Нейросетевая система управления посадкой дистанционно-пилотируемого летательного аппарата тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Фирсов, Сергей Павлович

• Фирсов, Сергей Павлович
• кандидат технических наук
• 2005

Оглавление диссертации кандидат технических наук Фирсов, Сергей Павлович

Введение.

Глава 1. Анализ функционирования системы управления ДПЛА в режиме посадки и общая постановка задачи.

1.1. Математическая модель движения ДПЛА.

1.2. Разделение пространственного движения ДПЛА на продольное и боковое.

1.3. Анализ известных ДПЛА и методов их посадки ДПЛА.

1.4. Общая схема ДПЛА и его основные характеристики.

1.5. Технологии искусственного интеллекта.

1.6. Общая постановка задачи.

1.7. Выводы к главе 1.

Глава 2. Решение задачи посадки ДПЛА при помощи сигнальных ориентиров.

2.1. Описание функционирования системы управления ДПЛА в режиме его посадки.

2.2. Выбор источников излучения ловушки.

2.3. Система навигационного оборудования захода на посадку ДПЛА.

2.4. Светодальномер для линейно-угловых измерений положения ДПЛА в пространстве.

2.4.1. Теоретическое обоснование предлагаемого светодалыюмера для линейно-углового измерения положения ДПЛА в решаемой задаче.

2.4.2. Алгоритм коррекции отклонения рулей управления.

2.4.3. Выбор параметров импульса излучения и компонент входного вектора НС для вычисления полезного сигнала, при помощи которого происходит корректировка курса ДПЛА.

2.4.4. Предлагаемая практическая реализация светодальномера для линейно-угловых измерения положения ДПЛА в пространстве.

2.5. Определение линейно-угловых координат ДПЛА в данной задаче с помощью светодальномера.

2.5.1. Движение ДПЛА в вертикальной плоскости.

2.5.2. Движение ДПЛА в горизонтальной плоскости.

2.6. Вычисление угла тангажа при помощи светодальномера, разработанного в данной работе.

2.7. Вычисление угла курса при помощи светодальномера, разработанного в данной работе.

2.8. Выводы к главе 2.

Глава 3. Искусственные нейронные сети и их применение в системе управлении ДПЛА. Выбор сети для решения задачи.

3.1. Искусственные нейронные сети.

3.2. Алгоритм обучения НС, основанный на комбинации градиентного метода и метода Холтона.

3.3. Решение задачи посадки ДПЛА с использованием в его системе управления НС.

3.4. Сегментация изображения.

3.4.1. Сегментация изображения с помощью нейронных сетей.

3.4.2. Предобработка выходных данных.

3.4.3. Растущий нейронный газ (GNG) для группирования данных по цвету.

3.4.4. Иерархическая нейронная сеть на соревновательных нейронах для формирования кластеров в пятимерном пространстве (HCNN).

3.4.5. Дополнительные возможности обработки.

3.5. Выводы к главе 3.

Глава 4. Решение задачи посадки ДПЛА с помощью нейронной сети в ловушку.

4.1. Моделирование движения ДПЛА в вертикальной плоскости при его посадки в ловушку по сигнальным ориентирам.

4.2. Моделирование движения ДПЛА в горизонтальной плоскости при его посадки в ловушку по сигнальным ориентирам.

4.3. Выводы к главе 4.

Введение диссертации (часть автореферата) на тему «Нейросетевая система управления посадкой дистанционно-пилотируемого летательного аппарата»

В настоящее время дистанционно пилотируемые летательные аппараты (ДПЛА) получают все большее распространение при решении различных задач, как в гражданских, так и в военных отраслях. При этом для современных JIA характерны: постоянно увеличивающийся объем информации, получаемой бортовыми датчиками; возросшие требования к точности и быстродействию систем обработки данных; необходимость принятия тактических решений за минимальное время и т.д. Это выдвигает перед персоналом, управляющим современными JIA, задачи, решение которых часто превышает психофизиологические возможности человека. Одним из подходов, направленных на повышение степени автоматизации управления JTA, его бортовым электронно-вычислительным оборудованием, является использование нейронных сетей. Необходимость применения искусственного интеллекта в бортовых системах JIA обусловлена тем, что многие из подзадач, решаемых в рамках ее функционирования, либо вообще не могут быть решены стандартными аналитическими методами, либо применение этих методов ограничивается накладываемыми ими требованиями к производительности и быстродействию системы. Применение нейронных сетей в авиации нашло свою нишу в решении следующих задач — выбор оптимального маршрута полета, облет препятствий, распознавание наземных и воздушных целей и т.д.

В данной работе рассматривается задача применения нейронной сети в системе управления беспилотным JIA в режиме его захода на посадку с применением механических средств захвата (см. рис.1). В искусственных нейронных сетях (ИНС) для обработки сигнала используются явления, аналогичные происходящим в нейронах живых существ.

