Алгоритмы параметрической идентификации навигационного комплекса малого беспилотного летательного аппарата тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Ху Цяоцу

• Ху Цяоцу
• кандидат наук
• 2023

Оглавление диссертации кандидат наук Ху Цяоцу

СПИСОК СОКРАЩЕНИЯ

ВВЕДЕНИЕ

ГЛАВА 1. НАВИГАЦИОННЫЕ СИСТЕМЫ МАЛЫХ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ

1.1. Типы малых беспилотных ЛА

1.2. Навигационные системы и комплексы малых беспилотных ЛА

1.3. Погрешности навигационных систем и комплексов малых беспилотных ЛА

1.4. Постановка задачи исследования

Выводы по Главе

ГЛАВА 2. МЕТОДЫ ИДЕНТИФИКАЦИИ ПАРАМЕТРОВ НАВИГАЦИОННЫХ СИСТЕМ МАЛЫХ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ

2.1. Обзор компактных алгоритмов параметрической идентификации

2.2. Скалярный подход при синтезе алгоритмов параметрической идентификации

2.3. Компактный алгоритм параметрической идентификации

ошибок ИНС

2.4. Навигационный комплекс с адаптивным нелинейным фильтром Калмана для беспилотных ЛА

Выводы по главе

ГЛАВА 3. МЕТОДЫ ПОВЫШЕНИЯ ТОЧНОСТИ АЛГОРИТМОВ ПАРАМЕТРИЧЕСКОЙ ИДЕНТИФИКАЦИИ ДЛЯ МАЛЫХ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ

3.1. Способы повышения точности алгоритмов идентификации

3.2. Алгоритм идентификации параметров нелинейной модели

3.3. Исследование степени идентифицируемости параметров линейных динамических систем

3.4. Численный критерий степени идентифицируемости параметров нелинейной модели

3.5. Навигационный комплекс с нелинейным фильтром Калмана и процедурой идентификации

3.6. Формирование алгоритмов коррекции навигационного

комплекса малого беспилотного летательного аппарата

Выводы по главе

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ

4.1. Математическое моделирование моделей ошибок ИНС с алгоритмами параметрической идентификации

4.2. Результаты лабораторного эксперимента

4.3. Результаты натурного эксперимента

Выводы по главе

ОБЩИЕ ВЫВОДЫ И ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

АНФК

АО

АФК

БАС

БИНС

БЛА

БЦВМ

ГНСС

ГСП

ДВС

ДИСС

ЛА

МНК

МЭМС

НК

НС

НФК

ПИ

РСБН

РСДН

СВС

СК

СРНС

ФК

GPS

SDC

СПИСОК СОКРАЩЕНИЯ

адаптивный нелинейный фильтр Калмана алгоритм оценивания адаптивный фильтр Калмана беспилотная авиационная система

бесплатформенная инерциальная навигационная система

беспилотный летательный аппарат

бортовая цифровая вычислительная машина

глобальная навигационная спутниковая система

гиростабилизированная платформа

датчик воздушной скорости

доплеровский измеритель скорости и сноса

летательный аппарат

метод наименьших квадратов

микроэлектромеханическая система

навигационный комплекс

навигационная система

нелинейный фильтр Калмана

процедура идентификации

радиотехническая система ближней навигации

радиотехническая система дальней навигации

система воздушных сигналов

система координат

спутниковая радио-навигационная система фильтр Калмана Global Positioning System State Dependent Coefficient

Введение диссертации (часть автореферата) на тему «Алгоритмы параметрической идентификации навигационного комплекса малого беспилотного летательного аппарата»

ВВЕДЕНИЕ

Развитие современных технологий в области аэродинамики, композитных материалов, инерциальных и спутниковых навигационных систем, достижения в области электроники, а также развитие робототехники и компьютерных технологий позволили выйти на качественно новый уровень в создании беспилотных летательных аппаратов (БЛА). БЛА уже нашли свое место в современной деятельности. Среди приоритетных направлений — оборона и спасательные операции, правоохранительная и природоохранная деятельность, научные исследования и экологический мониторинг. Все более актуальны освоение Арктики, работа по охране окружающей среды [37].

БЛА применяют для контроля аварийных ядерных реакторов, для исследования верхних слоев атмосферы, жерл вулканов, эффективно патрулируют сухопутные и морские территории. Во всем мире БЛА играют все большую роль в оборонных программах и оборонной стратегии. Технологические достижения дали возможность развитию как крупных (например Global Hawk, Predator), так и малых БЛА (например Wasp, Nighthawk) со все возрастающими возможностями. Как показали последние военные конфликты, для БЛА существует множество военных областей применения, включая рекогносцировку местности, наблюдение, оценку повреждений в результате боя и ретрансляцию связи [37].

Для обеспечения необходимого уровня решения многих из вышеуказанных задач требуются повышение надежности БЛА, дальнейшее развитие потенциала БЛА, повышение простоты эксплуатации и снижение стоимости. Повышение точности БЛА с минимальными затратами осуществляется алгоритмическим путем [4, 30, 34, 39, 51]. Так как первоисточником ошибок является навигационный комплекс (НК) БЛА [2, 10, 25, 85], то целесообразно корректировать НК с целью уменьшения ошибок определения навигационных параметров и параметров ориентации БЛА.

Современное алгоритмическое обеспечение НК включает алгоритмы

управления, оценивания, идентификации, построения моделей и комплексирования. Одним из направлений совершенствования алгоритмического обеспечения НК БЛА является использование в нем моделей с улучшенными характеристиками [26, 35], в частности моделей с повышенными степенями идентифицируемости [29, 44, 47, 53].

Исследован НК БЛА малого класса, который используется для мониторинга подстилающей поверхности земли, в городских условиях в интересах МЧС и пожарной охраны. К малому классу относятся БЛА российской компании ZALA, китайской компании DJI и др. НК БЛА должны обладать высокой точностью определения навигационных параметров для эффективного функционирования специализированной измерительной аппаратуры.

