasi-Autonomous Positioning in the External Cyber Attacks Conditions," 2019 10th International Conference on Dependable Systems, Services and Technologies (DESSERT), Leeds, UK, pp. 149-153, DOI: 10.1109/DESSERT.2019.8770024
Yena, M. (2024), "Uav urban mobility control: swarm intelligence and collision avoidance". Innovative technologies and scientific solutions for industries, 4(30), рр. 59-66. DOI: https://doi.org/10.30837/2522-9818.2024.4.059
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Наше видання використовує положення про авторські права Creative Commons для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
Автори мають право укладати самостійні додаткові угоди щодо не комерційного та не ексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису опублікованої роботи, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.
