Содержание к диссертации
Введение
Глава 1. Анализ существующих алгоритмов планирования полета беспилотных летательных аппаратов и постановка задачи диссертационной работы 5
1.1 Обзор существующих методов поиска оптимального маршрута при одиночном полете БЛА 6
1.2 Актуальность работы 12
1.3 Цель работы
1.4 Основные положения, выносимые на защиту и их научная новизна, достоверность и практическая ценность 14
1.5 Апробация 17
1.6 Структура диссертационной работы 18
Глава 2. Применение динамического программирования для маршрутизации облета неподвижных пунктов при мониторинге наземной обстановки вконтролируемом регионе 19
2.1 Постановка задачи 20
2.2 Предложенный подход к решению задачи с помощью динамического программирования
2.3 Вычисление ординат минимального риска в различных полетных ситуациях 24
2.4 Приближенный аналитический синтез функции Беллмана в задаче маршрутизации полета 31
2.5 Аппроксимация функции Беллмана и пример работы полученного алгоритма маршрутизации
2.6 Моделирование облета группы неподвижных объектов 35
2.7 Выводы по главе 2 40
Глава 3. Применение динамического программирования для маршрутизации облета мобильных объектов в контролируемом регионе 41
3.1 Постановка задачи 41
3.2 Предложенный подход к решению задачи с помощью динамического программирования 3.3 Вычисление ординат минимального риска в различных полетных ситуациях 44
3.4 Приближенный аналитический синтез функции Беллмана в задаче маршрутизации полета 51
3.5 Аппроксимация функции Беллмана и пример работы полученного алгоритма маршрутизации 55
3.6 Моделирование алгоритмов расчета функции штрафа для мобильных объектов 57
3.7Выводы по главе 3 61
Глава 4. Применение фильтра Калмана для оценки параметров бокового ветра 62
4.1 Оценка вектора состояния беспилотного летательного аппарата 65
4.2 Построение фильтра 66
4.3 Результаты моделирования 70
4.4 Выводы по главе 4 76
Глава 5. Разработка программы для расчета маршрута облета объектов 77
5.1 Архитектура программы 77
5.2 Поиск оптимального маршрута полета ЛА с использованием полного перебора 79
5.3 Бортовой алгоритм без учета динамики БЛА 87
5.4 Реализация модуля расчета маршрута с помощью предложенного метода 87
5.5 Проверка работы программы расчета маршрута БЛА 88
5.6 Выводы по главе 5 96
Заключение 98
Список использованной литературы: 99
- Основные положения, выносимые на защиту и их научная новизна, достоверность и практическая ценность
- Вычисление ординат минимального риска в различных полетных ситуациях
- Аппроксимация функции Беллмана и пример работы полученного алгоритма маршрутизации
- Бортовой алгоритм без учета динамики БЛА
Введение к работе
Актуальность работы. Существующие в настоящее время подходы к решению задачи планирования маршрута полета в первую очередь относятся к процессу поочередного облета и наблюдения неподвижных объектов. Известно множество методов маршрутизации, начиная от метода ветвей и границ, и заканчивая нейросетевыми алгоритмами планирования, когда в исходных данных указаны координаты местоположения наблюдаемых объектов.
Однако в этих методах недостаточное внимание уделено ограниченным динамическим возможностям летательного аппарата (ЛА), а их учет приводит к сильным изменениям плана облета объектов, когда на каждом шаге планирования в исходных данных, кроме объектов, нужно иметь в виду направление и значение скорости самого ЛА. Эта особенность также характерна и для беспилотной авиации с тем отличием, что, в случае внезапных изменений динамической обстановки, перепланирование полета должно осуществляться без участия человека.
Еще большие трудности возникают при планировании облета мобильных объектов. Во-первых, для попадания очередного подвижного объекта в окрестность или «окно» наблюдения бортовой аппаратуры беспилотного летательного аппарата (БЛА) необходимо прогнозировать его движение, а для этого в исходных данных объекта нужно учитывать не только исходные координаты местоположения объекта, но и вектор скорости его движения. Во-вторых, более существенное осложнение состоит в том, что в случае нарушения не самого первоначального маршрута облета, а графика полета, например, из-за действия ветра, время прогнозирования меняется, а
значит, и новое местоположение пунктов требует повторного перепланирования маршрута.