Рис. 1. Посадка ДПЛА при помощи механических средств захвата В настоящее время, разработка технического средства, позволяющего повысить степень автоматизации ДПЛА в режиме посадки и улучшающего скорость обработки данных его системой управления, является весьма актуальной задачей.

Целью исследования - является разработка нейросетевой системы управления автоматической посадкой ДПЛА. Задачами исследования являются:

1. Провести анализ методов посадки ДПЛА и выбрать схему функционирования сигнальных ориентиров, установленных на посадочном месте.

2. Разработать метод посадки ДПЛА на основе нейросетевого подхода.

3. Разработать нейросетевой алгоритм для системы управления посадкой ДПЛА и проанализировать возможность его использования на практике.

Методы исследований. Решение поставленных в диссертационной работе задач проводилось на основе использования теории нейронных сетей, методов имитационного моделирования, а также методов теории и систем автоматического управления.

Достоверность результатов подтверждается использованием научно обоснованных методов теории и систем автоматического управления и методов теории искусственного интеллекта, а также результатами моделирования на ЭВМ.

Практическая значимость

1. Разработанный нейросетевой алгоритм посадки ДПЛА в "ловушку" при помощи сигнальных ориентиров обеспечивает повышение надежности работы системы управления ДПЛА, за счет использования НС, а также сокращение времени вычислений и принятия решений за счет параллельной обработки информации НС.

2. Показана высокая эффективность нейросетевого решения задачи посадки ДПЛА в условиях возникновения внешних помех, обеспечивая его попадание в цель с допустимым промахом от центра "ловушки".

3. Разработанный новый тип светодальномера позволяет эффективно измерять пространственно-угловое положение ДПЛА и в совокупности с нейросетевым подходом увеличивает точность при наведении в режиме посадки ДПЛА, а также снижает весогабаритные характеристики бортового оборудования, что является технически и экономически выгодным.

Научная новизна работы состоит в следующем:

1. В качестве сигнальных ориентиров предложена новая схема расположения источников излучения светодальномера на посадочном месте, а приемников - на летательном аппарате, что создает принципиальную возможность определения линейно-угловых координат ДПЛА.

2. Разработана нейросетевая процедура управления ДПЛА, обеспечивающая его автоматическую посадку без трудоемких вычислений для выбора управляющих сигналов на рулевые органы.

3. Предложены ускоренный алгоритм обучения НС, основанный на комбинации градиентного метода и метода Холтона, и алгоритм сегментации изображения на основе сочетания двух нейронных сетей — "растущего нейронного газа" и иерархической сети на соревновательных нейронах для распознавания зашумленных сигнальных ориентиров.

Реализация результатов.

Разработанные алгоритмы внедрены в НПКЦ "Новик-ХХ1век" при проектировании системы управления ДПЛА, о чём имеется акт о внедрении. Разработана и внедрена в учебный процесс кафедрой №301 лабораторная работа "Задача посадки ДПЛА по телевизионному изображению с помощью самообучающейся нейронной сети" в рамках специальности 210100 "Управление и информатика в технических системах" для специализации 210102 "Интеллектуальные системы управления и информатики", о чем имеется акт о внедрении.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на: X международном научно-техническом семинаре "Современные технологии в задачах управления, автоматизации и обработки информации", г. Алушта 2001; IV Всероссийской научно-технической конференции "Нейроинформатика-2002", Москва 2002г; XII Международном научно-техническом семинаре "Современные технологии в задачах управления, автоматики и обработки информации", г.Алушта, 2003; V-научной конференции молодых ученых, г. Санкт Петербург, ЦНИИ "Электроприбор", 2003 г.; Х111 Международном научно-техническом семинаре "Современные технологии в задачах управления, автоматики и обработки информации", г.Алушта, 2004; XIV Международном научно-техническом семинаре "Современные технологии в задачах управления, автоматики и обработки информации", г.Алушта, 2005.

Публикации. По теме диссертационной работы опубликовано 14 работ, из них 10 - печатные.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и списка литературы. Объем диссертации 124 страниц текста, включает 58 рисунков, 11 таблиц.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Фирсов, Сергей Павлович

3.6. Выводы к главе 3

1. Проведен анализ состояния нейронных сетей на сегодняшний день. На основании данного анализа составлены: блок схема классификации нейронных сетей по видам и блок схема алгоритмов обучения для НС.

2. Предложен алгоритм обучения НС, основанный на комбинации градиентного метода и метода Холтона.

3. На основании проведенного анализа произведен выбор однослойной нейронной сети и сети Кохонена для решения задачи посадки ДПЛА.

4. Предложен алгоритм сегментации изображения на основе сочетания двух нейронных сетей, GNG и иерархической сети на соревновательных нейронах, для распознавания сильно зашумленных сигнальных ориентиров.

Список литературы диссертационного исследования кандидат технических наук Фирсов, Сергей Павлович, 2005 год

1. Дмитриевский А.А., Лысенко Л.Н. "Прикладные задачи теории оптимального управления движением беспилотных ЛА", Москва, 1989.

2. