Оптическое детектирование перспективных посадочных зон для беспилотного воздушного судна вертолетного типа с помощью самоорганизующихся карт Кохонена

Машиностроение и машиноведение

2022. Т. 29. № 3. С. 209-221.

DOI: 10.34759/vst-2022-3-209-221

Авторы

Альханов Д. С.1*, Кузурман В. А.**, Гоголев А. А.2***

1. Московский государственный технический университет им. Н.Э. Баумана, 2-я Бауманская ул., 5, стр. 1, Москва, 105005, Россия
2. Московский авиационный институт (национальный исследовательский университет), 125993, г. Москва, Волоколамское шоссе, д. 4

*e-mail: daniil.alhanov@yandex.ru
**e-mail: kuzurmanva@student.bmstu.ru
***e-mail: kirbizz8@yandex.ru

Аннотация

При широком применении беспилотных воздушных судов вертолетного типа неизбежно возникает ряд сложностей, наиболее серьезная из них – проблема безаварийной посадки на неподготовленную посадочную площадку в автоматическом режиме, успешное выполнение которой позволит существенно повысить уровень безопасности эксплуатации аппарата. Предлагается несколько основных способов частичного решения данной задачи, однако в полном объеме проблема посадки на неподготовленную площадку не разрешена. Исследуемая задача усложняется ввиду наличия высоты невозврата у воздушного судна вертолетного типа, при прохождении которой в ходе снижения аппарат не сможет осуществить безопасный набор высоты. Хотя процедуры захода на посадку и построения траектории решаются современными системами автоматического управления полетом, критической остается проблема выбора места посадки, особенно, если оно не было проинспектировано заранее в случае расположения в труднодоступной местности или в ходе аварийной ситуации. Ввиду малых габаритных размеров исследуемого в данной работе аппарата, особый интерес представляет мезо- и микрорельеф подстилающей поверхности. Поиск перспективных вариантов посадочных площадок, их дальнейший анализ и определение оптимального варианта дополнительно усложняются отсутствием стандартизированных требований к посадочной зоне для исследуемого класса беспилотных воздушных судов. В статье предложены основные требования к оптимальному варианту посадочной площадки для беспилотного воздушного судна вертолетного типа. Произведен обзор существующих методов определения качества подстилающей поверхности. Предложен метод оптического распознавания перспективных посадочных зон с применением самоорганизующихся карт Кохонена.

Ключевые слова:

беспилотное воздушное судно, автоматизация посадочных процедур, анализ подстилающей поверхности, самоорганизующиеся карты Кохонена

Библиографический список

  1. Byun J.-H., Lee G.-M., Kim S.-H. Design of Experiments for Optimization of Helicopter Flight Tests //Transactions of the KSME C Industrial Technology and Innovation, The Korean Society of Mechanical Engineers. 2014. Vol. 2. No. 2, pp. 113-124. DOI: 10.3795/KSME-C.2014.2.2.113

  2. Гулевич С.П. Летные испытания скоростных беспилотных летательных аппаратов: Монография. – 2-е изд. – М.: Первый том, 2018. – 288 с.

  3. McAteer T., Rice C., Gavin C. Flight test safety — The U.S. navy approach // IEEE Aerospace Conference (28 June 2018; Big Sky, MT, USA). DOI: 10.1109/AERO.2018.8396745

  4. Gregory J.W., Liu T. Introduction to Flight Testing (Aerospace Series). – John Wiley & Sons Ltd, 2021. – 352 p.

  5. Costello D.H., Jewell J., Xu H. Autonomous Flight-Test Data in Support of Safety of Flight Certification // Aerospace Research Central. 2020. Vol. 29. No. 2. DOI: 10.2514/1.D0220

  6. Hallberg E., Kaminer I., Pascoal A. Development of a flight test system for unmanned air vehicles // IEEE Control Systems Magazine. 1999. Vol. 19. No. 1, pp. 55-56. DOI: 10.1109/37.745769

  7. Alaimo A., Esposito A., Orlando C., Tesoriere G. A Pilot Mental Workload Case Study in a Full Flight Simulator // Aerotecnica Missili & Spazio. 2018. Vol. 97, pp. 27–33.

  8. Kantowitz B.H., Campbell J.L. Pilot Workload and Flightdeck Automation // Automation and Human Performance: Theory and Applications. – CRC Press, 2019, 20 p.