В итоге учет векторов скорости БЛА и наземных объектов требует новых подходов к решению задачи планирования полета, которые малоизученны и являются актуальными.
Целью данной диссертационной работы является повышение эффективности планирования полета БЛА с учетом динамических свойств как самого ЛА, так и наземных объектов, если они движутся в заданных направлениях.
Для достижения этой цели решены следующие задачи:
-
Сформулирована постановка задачи и найдено приближенное аналитическое решение при вычислении области притяжения (или приоритетного выбора очередного объекта наблюдения) при облете неподвижных объектов, учитывая при этом направление вектора скорости БЛА и ограничения бокового маневра;
-
Получено новое правило приоритетного альтернативного выбора одного из подвижных объектов с учетом не только его близости, но и направления движения;
-
Исследовано влияние ветра на процесс планирования, и показано, что, в первую очередь, его нужно учесть как при прогнозе полета БЛА, так и непосредственно при управлении полетом, чтобы минимизировать вызванный ветром промах при пролете над планируемым объектом наблюдения. Для этой цели сформирован идентификатор ветровых возмущений, введенный в контур управления боковым движением БЛА;
-
Составлена и отлажена программа на ЭВМ для оперативного планирования маршрута облета неподвижных и мобильных
наземных объектов, и с помощью моделирования показана высокая эффективность ее работы.
В работе на защиту выдвинуты следующие научные положения:
-
Алгоритм вычисления области притяжения для приоритетного выбора очередного неподвижного объекта при заданном текущем направлении полета БЛА;
-
Алгоритм вычисления области притяжения для приоритетного , выбора очередного подвижного объекта наблюдения при заданных направлениях его движения и полета БЛА;
-
Идентификатор путевого угла БЛА и угла бокового ветра, формирующий необходимые управляющие сигналы в контуре управления БЛА при горизонтальном полете;
-
Программа оперативного планирования полета БЛА при наблюдении как мобильных, так и неподвижных объектов.
Научная новизна выдвинутых положений определяется следующим:
-
Алгоритму приоритетного выбора неподвижных объектов соответствует область притяжения в виде эллипса, а не круга, как это принято в известном «жадном» алгоритме. При этом главная ось эллипса направлена по вектору скорости БЛА, а его другие параметры вычисляются аналитическим путем в квадратурах и зависят от заданного радиуса кривизны бокового маневра БЛА;
-
Алгоритму приоритетного выбора подвижных объектов таюке соответствует эллипс, главная ось которого направлена в упреждающую точку встречи БЛА с объектом, найденную с помощью процедуры прогноза;
-
Параметры эллипсов притяжения найдены с помощью специального метода рабочей точки для динамического программирования, в окрестности которой для различных полетных ситуаций вычислены ординаты риска, позволившие найти новое решение в квадратурах;
-
Идентификатор параметров бокового движения ЛА и действующего на него ветра сформирован при модификации фильтра Калмана путем «замораживания» его переменных коэффициентов и отличается тем, что с его помощью определяется с высокой точностью сила ветра. Это позволяет скомпенсировать его влияние на полет БЛА по заданной траектории, что важно при наблюдении заданных трасс;
-
Программа планирования полета отличается тем, что при прогнозировании точки встречи вычисляются не только координаты упреждения, но и время достижения БЛА очередного объекта, а это время автоматически входит в расчеты прогнозируемого движения остальных объектов. Поэтому программа планирования формирует не только маршрут, но и график движения, что является новым элементом;
Достоверность полученных результатов определяется следующим. Алгоритмы маршрутизации сформированы с помощью научно-обоснованного метода динамического программирования, при этом найденное решение в виде эллипсов имеет ясный физический смысл - чем ближе объекты наблюдения к полосе, ориентированной по вектору скорости БЛА, тем выше их приоритет включения в план. Идентификатор найден с помощью метода оптимальной калмановскои фильтрации, обеспечивающей наименьшие среднеквадратичные ошибки в оценке как измеряемых, так и неизмеряемых параметров, что 6
соответствует найденным оценкам путевого угла и силы бокового ветра.