Современные НК БЛА исследуемого класса состоят из инерциальной навигационной системы (ИНС), приемника GNSS-сигналов и спецвычислителя, в котором реализуются алгоритмы обработки информации ИНС и GNSS, а также управления БЛА [46, 55, 83, 91]. На малых БЛА устанавливают спецвычислители (микроконтроллеры) версии STM32 (ARM Cortex-M). Разработанный в Нанкинском университете науки и технологий БЛА FH-80 снабжен НК ИНС/GPS NC-30. НК имеет погрешности, связанные с незащищенностью радиоканала и применением ИНС низкого класса точности. В условиях активных и пассивных помех сигнал GPS становится сопоставим по точности с ИНС. При эксплуатации БЛА в условиях города возникают погрешности НК, обусловленные отраженными от строений сигналами GPS и пассивными помехами работающей аппаратуры, ошибками ИНС, которые вызваны нестабильностью MEMS-элементов.

Повышение точности имеющегося НК необходимо проводить алгоритмическим путем. Обычно алгоритмическое обеспечение НК включают линейный фильтр Калмана [73, 75] или его адаптивные модификации [15], проводящий оценивание погрешностей ИНС и последующую компенсацию в выходном сигнале системы. Используемая в фильтре Калмана модель определяет связи погрешностей ИНС.

Бесплатформенные ИНС (БИНС), выполненные на базе МЕМ^--элементов,

отличаются экономичностью, но их погрешности носят явно выраженный нелинейный характер [32]. Платформенные ИНС хорошо отработаны на практике, но имеют большую стоимость, габариты и массу.

Для повышения точности навигационных определений БЛА применяется совместная обработка нескольких навигационных систем (НС), объединенных в НК. Наиболее распространенная конфигурация НК малого БЛА состоит из ИНС, GPS и фильтра Калмана (ФК). С помощью ФК осуществляется оценка погрешностей ИНС и последующая компенсация в выходном сигнале системы [19, 21, 75].

Коррекция НК с помощью ФК отличается относительной простотой реализации и невысокой точностью. Упрощение реализации алгоритмического обеспечения проводится с помощью скалярного подхода О.С. Салычева, который позволяет представить ФК в виде формул с переменными коэффициентами, что несколько снижает точность оценивания, но существенно упрощает процесс получения оценок погрешностей ИНС [38].

Высокоточная коррекция НК осуществляется при помощи нелинейного фильтра Калмана (НФК) [32, 42, 49, 64]. В условиях маневрирования БЛА априорные нелинейные модели изменения погрешностей ИНС становятся неадекватными реальному процессу, поэтому применяют модификации НФК [32, 43, 50], которые проводятся при помощи нейронных сетей, генетических алгоритмов и алгоритмов самоорганизации [49, 50, 54, 92].

Алгоритмы построения моделей позволяют построить модель исследуемого процесса с высокой точностью, но эти модели являются нефизичными, их структура заранее неизвестна и в процессе построения модели постоянно изменяется. Алгоритмы построения моделей требуют повышенной производительности бортового вычислителя, поэтому их использование в рассматриваемой задаче затруднительно.

Упрощение бортовой реализации алгоритмов оценивания достигается с помощью идентификации моделей оцениваемого процесса, например, применением метода наименьших квадратов (МНК), но при этом точность

оценивания снижается по сравнению с упомянутыми модификациями НФК.

Таким образом, при маневрировании малых БЛА для сохранения адекватности модели погрешностей ИНС необходимо осуществлять параметрическую идентификацию модели. Для параметрической идентификации нелинейных моделей предложено использовать State Dependent Coefficient (SDC)-представление [5], позволяющее представить нелинейную модель в виде нелинейной модели с линейной структурой.

Алгоритмы идентификации позволяют определить отдельные параметры матрицы модели, структура которой задана априори.

Точность определения параметров модели зависит от свойств матрицы модели и точности алгоритма идентификации. Выбор используемого алгоритма идентификации определяется из соображений возможностей реализации в имеющемся вычислителе - спецвычислителе или бортовой цифровой вычислительной машине (БЦВМ).

Известны различные способы определения идентифицируемости, позволяющие определить принципиальную возможность осуществления процедуры идентификации [3, 11, 12]. Большой вклад в теорию идентифицируемости внесёл Н.А. Балонин. Критерии качества идентификации или степени идентифицируемости исследовали Шэнь Кай, Пьо Си Тху [16, 31, 52, 53].

Для повышения точности измерительной информации, получаемой посредством ИНС и НК, применяются различные алгоритмы коррекции, которые реализуются в спецвычислителях или БЦВМ БЛА. Современный уровень вычислительной техники позволяет реализовать на борту БЛА сложные алгоритмы коррекции, включающие математические модели погрешностей используемых измерительных систем (обычно модели погрешностей измерительных систем). В практических приложениях некоторые параметры матриц этих моделей достоверно неизвестны, поэтому осуществляется их идентификация. Определение качества идентификации параметров модели позволяет осуществить выбор наиболее точных моделей, оценить точность

коррекции измерительных систем, т.е. представляет собой важную и актуальную задачу.

Целью работы является разработка и исследование компактных алгоритмов параметрической идентификации и их использование в задаче коррекции навигационного комплекса малого беспилотного летательного аппарата.

Задачи, решаемые в диссертации. Для достижения поставленной цели в диссертации решаются следующие основные задачи:

1. Формирование компактных алгоритмов коррекции НК малого БЛА.

2. Исследование критериев степени идентифицируемости параметров нелинейных математических моделей;

3. Разработка критерия степени идентифицируемости параметров нелинейных моделей динамических систем;

4. Исследование свойств моделей, используемых в алгоритмах коррекции НС и НК;

5. Реализация разработанных алгоритмов в задаче коррекции ИНС.