  9. Tang L., Si J., Sun L., Mao G, Yu S. Assessment of the mental workload of trainee pilots of remotely operated aircraft using functional near-infrared spectroscopy // BMC Neurol. 2022. No. 1: 160. DOI: 10.1186/s12883-022-02683-5

  10. Евдокименков В. Н., Ким Р. В., Векшина А. Б., Якименко В. А. Исследование индивидуальных особенностей управляющих действий лётчиков в процессе посадки на основе нейросетевых моделей // Вестник Московского авиационного института. 2015. Т. 22. № 3. С. 17-29.

  11. Semkin V., Huhtinen I. Millimeter-wave UAV-based Channel Measurement Setup // IEEE 93rd Vehicular Technology Conference (25-28 April 2021; Helsinki, Finland). DOI: 10.1109/VTC2021-Spring51267.2021.9448737

  12. Miao Y., Fan W., Rodríguez-Piñeiro J., Yin X., Gong Y. Emulating UAV Air-to-Ground Radio Channel in Multi-Probe Anechoic Chamber // IEEE Globecom Workshops (09-13 December 2018; Dhabi, United Arab Emirates). DOI: 10.1109/GLOCOMW.2018.8644381

  13. Burhanuddin L.A., Liu X., Deng Y., Challita U., Zahemszky A. QoE Optimization for Live Video Streaming in UAV-to-UAV Communications via Deep Reinforcement Learning // IEEE Transactions on Vehicular Technology. 2022. Vol. 71. No.5, pp. 5358 – 5370. DOI: 10.1109/TVT.2022.3152146

  14. Zhou H., Hu F., Juras M., Mehta A.B., Deng Y. Real-Time Video Streaming and Control of Cellular-Connected UAV System: Prototype and Performance Evaluation // IEEE Wireless Communications Letters. 2021. Vol. 10. No. 8, pp. 1657–1661. DOI: 10.48550/arXiv.2101.10736

  15. Погосян М.А., Верейкин А.А. Управление положением и движением летательных аппаратов в системах автоматической посадки: Аналитический обзор // Вестник Московского авиационного института. 2020. Т. 27. № 3. С. 7-22. DOI: 10.34759/vst-2020-3-7-22

  16. Иванов П.И., Куринный С.М., Криворотов М.М. Параметры, подлежащие определению в летных испытаниях многокупольной парашютной системы с целью оценки ее эффективности // Вестник Московского авиационного института. 2020. Т. 27. № 3. С. 49-59. DOI: 10.34759/vst-2020-3-49-59

  17. Николаев Е.И., Неделько Д.В., Шувалов В.А., Югай П.В. Применение внешних подушек безопасности на вертолете // Вестник Московского авиационного института. 2019. Т. 26. № 3. С. 91-101.

  18. Журин С.В. Парашютно-реактивная система мягкой посадки с упругим звеном // Вестник Московского авиационного института. 2016. Т. 23. № 1. С. 107-114.

  19. Grlj C.G., Krznar N., Pranjić M. A Decade of UAV Docking Stations: A Brief Overview of Mobile and Fixed Landing Platforms // Drones. 2022. Vol. 6. No. 1: 17. DOI: 10.3390/drones6010017

  20. Bagare S.V., Mirza K., Sharma M. et al. Design of Mobile Docking Mechanism for Unmanned Aerial Vehicles capable of Vertical Take-off and Landing // AIAA Aviation Forum, 2022. DOI: 10.2514/6.2022-4063

  21. Stewart W., Ajanic E., Müller M., Floreano D. How to Swoop and Grasp Like a Bird With a Passive Claw for a High-Speed Grasping // IEEE/ASME Transactions on Mechatronics. 2022. DOI: 10.1109/TMECH.2022.3143095

  22. Kramar V., Kabanov A., Dudnikov S. A Mathematical Model for a Conceptual Design and Analyses of UAV Stabilization Systems // Fluids. 2021. Vol. 6. No. 5: 172. DOI: 10.3390/fluids6050172

  23. Theodore C., Rowley D., Hubbard D. et al. Flight Trials of a Rotorcraft Unmanned Aerial Vehicle Landing Autonomously at Unprepared Sites. – San Jose State Foundation, Jet Propulsion Laboratory, US Army AFDD, 2006.

  24. Takahashi M., Abershitz A., Rubinets R., Whalley M. Evaluation of safe landing area determination algorithms for autonomous rotorcraft using site benchmarking // 67th American Helicopter Society International annual forum (03-05 May 2011; Virginia Beach, Virginia, USA).