Все полученные параметры алгоритмов планирования и идентификации были проверены моделированием на ЭВМ, результаты которого подтверждают достоверность полученных оценок.
Практическая ценность работы состоит в том, что разработанная программа планирования полета БЛА создает принципиально новую возможность прогнозирования полета над контролируемыми мобильными объектами, а использование идентификатора в контуре управления боковым движением БЛА позволяет значительно снизить влияние бокового ветра на пролет БЛА по заданной траектории над контролируемым наземным объектом, который попадает в «окно» наблюдения с максимальной вероятностью.
Достигнутый технический эффект подтвержден актом о внедрении на предприятии ОАО «НИИ Кулон» результатов хоздоговорной НИР, проводимой кафедрой 301 МАИ в 2011 году.
Основные положения, выносимые на защиту и их научная новизна, достоверность и практическая ценность
Генетические алгоритмы [6-8] - метод оптимизации, который основан на принципах, наблюдаемых в природе. Они сочетают в себе такие качества, как высокая скорость работы, малая вероятность остановки в локальных минимумах пространства поиска. Работа генетических алгоритмов основана на принципах естественного отбора и использует множество понятий и определений, заимствованных из генетики. Это такие понятия, как хромосома, ген, приспособленность, мутация, отбор, скрещивание и другие.
В начале работы алгоритма генерируется начальная популяция - набор особей, характеризуемых хромосомами. Каждая хромосома представляет собой строку. В этой строке закодирована информация о маршруте полета БЛА. Например, если у нас имеются 4 объекта, которые необходимо облететь, мы можем закодировать хромосому в виде двоичной строки таким образом, что каждые 2 бита будут представлять собой номер объекта в двоичном коде. От выбора кодировки хромосомы зачастую зависит эффективность применения генетического алгоритма. Например, в нашем случае, в результате работы алгоритма мы будем получать множество восьмибитных строк, большинство из которых не будут годиться для решения задачи, так как некоторые объекты будут учтены несколько раз, а некоторые могут быть вообще не учтены. Соответственно такой вариант кодирования можно считать не очень удачным. После создания начальной популяции (обычно она создается случайным образом) следует отобрать некоторое число особей в качестве родителей для будущих поколений. Существует несколько алгоритмов выбора, однако самым популярным является правило рулетки. Рассмотрим его несколько подробнее.
Для каждой из особей в существующей популяции производится вычисление функции приспособленности (функция, которая является критерием оптимальности того или иного маршрута). После этого колесо рулетки разделяется на сектора, каждый из которых соответствует определенной особи, а его размер пропорционален значению функции приспособленности этой особи. Далее, «запуская» рулетку необходимое число раз, мы отбираем особи в популяцию родителей (если сгенерированное случайное число попадает в сектор, соответствующий определенной особи, то она попадает в популяцию родителей). При этом одна и та же особь может быть выбрана в популяцию родителей несколько раз, таким образом, вероятность наиболее приспособленной особи участвовать в образовании потомства выше, чем у менее приспособленного).
После того, как популяция родителей создана, мы случайным образом отбираем двоих (или более, в зависимости от конкретной реализации алгоритма) и с некоторой вероятностью производим операцию скрещивания. Эта операция заключается в том, что хромосомы двух родителей разделяются на несколько частей (в дальнейшем будем рассматривать случай, когда хромосома разделяется на две части) в точках, называемых точками скрещивания, и обмениваются этими частями. Таким образом, мы получаем две особи следующего поколения (рисунок 1.3).
Операция отбора двух родителей и скрещивания повторяется до тех пор, пока мы не наберем нужное количество особей для следующего поколения.