На защиту выносятся:

1. Компактная процедура идентификации с улучшенными характеристиками идентифицируемости параметров SDC-моделей динамических объектов, основанная на скалярном представлении моделей.

2. Оригинальный численный критерий степени идентифицируемости параметров нелинейных SDC-моделей динамических систем, основанный на использовании свойств матрицы наблюдаемости.

3. Функциональная схема коррекции НК с НФК и процедурой идентификации, а также способом формирования математических моделей с улучшенными степенями идентифицируемости параметров.

4. Алгоритм коррекции НК малого БЛА с высокоточными математическими моделями и улучшенными характеристиками параметрической идентифицируемости.

Научная новизна проведенных исследований заключается в результатах проведенного системного анализа подходов, способов и критериев определения

степени идентифицируемости параметров математических моделей НК малых БЛА.

Разработана простая процедура параметрической идентификации с использованием моделей с улучшенными характеристиками идентифицируемости. На основе проведенного анализа предложен оригинальный численный критерий степени идентифицируемости параметров нелинейных математических моделей, представленных посредством SDC-метода. Разработанный критерий отличается универсальностью, компактностью и простотой в использовании на практике.

Разработан способ формирования алгоритмов коррекции НК, позволяющий использовать математические модели погрешностей ИНС с улучшенными степенями идентифицируемости параметров.

Практическая ценность результатов диссертационной работы состоит в разработке способов и алгоритмов повышения точности НК малого БЛА, основанных на применении моделей с улучшенными степенями идентифицируемости параметров, которые неизвестны или достоверно неизвестны.

Разработанный алгоритм коррекции с высокоточными математическими моделями позволяет повысить точность ИНС и НК малого БЛА.

Разработанный способ формирования математических моделей может быть использован в алгоритмах обработки информации ИНС различных классов, а также разнообразных систем управления динамических объектов.

Материалы диссертации использованы при реализации научных исследовательских проектов в Nanjing Huaman Institute of information technology, КНР и в учебном процессе факультета Информатики и систем управления кафедры систем автоматического управления МГТУ им. Н.Э. Баумана.

Достоверность полученных в диссертации результатов и выводов обеспечивается достаточно глубокой теоретической проработкой известных подходов, использованием апробированных методов, корректностью математических выводов при разработке критерия идентифицируемости, а также

согласованностью полученных результатов с данными полунатурного моделирования с реальными ИНС и с известными данными, опубликованными в открытой печати.

Для исследований применялись методы теории управления и теории случайных процессов, теории навигации, а также вычислительные методы, математическое и полунатурное моделирование, результаты летного эксперимента.

Внедрение результатов работы. Результаты диссертационного исследования, а также разработанные алгоритмы коррекции, идентификации были использованы в учебном процессе на кафедре «Системы автоматического управления» МГТУ им. Н.Э. Баумана и при реализации научных исследовательских проектов в Nanjing Huaman Institute of information technology (Нанкин, КНР).

Апробация работы. Результаты диссертации докладывались на международных конференциях: 2018 Global Smart Industry Conference (Челябинск, 2018 г.); X Всероссийская конференция молодых ученых и специалистов «Будущее машиностроения России» (Москва, 2018 г.) и XII Всероссийская конференция молодых ученых и специалистов «Будущее машиностроения России» (Москва, 2020 г.), на научном семинаре кафедры систем автоматического управления МГТУ им. Н.Э. Баумана.

Публикации. По теме диссертации опубликовано 13 работ, в том числе 7 статей в научных изданиях, входящих в Перечень ВАК и 1 работа, индексированная в базе Scopus, общим объемом 6,4 п.л./3,3 п.л..

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, общих выводов, заключения, списка используемой литературы и приложения. Текст диссертации изложен на 145 машинописных страницах, содержит 25 рисунков. Список литературы содержит 98 источников.

Во введении обоснована актуальность диссертационной работы, сформулирована ее цель, приведены задачи, решаемые в диссертации, научная новизна, положения, выносимые на защиту, практическая ценность,

достоверность полученных результатов, а также апробация работы и ее структура.

В первой главе диссертации представлены НС и НК малых БЛА. Рассмотрены типы малых БЛА и особенности установленных на них НС. Исследованы погрешности НС и НК малых БЛА. Выделен конкретный тип малых БЛА, установленный на нем НК подлежит дальнейшему исследованию.

Современные НК БЛА исследуемого класса состоят из ИНС, приемника GPS-сигналов и спецвычислителя, в котором реализуются алгоритмы обработки информации ИНС и GPS, а также управления БЛА. На малых БЛА устанавливают спецвычислители (микроконтроллеры) версии STM32 (ARM Cortex-M). Разработанный в Нанкинском университете науки и технологий БЛА FH-80 «Пегас» снабжен НК ИНС/GPS NC-30. НК имеет погрешности, связанные с незащищенностью радиоканала и применением ИНС низкого класса точности. В условиях активных и пассивных помех сигнал GPS становится сопоставим по точности с ИНС. При эксплуатации БЛА в условиях города возникают погрешности НК, обусловленные отраженными от строений сигналами GPS и пассивными помехами работающей аппаратуры, ошибками ИНС, которые вызваны нестабильностью MEMS-элементов.

Использование более точных ИНС приводит к существенному удорожанию БЛА, поэтому повышение точности НК целесообразно проводить алгоритмическим путем. Используется алгоритмическое обеспечение НК исследуемого БЛА в двух вариантах: включает линейный ФК или НФК. С помощью ФК и НФК осуществляется оценивание погрешностей ИНС и последующая их компенсация в выходном сигнале НК. В ФК используется классическая линейная модель погрешностей ИНС и определение ковариационной матрицы входного шума с помощью обновляемой последовательности. Для более точного оценивания погрешностей ИНС применяется НФК. В НФК используется нелинейная модель погрешностей ИНС. Применение НФК сопряжено с повышенными вычислительными затратами, которые компенсируются за счет сокращения вычислительных ресурсов, отводимых в спецвычислителе под реализацию других алгоритмов.