  25. Sanfourche M., le Besnerais G., Fabiani P., Piquereau A., Whalley M., Comparison of terrain characterization methods for autonomous UAVs // 65th American Helicopter Society International annual forum (27-29 May 2009, Grapevine, Texas, USA).

  26. Krizhevsky S., Sutskever I., Hinton G.E. ImageNet classification with deep convolutional neural networks // Advances in Neural Information Processing Systems. 2012.

  27. Лунев Е.М. Повышение точности определения навигационных параметров беспилотного летательного аппарата на базе фотограмметрических измерений на этапе посадки // Вестник Московского авиационного института. 2011. Т. 18. № 2. С. 150-159.

  28. Меркишин Г.В., Сливин И.В. Оптико-электронный высотомер для системы посадки самолета // Вестник Московского авиационного института. 2001. Т. 8. № 2. С. 75-82.

  29. Garcia-Pardoa P.J., Sukhatmeb G.S., Montgomery J.F. Towards vision-based safe landing for an autonomous helicopter // Robotics and Autonomous Systems. 2002. Vol. 38. No. 1, pp. 19-29. DOI: 10.1016/S0921-8890(01)00166-X

  30. Федеральные авиационные правила «Требования к посадочным площадкам, расположенным на участке земли или акватории». 2011.

  31. Нормы летной годности гражданских вертолетов СССР (НЛГВ-2) / Междувед. комис. по нормам лет. годности гражд. самолетов и вертолетов СССР. – 2-е изд. – М.: Б. и., 1987. – 410 с.

  32. European Union Aviation Safety Agency, Certification Specifications and Guidance Material for the design of surface-level VFR heliports located at aerodromes that fall under the scope of Regulation (EU) 2018/1139 (CS-HPT-DSN). 2019.

  33. International Civil Aviation Organization, Physical Characteristics – Surface-level Heliports. ICAO Regional Workshop. 2016.

  34. Nath S.S., Mishra G., Kar J. et al. A survey of image classification methods and techniques // International Conference on Control, Instrumentation, Communication and Computational Technologies (10-11 July 2014; Kanyakumari, India). DOI: 10.1109/ICCICCT.2014.6993023

  35. Gonzalez R.C., Woods R.E. Digital Image Processing. – 4th edition. – Pearson, 2017. – 1192 p.

  36. Tajbakhsh N., Shin J.Y., Gurudu S.R. et al. Convolutional neural networks for medical image analysis: Full training or fine tuning? // IEEE Transactions on Medical Imaging. 2016. Vol. 35. No. 5, pp. 1299-1312. DOI: 10.48550/arXiv.1706.00712

  37. Zhao Z., Ma Q. A novel method for image clustering // 10th International Conference on Natural Computation (19-21 August 2014; Xiamen, China), pp. 648-652.

  38. Bernard Y., Hueber N., Girau B. Novelty Detection with Self-Organizing Maps for Autonomous Extraction of Salient Tracking Features // Advances in Self-Organizing Maps, Learning Vector Quantization, Clustering and Data Visualization. 2019, pp 100–109.

  39. Malone J., Mcgarry K., Wermter S., Bowerman C. Data mining using rule extraction from Kohonen self-organising maps // Neural Computing and Applications. 2006. Vol. 15. No. 1, pp. 9-17. DOI: 10.1007/s00521-005-0002-1

  40. Kabra A., Iwahori Y., Usami H. et al. Polyp Classification and Clustering from Endoscopic Images using Competitive and Convolutional Neural Networks // 8th International Conference on Pattern Recognition Applications and Methods (19-21 February 2019, Prague, Czech Republic), pp. 446-452. DOI: 10.5220/0007353204460452

  41. Kohonen T. Essentials of the self-organizing map // Neural networks. 2013. Vol. 37, pp. 52-65. DOI: 10.1016/j.neunet.2012.09.018

  42. Парфентьев К.В. Разработка системы распознавания изображений с использованием самоорганизующихся карт Кохонена // Молодежный научно-технический вестник. 2013. № 11. С. 34.

  43. Гаврилов А.И., Парфентьев К.В. Построение моделей подстилающей поверхности на основе реконструкции данных мультиспектрального мониторинга // XLI Академические чтения по космонавтике (24–27 января 2017; Москва): тезисы докладов. C. 413.

mai.ru — информационный портал Московского авиационного института

© МАИ, 1994-2024