После окончания операции скрещивания из вновь созданной и предыдущей популяций отбирается некоторое количество лучших особей таким образом, чтобы итоговый размер популяции отобранных особей соответствовал исходному размеру.
Затем производится операция мутации. Она заключается в том, что с очень маленькой вероятностью каждый бит особи может быть изменен на противоположный (рисунок 1.4). Это необходимо для того, чтобы исключить такие ситуации, когда, например, во всей популяции первый бит каждой хромосомы равен нулю, и, таким образом, невозможно получить в результате скрещивания значение единицы на его месте.
Мутация После проведения всех этих операций заканчивается одно поколение генетического алгоритма и производится проверка на условие останова. Условием останова может быть, например, количество выполненных поколений или очень маленькая изменчивость наилучшего решения в нескольких популяциях. Если условие останова не соблюдено, то все операции генетического алгоритма повторяются заново с текущей популяцией. В противном случае наилучшее решение из текущей популяции принимается в качестве оптимального.
Следует заметить, что в большинстве случаев во всех представленных алгоритмах области притяжения (границы которых имеют одинаковый штраф) представляют либо круг, либо неповорачиваемый эллипс независимо от того, в каком направлении движется в данный момент летательный аппарат (ЛА) по отношению к контрольной точке планируемого маршрута. Также в настоящее время крайне мало внимания уделяется учету динамики БЛА при построении маршрута полета, что также негативно сказывается на эффективности планирования, особенно если речь идет о наблюдении за объектами, находящимися на небольшом расстоянии друг от друга.
Вычисление ординат минимального риска в различных полетных ситуациях
Таким образом, если проанализировать все рассмотренные выше полетные ситуации, то можно увидеть, что всего получается 27 различных ординат, а приравнивание их друг другу для оценки 10 искомых коэффициентов р\, у„ Y»fc функции Беллмана представляет трудно обозримое число систем уравнений, равное числу сочетаний С. Поэтому был использован упрощенный подход, для которого дополнительно потребуются так называемые «средние» ординаты риска Сї3 и С2з, вычисленные по формулам c13«o 5(c1t+c1+3-+cf3++c17) С23«0,25(С2з +С2З +L23 + C23)
Приравнивая друг другу ординаты Си и Сгъ согласно изложенной в [5] методике, можно сразу вычислить один из искомых коэффициентов функции Беллмана
Поскольку при приравнивании друг другу ординат риска по условию (2.5) существует избыточное количество вариантов составленных уравнений, используем вначале только ординаты риска при одиночных отклонениях по х, z и а в случаях, не связанных с дальнейшими упрощениями. Это позволяет сразу вычислить коэффициенты yi и уг и получить соотношения, облегчающие дальнейшие расчеты.
Равенства (2.18 - 2.22) потребуются для вычисления остальных 7 коэффициентов функции Беллмана - Рь Рг Рз, Уп, Щз, У\з, К найденных следующим путем. Приравнивая ординаты С -С ;С =С1+;С1+2+ = С{, получим систему трех линейных уравнений, относительно неизвестных
Вычисление оставшихся коэффициентов не представляет трудности. Зная значения \/i2 и у і, из равенства (2.18) находим коэффициент рь из равенства (2.20) при известных значениях \/12 и у2 находим коэффициент р2. Зная значение \/із и условие (2.22), находим коэффициент р3 с помощью равенства (2.21), а коэффициент \/2з при известном значении X определяем из равенства (2.22). Тогда получимЭтим завершается аналитический расчет всех 10 коэффициентов функции Беллмана, вычисляемых по формулам (2.16-2.17), (2.23-2.25). Нужно подчеркнуть, что во все эти формулы входят параметры V и R, характеризующих свойства ЛА, и характеризующие внешнюю среду параметры: д:0 - это среднее значение координат Xj Q = 1... М) этих пунктов, z0 - это среднее значение координат z} (j = \...М) этих пунктов, At - среднее время перелета из одного пункта в другой как фактор насыщенности контролируемого региона.