В практических приложениях при маневрировании БЛА модели погрешностей ИНС становятся неадекватными реальным процессам. Поэтому в НК исследуемого БЛА применяются процедуры параметрической идентификации (ПИ) для линейных и нелинейных систем. ПИ нелинейных моделей осуществляется с применением SDC-представления.

Целесообразно разработать способы повышения точности ПИ с помощью критериев степени параметрической идентифицируемости.

Обоснована развернутая постановка задачи диссертационного исследования.

Вторая глава посвящена исследованию компактных алгоритмов параметрической идентификации.

Математические модели, полученные на основе физических или каких-либо других законов, в практических приложениях, как правило, не всегда точно отражают исследуемые процессы. Поэтому для уточнения структуры и параметров математической модели применяются различные алгоритмы идентификации и алгоритмы построения моделей. Алгоритмы параметрической идентификации позволяют определить отдельные параметры матрицы модели, структура модели задана априори. В качестве алгоритмов построения моделей часто используются наиболее точные алгоритмы: нейронные сети, методы самоорганизации и генетические алгоритмы. Алгоритмы построения моделей позволяют построить модель исследуемого процесса с высокой точностью, но эти модели являются нефизичными, их структура заранее неизвестна и в процессе построения модели постоянно изменяется. Алгоритмы построения моделей требуют повышенной производительности бортового вычислителя, поэтому их использование в рассматриваемой задаче затруднительно.

Для упрощения реализации алгоритмов параметрической идентификации применен известный скалярный подход. Представлен скалярный алгоритм параметрической идентификации, который использован в качестве базового алгоритма для модернизации. Разработана процедура параметрической идентификации, отличающаяся простотой реализации.

НК БЛА FH-80 снабжен алгоритмическим обеспечением, позволяющим существенно повысить точность навигационных определений.

Представленное алгоритмическое обеспечение НК позволяет идентифицировать неизвестные коэффициенты модели погрешностей ИНС в полете малого БЛА. Модель с идентифицированными параметрами используется в НФК при оценке погрешностей ИНС.

Недостатком процедуры параметрической идентификации является низкая точность, в частности обусловленная влиянием измерительных шумов. Способы повышения точности параметрической идентификации представлены в третьей главе диссертации.

Рассмотрены наиболее популярные способы повышения точности идентификации. Одним из перспективных подходов при решении задачи повышения точности идентификации является использование моделей с повышенными характеристиками идентифицируемости.

Исследованы известные способы определения степени идетифицируемости.

В критерии степени идентифицируемости мерой качества идентификации является скаляр. Эта особенность выгодно отличает предложенный критерий от известных, так как позволяет проводить сравнение степеней идентифицируемости разных моделей.

Под степенью идентифицируемости понимается интервал времени, за который можно идентифицировать параметр с заданной точностью и возможную достижимую точность определения параметра. Для вычисления степени идентифицируемости параметров нелинейной модели используют различные подходы линеаризации, в частности SDC-представление.

Для уменьшения приведенного измерительного шума, так же, как и в линейной постановке задачи, предлагается улучшить степень параметрической идентифицируемости параметров используемой модели. Предложен критерий степени идентифицируемости параметров модели.

Критерий отличается простотой и удобен в практических приложениях.

В четвертой главе представлены результаты экспериментальных

исследований разработанных алгоритмических решений. Представлены результаты моделирования погрешностей интегрированной ИНС и их оценки.

Для того, чтобы проверить работоспособность предложенного алгоритма были проведены натурные испытания БЛА FH-80 с НК, снабженным различными алгоритмами. FH-80 - это БЛА вертикального взлета и посадки (Vertical Take-Off and Landing, VTOL), который может взлетать и садиться при нулевой горизонтальной скорости.

Результаты математического, полунатурного моделирования, а также летных экспериментов продемонстрировали работоспособность и достаточно высокую точность алгоритмов, использующих математические модели с улучшенными степенями идентифицируемости.

Заключение содержит перечень основных новых результатов диссертационной работы.

ГЛАВА 1. НАВИГАЦИОННЫЕ СИСТЕМЫ МАЛЫХ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ

1.1. Типы малых БЛА

В соответствии со стандартами ICAO (International Civil Aviation Organization, Международная организация гражданской авиации) и STANAG (Standardization Agreement, Соглашение по стандартизации) БЛА [18] -подразумевается самолет, который работает без человека-пилота и экипажа на борту.

Под беспилотной авиационной системой (БАС) подразумевается система, содержащая отдельные системные элементы, состоящие из БЛА, станции управления и любые другие системные элементы, необходимые для выполнения полёта, такие как каналы передачи данных контроля и управления, система связи и элементов взлета и посадки. БЛА могут быть многократного или однократного применения для взлета и посадки в составе БАС. Под беспилотным авиационным комплексом (БАК) подразумевается комплекс, включающий одну и более БАС.

Большинство исследований (Austin, 2011; Anderson, 2013; Cai et al., 2014; Gupta et al., 2013; Hassanalian et al. 2017; Weibel, 2014) классифицируют БЛА как БЛА с большой высотой и длительным сроком службы, со средней высотой и длительным сроком службы, тактические БЛА, малые БЛА, а также мини- и микро-БЛА [87].

Параметры, используемые для классификации, включают срок службы, дальность полета, высоту и вес с небольшими отклонениями. Среди авторов есть определенное единообразие в классификации более крупных БЛА, таких как RQ-4 Global Hawk и MQ-1 Predator. Даже для микро- или миниатюрных БЛА, таких как БЛА «Black Widow», классификация является более или менее стандартной. Однако, когда дело доходит до различения малых, мини- и микро-БЛА, границы размыты. Малый БЛА охватывает широкий спектр и, может быть, либо

тактическим БЛА, либо мини-БЛА, либо даже микро-БЛА. На рисунке 1.1 представлен спектр современных БЛА.