Наконец, если подставить найденные коэффициенты в само выражение (7) функции риска Fj и приравнять эту функцию некоторой константе, то можно получить границу области притяжения, на которой значение риска одинаково. Полученная геометрическая интерпретация, представленная на рис. 2.7, весьма полезна и указывает на то, что найденная фигура весьма похожа на эллипс, повернутый на угол а. Также при выборе очередного пункта явное предпочтение отдается тем объектам, которые находятся по пути направления полета. Объекты слева и справа менее предпочтительны, а последней по приоритету является часть региона в задней полусфере, что полностью соответствует физическому смыслу решаемой задачи. На рис. 2.7 также показаны две окружности, определяющие область недоступных для наблюдения в данный момент наземных пунктов.
Полученный аналитический результат предполагается использовать на каждом шаге выбора очередного пункта следующим образом. Попав в пункт (/-1), строится прямоугольное окно заданного размера (например, WR х 10R) и внутри определяется состав попавших в него пунктов. Это позволяет найти вначале параметры этих пунктов в окрестности JC0, z0, At. Затем при заданных значениях х, z и а ЛА для каждого пункта у = 1...М вычисляется поочередно функция риска Fj и определяется тот пункт, у которого значение F} минимально. Затем вычисляется новый угол а направления полета, при котором происходит пролет ЛА над новым пунктом. Далее после перелета в этот пункт указанная процедура в алгоритме повторяется. Пример работы полученного алгоритма приведен на рис. 2.8. Z
Таким образом, вычисление функций риска происходит многократно. Поэтому эту процедуру целесообразно упростить. С этой целью воспользуется тригонометрической формулой для описания границы одинакового значения риска в виде эллипса F* =yj[(AXj -a)cos(p + (AZj -b)sin(pf +K[{Azj -b)cos
Аппроксимация функции Беллмана и пример работы полученного алгоритма маршрутизации
Вычисление оставшихся коэффициентов не представляет трудности. Зная значения \\in и уь из равенства (3.16) находим коэффициент {Зі, из равенства (3.18) при известных значениях уц и у2 находим коэффициент (32 Зная значение \/із и условие (3.20), находим коэффициент (Зз с помощью равенства (3.19), а коэффициент Щз при известном значении X определяем из равенства (3.20). Тогда получим l,65ft(l + /Q +0,1(1-/Qx0 4,6/f-l,4 А" V2At Pl V2At x0R(0,35 + 4K)-0,9z0R{\ + K)-x0z0{\,3-5,6K). V2At 3 V2At _0,9R{l + K) + (l,3-6K)x0 Щг " \/2 Этим завершается аналитический расчет всех 10 коэффициентов функции Беллмана, вычисляемых по формулам (3.14-3.15), (3.21-3.23). Нужно подчеркнуть, что во все эти формулы входят параметры V и R, характеризующих свойства ЛА, и характеризующие внешнюю среду параметры: х0 - это среднее значение координат Xj (J = Ї...М) подвижных объектов, ZQ - это среднее значение координат z, (/ = Х...М) этих объектов, At - среднее время перелета из одного объекта в другой как фактор насыщенности контролируемого региона, к{=— - параметры относительной скорости движения объектов.
Наконец, если подставить найденные коэффициенты в само выражение (3.5) функции риска F, и приравнять эту функцию некоторой константе, то можно получить границу области притяжения, на которой значение риска одинаково. Полученная геометрическая интерпретация, представленная на рис. 3.6, указывает на то, что найденная фигура весьма похожа на «скрученный» эллиптический цилиндр, сечение которого есть эллипс, повернутый на угол, равный углу а+Аа,К, где а характеризует полет ЛА, Да, - движение объекта. Поэтому при выборе очередного объекта явное предпочтение отдается тем объектам, которые находятся по пути направления полета, и во вторую очередь - объектам, движение которых соответствует сближению с ЛА. Объекты слева и справа менее предпочтительны, а последней по приоритету является часть региона в задней полусфере, что полностью соответствует физическому смыслу решаемой задачи. Поэтому в общем случае область притяжения - это «скрученный» эллиптический цилиндр, показанный на рис. 3.6.
Полученный аналитический результат предполагается использовать на каждом шаге выбора очередного наземного объекта, назначая включенным в маршрут тот, у которого значение Fj минимально. Пример работы полученного алгоритма приведен на рис. 3.7.
Пример последовательного выбора наблюдаемых объектов. Таким образом, вычисление функций риска происходит многократно. Поэтому эту процедуру целесообразно упростить. С этой целью воспользуется тригонометрической формулой для описания границы одинакового значения риска в виде эллипса F =JUAXJ-cr)cos p + (z4z;-b)sin ] +M\L{Azj-b)cos(p + {Axj -a)sin p] -1 где а и b - координаты центра, М - коэффициент «сжатия» его главных осей, Ф - угол приращения, Аху, Az, - приращения координат местоположения ЛА при перелете в объекту. Если функцию F упростить, то при ее разложении в ряд Тейлора можно получить следующую аппроксимацию F;=rj+ [-a + (M-l)b [-MbHM-l)a p]-ab(p{M l) (3.24) j І і Формула (3.24) удобна для сопоставления с выражением (3.5), в результате чего параметры «повернутого» эллипса оказываются равными а = 1,65/?(1 + /0 + 0Дхо(1-/0; b = z0; р = а + КАа/, М«1,4-4,6К (3.25) Зависимость параметров эллипса а, Ь, (р, Мот х0, z0 также соответствует характеру предпочтения в принятии решений. В формулах (3.11) угол поворота эллипса скорректирован на значение KAaj, нацеливающее в упрежденную точку встречи с подвижным объектом.
Бортовой алгоритм без учета динамики БЛА
Подавляющее большинство современных алгоритмов планирования маршрута полета БЛА, предназначенных для бортового применения в режиме реального времени, не учитывают динамику БЛА, что отрицательным образом сказывается на точности и оптимальности планирования маршрута, особенно при наблюдении за подвижными объектами. Поэтому вторым методом, с которым будет производиться сравнение разработанного алгоритма, будет метод на основе жадного алгоритма, не учитывающий динамику БЛА и мобильность объектов.
Существует несколько вариантов работы жадного алгоритма [24], но, в целом, их принцип сводится к тому, что находится оптимальное решение для каждой локальной задачи, но решение глобальной задачи может в общем случае не являться оптимальным. Для задачи поиска оптимального маршрута это вырождается в то, что следующим всегда выбирается объект, «ближайший» к текущему положению БЛА.
В данной реализации был использован метод, описанный в главах 2-3. При разработке данного модуля были применены следующие допущения:
1. Для упрощения расчетов и снижения вычислительных затрат все вычисления будут производиться в связанной системе координат, таким образом ЛА всегда будет иметь координаты х = 0, z = 0, а = 0;
2. Движение объектов в течение времени, необходимого БЛА для подлета к ним - прямолинейное с постоянной скоростью. Это допущение имеет право на жизнь, так как время полета БЛА сравнительно мало и объекты наблюдения на трассах, железных дорогах и водных путях, как правило, существенно не меняют курс и скорость за это время. 5.5 Проверка работы программы расчета маршрута БЛА
Для проверки работы программы было разработано и промоделировано 20 сценариев. В данной главе представлено 3 сценария, наиболее ярко показывающие положительные и отрицательные стороны каждого из методов. Для первого сценария был выбран список из 5 объектов, за которыми необходимо произвести наблюдение: мост, причал, жилая зона и два катера. Параметры объектов приведены в таблице 5.1.
Маршрут, предложенный в сценарии 1 всеми алгоритмами На данном рисунке красной линией показана траектория БЛА при выполнении предложенного маршрута, красными пунктирными линиями показана траектория движения объектов до точки их встречи с БЛА.