Рис. 1.1. Спектр современных БЛА Weibel (2014) Международной ассоциацией по беспилотным летательным системам UVSI (Association for Unmanned Vehicle Systems International, до 2004 года она называлась Европейской ассоциацией по беспилотным системам - EURO UVS) была предложена универсальная классификация БЛА (см. Таблица 1) [17].

Приведенная выше классификация на сегодняшний день распространяется, как на существующие, так и на будущие разрабатываемые модели БЛА. В основном эта классификация сложилась к 2000 г., когда беспилотные аппараты только набирали популярность, но с тех пор много раз пересматривалась. Ее и сейчас нельзя считать устоявшейся. Кроме того, многие особые типы БЛА с нестандартными комбинациями параметров трудно отнести к какому-либо определенному классу.

Для сравнения, на сегодняшний день сложилась и Российская классификация БЛА [18], которая ориентирована преимущественно, пока только на военное назначение аппаратов (см. Таблица 2):

Универсальная классификация БЛА по UVSI

Группа Категория Взлетная масса, кг Дальность полета, км Высота полета, м Продолжительность полета, ч

Малые БЛА Нано-БЛА < 0,025 < 1 100 < 0,5

Микро-БЛА < 5 < 10 250 1

Мини-БЛА 20-150 < 30 150 - 300 < 2

Легкие БЛА для контроля переднего края обороны 25-150 10-30 3000 2-4

Легкие БЛА с малой дальностью полета 50-250 30-70 3000 3-6

Средние БЛА 150-500 70-200 5000 6-10

Тактические Средние БЛА с большой продолжительностью полета 500-1500 >500 8000 10-18

Маловысотные БЛА для проникновения в глубину обороны противника 250-2500 >250 50-9000 0,5-1

Маловысотные БЛА с большой продолжительностью полета 15-25 >500 3000 >24

Средневысотные БЛА с большой продолжительностью полета 1000-500 > 500 5000-8000 24-48

Высотные БЛА с большой продолжительностью полета 2500-5000 > 2000 20000 24-48

Стратегические Боевые (ударные) БЛА >1000 1500 12000 2

БЛА, оснащенные боевой частью (летательного действия) 300 4000 3-4

БЛА - ложные цели 150-500 0-500 50-5000 < 4

Специального назначения Стратосферные БЛА > 2500 > 2000 > 20000 > 48

Экзостратосферные БЛА >30500

Российская классификация БЛА

Категория Взлетная масса, кг Дальность действия, км

Микро и мини-БЛА ближнего действия 0-5 25-40

Легкие БЛА малого радиуса действия 5-50 10-70

Легкие БЛА среднего действия 50-100 70-150 (250)

Средние БЛА 100-300 150-1000

Средне - тяжелые БЛА 300-500 70-300

Тяжелые БЛА среднего радиуса действия < 500 70-300

Тяжелые БЛА большой продолжительности полета < 1500 1500

Беспилотные боевые самолеты < 500 1500

Российская классификация отличается от предложенной UVS International по ряду параметров - упразднены группы БЛА, некоторые классы зарубежной классификации отсутствуют в РФ, легкие БЛА в России имеют значительно большую дальность и т.д.

JCGUAV НАТО представил в сентябре 2009 г. руководство по классификации [66], основанное на средний взлетный вес (см. Таблица 3). Все БЛА делятся на три класса: класс I для тех, кто весит менее 150 кг, класс II для тех, кто находится в диапазоне 150-600 кг, и класс III для тех, кто превышает 600 кг. Класс I подразделяется на малый (20-150 кг), мини (2-20 кг) и микро. Класс III также подразделяется, но в зависимости от операционной роли БЛА.

Поскольку беспилотные системы в первую очередь разрабатывались для военных целей, на классификацию повлияли тактические параметры страны. Следовательно, среди авторов и исследователей нет единого мнения относительно классификации БЛА и параметров, определяющих классификацию [87].

Руководство НАТО по классификации БЛА с совещания

JCGUAV в сентябре 2009 г. (Источник: The Joint Air Force Competence Centre (2010))

Класс Категория Нормальная рабочая высота Нормальный радиус миссии Примеры платформ

Класс I (< 150 kg) Малые > 20 кг до 5,000 футов (~1500м) НУЗ 50 км (LOS) Luna, Hermes 90

Мини 2-20 кг До 3,000 футов (~900м) НУЗ 25 км (LOS) Scan EHY3e, Skylark, Raven, DH3, Aladin, Strix

Список литературы диссертационного исследования кандидат наук Ху Цяоцу, 2023 год

СПИСОК ЛИТЕРАТУРЫ

1. Абакумов А.В., Гуцевич Д.Е., Ермаков Р.В., и др. Особенности конструирования пилотажно-навигационных комплексов для малых беспилотных летательных аппаратов различного типа // XXIV САНКТ-ПЕТЕРБУРГСКАЯ МЕЖДУНАРОДНАЯ КОНФЕРЕНЦИЯ ПО ИНТЕГРИРОВАННЫМ НАВИГАЦИОННЫМ СИСТЕМАМ, 2017. С. 142-152.

2. Августов Л.И. и др. Навигация летательных аппаратов в околоземном пространстве. М.: Научтехлитиздат, 2015. 589 с.

3. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Исследование зависимостей: справочное издание. М.: Финансы и статистика, 1985. 487 с.

4. Андреев В.Д. Теория инерциальной навигации. Корректируемые системы. М.: Наука, 1967. 697 с.

5. Афанасьев В.Н. Управление нелинейными неопределенными динамическими объектами. М.: Либроком/URSS, 2015. 224 с.

6. Афанасьев В.Н., Колмановский В.Б., Носов В.Р. Математическая теория конструирования систем управления. М.: Высшая школа, 2003. 614 с.

7. Бабич О.А. Обработка информации в навигационных комплексах. М.: Машиностроение, 1991. 512 с.

8. Бабиченко А.В. и др. Интеллектуальные системы управления беспилотными летательными аппаратами // Инженерная физика. 2018. № 5. С. 94-102.

9. Бабиченко А.В. и др. Информационные поля навигационного пространства // Инженерная физика. 2011. № 2. С. 79-97.

10. Бабиченко А.В., Шкред В.К. Основные погрешности инерциальных навигационных систем // Инженерная физика. 2011. № 11. С. 33-52.

11. Балакришнан А.В. Теория фильтрации Калмана: пер. с англ. М.: Мир, 1988. 168 с.

12. Балонин Н.А. Теоремы идентифицируемости. СПб.: Изд-во «Политехника»,

2010. 48 с.

13. Воронов А.А. Устойчивость, управляемость, наблюдаемость. М.: Наука, 1979. 336 с.

14. Голощапов А. Применение МЭМС-технологии в навигации // Компоненты и технологии. 2014. № 4. С. 65-69.

15. Джанджгава Г.И., Голиков В.П., Шкред В.К. Алгоритмы обработки информации серийных самолетных платформенных инерциальных навигационных систем // Авиакосмическое приборостроение. 2008. № 11. С. 4-11.

16. Кай Ш, Неусыпин К А, Пролетарский А В. Разработка критерия степени идентифицируемости параметров модели динамических нестационарных систем // Автоматизация. Современные технологии. 2017. № 10. С. 442-447.

17. Классификация БПЛА по летных характеристикам. [Электронный ресурс] URL:https://docs.geoscan.aero/ru/master/database/constmodule/classification/classificat юп.Мт!^! (дата обращения: 04.09.2021)

18. Корченко А.Г., Ильяш О.С. Обобщённая классификация беспилотных летательных аппаратов // Збiрник наукових праць Харювського ушверситету Повггряних сил. 2012. № 4. С. 27-36.

19. Кузовков Н.Т., Карабанов С.В., Салычев О.С. Непрерывные и дискретные системы управления и методы идентификации. М.: Машиностроение, 1978. 224 с.

20. Кузовков Н.Т., Салычев О.С. Инерциальная навигация и оптимальная фильтрация. М.: Машиностроение, 1982. 216 с.

21. Ли Э.Б., Маркус Л. Основы теории оптимального управления: Пер. с англ./ Под ред. Я.Н.Ройтенберга. М.: Наука, 1972. 576 с.

22. Лян Ц, Чжан С. Нелинейная математическая модель погрешностей БИНС // Автоматизация. Современные технологии. 2015. № 6. С. 8-14.

23. Матвеев В.В. Инерциальные навигационные системы: учеб. пособие. Тула: Изд-во ТулГУ, 2012. 199 с.

24. Нгуен Д.Т. Разработка алгоритмов коррекции навигационных систем летательных аппаратов в условиях аномальных измерениий: дис. ... канд. техн. наук. Москва. 2017. 29 с.

25. Неусыпин А.К. Погрешности инерциальных систем: учеб. пособие. М.: Изд-во МВТУ им. Н.Э. Баумана, 1988. 57 с.

26. Неусыпин К.А. Современные системы и методы наведения, навигации и управления летательными аппаратами. М.: Изд-во МГОУ, 2009. 500с.

27. Неусыпин К.А., Кэ Фан, Дзя Л.С. Управление и наведение ракет, основанное на теории дифференциальной геометрии // Автоматизация и современные технологии. 2012. № 1. С. 16-20.

28. Неусыпин К.А., Пролетарский А.В., Вайс Ю.Л., Шолохов Д.О. Формирование ансамбля критериев селекции компактного алгоритма самоорганизации // Автоматизация и современные технологии. 2012. № 11. С. 14-16.

29. Неусыпин К.А., Пролетарский А.В., Кузнецов И.А. Синтез численного критерия меры идентифицируемости параметров моделей. // Автоматизация. Современные технологии. 2015. № 3. С. 9-13.

30. Неусыпин К.А., Пролетарский А.В., Цибизова Т.Ю. Системы управления летательными аппаратами и алгоритмы обработки информации. М.: Изд-во МГОУ, 2006. 219 с.

31. Неусыпин К.А., Селезнева М. С., Кай Ш., et а1. Разработка численного критерия степени идентифицируемости параметров нелинейной модели атмосферных летательных аппаратов // Автоматизация. Современные технологии. 2018. № 5. С. 223-227.

32. Неусыпин К.А., Шэнь Кай. Модификация нелинейного фильтра Калмана с использованием генетического алгоритма // Автоматизация и современные технологии. 2014. № 5. С. 9-11.

33. Пат. 2263280 Российская Федерация, МПК G01C 23/00. Комплексная информационная система / Бабиченко А.В. [и др.]; заявл. 23.03.2004; опубл. 27.10.2005, Бюл. № 30.

34. Пролетарский А.В., Неусыпин К.А., Шэнь Кай. Алгоритмические способы коррекции автономных инерциальных навигационных систем // Материалы Конференции «Управление в морских и аэрокосмических системах». Санкт-Петербург. 2014. С. 637-641.

35. Пупков К.А., Неусыпин К.А. Вопросы теории и реализации систем управления и навигации. М.: Биоинформ, 1997. 368 с.

36. Распопов В.Я. Микромеханические приборы: учеб. пособие. М.: Машиностроение, 2007. 400 с.

37. Рэндал У. Биард, МакЛэйн У. Тимоти. Малые беспилотные летательные аппараты: теория и практика. М.: Техносфера, 2015. 312 с.

38. Салычев О.С. Скалярное оценивание многомерных динамических систем. М.: Машиностроение, 1987. 216 с.

39. Селезнева М.С. и др. Динамический системный синтез алгоритмического обеспечения навигационного комплекса летательного аппарата // Приборы и системы. Управление, контроль, диагностика. 2017. № 2, С. 2-8.