Как видно из результатов, полученных при моделировании сценария №1, алгоритм, построенный на основе метода полного перебора, выполнялся очень долго, что не приемлемо для бортовой реализации. Предложенный подход и жадный алгоритм выполнялись примерно одинаковое время и предложили одинаковый маршрут. В то же время, метод на основе жадного алгоритма дал неправильную оценку времени полета, что может отрицательно сказаться на построении маршрута в условиях, когда время полета близко к максимальному времени полета данного БЛА.
Для второго сценария в объектах из сценария №1 причал был заменен на автомобиль, движущийся по дороге от перекрестка с координатами X = 60 м., Z = 400м. со скоростью 15 м/с. Параметры объектов приведены в таблице 5.3. График движения по маршруту представлен в таблице 5.4 Таблица 5. № объекта Название объекта Х,м Z,M Курс, град. Скорость,м/с 1 Катер №1 50 500 70 30 2 Катер №2 560 205 ПО 5 3 Мост 380 120 - 4 Жилая зона 200 330 - 5 Автомобиль 60 390 190 15 БЛА начал свое движение из точки с координатами X = 0, Z = 600 м. Скорость полета БЛА - 40 м/с, начальный курс - ПО градусов. Точка, в которой БЛА должен завершить свое движение, имеет координаты X = 1000 м., Z = 650 м.
Время полета при моделировании полета по маршруту, показанному на рисунке 5.11, составило 47 секунд.
Время полета при моделировании полета по маршруту, представленному на рисунке 5.12, составило 55 секунд. Рисунок 5.12. Маршрут, предложенный в сценарии 2 жадным алгоритмом
Как видно из полученных результатов, в данном сценарии жадный алгоритм выбрал неверный маршрут, и время полета по нему значительно превысило время полета по маршруту, предложенному двумя другими алгоритмами. Маршруты, предложенные остальными алгоритмами, совпали.
Для третьего сценария было выбрано два мобильных объекта. В этом сценарии проверялась эффективность предложенного метода снижения воздействия бокового ветра на полет БЛА. В таблице 5.7 приведены параметры объектов. БЛА начал свое движение из точки с координатами X = О, Y = 125. Скорость полета БЛА - 40 м/с. Скорость бокового ветра на промежутке времени с 5 до 20 секунд от начала полета составляла 6 м/с. В остальное время ветер отсутствовал.
Были рассмотрены случаи, когда отсутствовал ветер (рис. 5.13, красная линия), когда ветер присутствовал, но был отключен идентификатор угла ветрового сноса (рис. 5.13, синяя линия) и случай, когда присутствовал ветер и идентификатор был включен (рис. 5.13, желтая линия). На рисунке 5.13 красными кругами показаны начальные положения объектов наблюдения. Точки на линиях соответствуют месту перехвата объекта, пунктирные линии - траектории движения объектов.
Из результатов видно, что при компенсации воздействия ветра с использованием данных, получаемых от идентификатора, время полета по маршруту удалось сократить на 16%, что показывает эффективность использования идентификатора в контуре системы управления.
Таким образом, из анализа представленных сценариев можно судить об эффективности предложенного метода построения маршрута полета БЛА при наблюдении за наземными объектами. Маршруты, построенные этим методом, полностью совпали с маршрутами, построенными с помощью метода полного перебора. При этом время вычислений существенно ниже, что позволяет использовать предложенный алгоритм в составе комплекса бортового программного обеспечения и оперативно строить и изменять маршрут в зависимости от обстановки в контролируемом регионе.
Таким образом, было разработано программное обеспечение для интерактивного ввода информации о летательном аппарате и наблюдаемых объектах, параметрах контролируемого региона, расчета оптимального маршрута с помощью определенного алгоритма и вывод полученной информации на интерактивную карту местности. Взаимодействие с модулем расчета маршрута происходит через универсальный интерфейс, поэтому программа может использоваться для работы с любым алгоритмом расчета маршрута, при условии, что его реализация использует аналогичный интерфейс. Помимо этого, с помощью разработанного программного обеспечения было проведено моделирование, показывающее эффективность предложенных алгоритмов построения маршрута полета БЛА.