40. Сергушов И. В., Ермаков Р. В., Ульянина Ю. А. и др. Анализ источников погрешностей навигационной системы малого беспилотного летательного аппарата // Труды Международного симпозиума «Надежность и качество». 2018. № 2.С. 53-57.

41. Степанов О.А. Основы теории оценивания с приложениями к задачам обработки навигационной информации. Ч. 2. Введение в теорию фильтрации. СПб.: ГНЦ РФ ЦНИИ "Электроприбор", 2010. 417 с.

42. Степанов О.А. Применение теории нелинейной фильтрации в задачах обработки навигационной информации. СПб.: ЦНИИ "Электроприбор", 2003. 370 с.

43. Степанов О.А., Асмолов О.С. Байесовское оценивание с использованием нейронной сети // Авиакосмическое приборостроение. 2004. № 6. С. 46-55.

44. Фам Суан Фанг. Разработка алгоритмов с высокой степенью управляемости и наблюдаемости для систем управления летательными аппаратами: дис. ... канд. техн. наук. Москва. 2008. 141 с.

45. Ху Ц. и др. Разработка компактных алгоритмов параметрической идентификации для беспилотных летательных аппаратов // Автоматизация. Современные технологии. 2019. Т. 73. № 10. С. 473-479.

46. Ху Ц. Исследование процедуры параметрической идентификации

погрешностей инерциальной навигационной системы беспилотного летательного аппарата // Автоматизация. Современные технологии. 2021. № 4. С. 183-186.

47. Цибизова Т.Ю., Шэнь Кай, Неусыпин К.А. Исследование алгоритмов оценивания в задаче коррекции навигационных систем летательных аппаратов // Фундаментальные исследования. 2015. № 6 (часть 2). С. 301-305.

48. Чжан Лифэй. Алгоритмы коррекции с повышенными характеристиками наблюдаемости и управляемости для навигационного комплекса летательных аппаратов авианосного базирования: дис. ... канд. техн. наук. Москва. 2022. 114 с.

49. Шахтарин Б.И. Нелинейная оптимальная фильтрация в примерах и задачах. М.: Горячая линия - Телеком, 2014. 344 с.

50. Шахтарин Б.И., Шэнь К., Неусыпин К.А. Модификация нелинейного фильтра Калмана в схеме коррекции навигационных систем летательных аппаратов // Радиотехника и электроника. 2016. Том 61, № 11. С. 1065-1072.

51. Шень К. Разработка высокоточных алгоритмов коррекции навигационных систем летательных аппаратов: дис. ... канд. техн. наук. Москва. 2017. 6 с.

52. Шэнь К. Критерий степени идентифицируемости параметров математической модели нестационарных систем // ББК 1 Е91. 2017. С. 32-37.

53. Шэнь Кай, Неусыпин К.А. Исследование критериев степеней наблюдаемости, управляемости и идентифицируемости линейных динамических систем // Мехатроника, автоматизация, управление. 2016. № 11. С. 723-731.

54. Шэнь Кай, Неусыпин К.А., Пролетарский А.В. Исследование критериев степени наблюдаемости // Материалы Конференции «Информационные технологии в управлении». Санкт-Петербург. 2014. С. 254-260.

55. Шэнь Кай, Селезнева М.С., Неусыпин К.А. Разработка алгоритма коррекции инерциальной навигационной системы в автономном режиме // Измерительная техника. 2017. № 10. С. 16-20.

56. Шэнь Кай. Формирование алгоритмического обеспечения современных систем летательных аппаратов // Труды Восьмой Всероссийской конференции молодых ученых и специалистов «Будущее машиностроения России». Москва. 2015. С. 1087-1089.

57. Эйкхофф П. Основы идентификации систем управления. М.: Мир, 1975. 680 с.

58. Anderson K., & Kevin J.G. Lightweight unmanned aerial vehicles will revolutionize spatial ecology // Frontiers in Ecology and the Environment. 2013. Vol. 11, no. 3. P. 138-146.

59. Badeau R., Bertrand D., Gaël R. Fast approximated power iteration subspace tracking // IEEE Transactions on Signal Processing, 2005. Vol. 53, no. 8. P. 2931-2941.

60. Badeau R., Gaël R., Bertrand D., et al. Approximated power iterations for fast subspace tracking // Seventh International Symposium on Signal Processing and Its Applications, 2003. Proceedings. IEEE, 2003. Vol. 2. P. 583-586.

61. Bosse A., Tasker F., Fisher S. Real-time modal parameter estimation using subspace methods: applications // Mechanical Systems and Signal Processing. 1998. Vol. 12, no.

6. P. 809-823.

62. Cai G., Jorge D., and Lakmal S. A survey of small-scale unmanned aerial vehicles: Recent advances and future development trends // Unmanned Systems. 2014. Vol. 2, no. 2. P. 175-199.

63. Cai G., Lum K.Y., Chen B.M., et al. A brief overview on miniature fixed-wing unmanned aerial vehicles // IEEE ICCA 2010, 2010. P. 285-290.

64. Carvalho H., et al. Optimal nonlinear filtering in GPS/INS integration // IEEE Transactions on Aerospace and Electronic Systems. 1997. Vol.33, no. 3. P. 835-850.

65. Chen H., Liu H., Li D., et al. Time-varying parameters measurement by least square method with variable forgetting factors // High Voltage Engineering. 2008. Vol. 34. no.

7. P. 1474-1477.

66. Dalamagkidis K. Classification of uavs // Handbook of unmanned aerial vehicles. 2015. P. 83-91.

67. Fang Ke, Proletarsky A., Neusipin K. Selection of Measured Signals in the Navigation Measuring Complex // Journal of Measurement Science and Instrumentation. 2011. Vol. 2, no. 4. P. 346-348.

68. Gupta S.G., Ghonge D., Jawandhiya P.M. Review of unmanned aircraft system // International Journal of Advanced Research in Computer Engineering & Technology. 2013. Vol. 2, no. 4. P. 1646-1658.

69. Hazim S., Ahmad H., Sawalmeh A.A., Zuochao D., Eyad A., Issa K., Noor S.O., Abdallah K., & Mohsen G. Unmanned aerial vehicles (UAVs): A Survey on Civil Applications and Key Research Challenges // IEEE Access. 2019. Vol. 7. P. 4857248634.

70. Hostetler L., Andreas R. Nonlinear Kalman filtering techniques for terrain-aided navigation // IEEE Transactions on Automatic Control. 1983. Vol. 28. no. 3. P. 315-323.

71. Hsu K., Murray C., Cook J., et al. China's military unmanned aerial vehicle industry. Washington DC: US-China Economic and Security Review Commission, 2013. 20 p.

72. Jing D. Online identification of physical parameters at joint in time-varying structure system based on subspace and substructure method // Journal of vibration and shock. 2007. Vol. 26, no. 11. P. 59-63.

73. Julier S.J., Uhlmann J.K. A New Extension of the Kalman Filter to Nonlinear Systems // Defense Sensing, Simulation and Controls. 1997. Vol. 3068. P. 182-193.

74. Kai S., Neusipin K.A., Proletarsky A.V. On state estimation of dynamic systems by applying scalar estimation algorithms // Proceedings of 2014 IEEE Chinese Guidance, Navigation and Control Conference. IEEE, 2014. P. 124-129.

75. Kalman R.E. A new approach to linear filtering and prediction problems // Trans. ASME. Ser. D. Journal of Basic Engeneering. 1960. Vol. 82. P. 35-45.

76. Kalman R.E., Ho Y.C., Narendra K.S. Controllability of linear dynamical systems // Contributions to the Theory of Differential Equations. 1963. Vol. 1, no. 2. P. 189-213.

77. Kamali C., Jain S. Hardware in the Loop Simulation for a Mini UAV // IFAC-PapersOnLine. 2016. Vol. 49, no. 1. P. 700-705.

78. Kim Y., Bang H. Introduction to Kalman filter and its applications // Introduction and Implementations of the Kalman Filter. 2018. Vol. 1. P. 1-16.

79. Lee S., Tjahjowidodo T., Moon S.K. Flexible membrane wing warping using tendon-sheath mechanism // 2015 23rd Mediterranean Conference on Control and Automation (MED). IEEE, 2015. P. 624-629.

80. Li H. Physical parameter identification of time-varying system based on free response data // Journal of vibration and shock. 2007. Vol. 20, no 4. P. 348-352.

81. Louisa B.H. Overview of military drones used by the UK armed forces. London:

House of commons briefings, 2015. 53 p.

82. Marin G., Bosko P., & Almin D. Comparison and analysis of software solutions for creation of a digital terrain model using unmanned aerial vehicles // 14th International Multidisciplinary Scientific Geo Conference SGEM 2014, 2014. P. 99-108.

83. Moir I., Seabridge A.G. Aircraft Systems: Mechanical, electrical and avionics subsystems integration. Third Edition. Chichester: John Willey and Sons Ltd, 2008. 552 p.

84. Ni Z., Wu Z. Recursive identification of state space model and modal parameter of linear time-varying feedback system // Journal of vibration and shock. 2016. Vol. 35, no. 4. P. 8-14.

85. Noureldin A., Karamat T.B., Georgy J. Fundamentals of inertial navigation, satellite-based positioning and their integration. Springer-Verlag Berlin Heidelberg, 2013. 314 p.

86. Proletarsky A., Neusipin K. Reserch scalar filtering algorithm with selforganization method for modeling control system // Science & military. 2010. Vol. 5, no 2. P. 17-21.

87. PS R., Jeyan M.L. Mini Unmanned Aerial Systems (UAV) - A Review of the Parameters for Classification of a Mini UAV // International Journal of Aviation, Aeronautics, and Aerospace. 2020. Vol.7, no. 3: 5. P. 1-21.

88. Rawat K., Lawrence E. A mini-UAV VTOL platform for surveying applications // IAES International Journal of Robotics and Automation. 2014. Vol. 3, no. 4. P. 259-267.

89. Salychev O.S. Applied inertial navigation: Problems and solutions. Moscow: Bauman MSTU Press, 2004. 302 p.

90. Salychev O.S. MEMS-based inertial navigation: Expectations and reality. Moscow: Bauman MSTU Press, 2012. 207 p.

91. Selezneva M.S., Neusypin K.A. Development of a measurement complex with intelligent component // Measurement Techniques. 2016. Vol. 59. no. 9. P. 916-922.

92. Shen Kai, et al. Technology of error compensation in navigation systems based on nonlinear Kalman filter // Journal of National University of Defense Technology. 2017. Vol. 39, no. 2. P. 84-90.

93. Titterton D., Weston J. Strapdown inertial navigation technology, 2nd Ed. London:

The Institution of Electrical Engineers, 2005. 576 p.

94. Verhaegen M., Verdult V. Filtering and system identification: a least squares approach. Cambridge: Cambridge University Press, 2007. 422 p.

95. Villa T.F., Gonzalez F., Miljievic B., et al. An overview of small unmanned aerial vehicles for air quality measurements: Present applications and future prospectives // Sensors. 2016. Vol. 16, no. 7: 1072. P. 1-29.

96. Wang L., Zhou W., Zhao S. Application of mini-UAV in emergency rescue of major accidents of hazardous chemicals // 2013 the International Conference on Remote Sensing, Environment and Transportation Engineering (RSETE 2013). Atlantis Press, 2013. P. 151-154.

97. Yang W. Study on Modal Parameter Estimation and On-Line Identification Technology for Linear Time-Varying Structures in Time-domain: PhD dissertation. Beijing. 2015. 15 c.

98. Zhao H., Zhao Z., Long G. Flight track data creation and inertial component simulation the strapdown INS // Journal of System Simulation. 2005. Vol. 17, no. 5. P. 1026-1029.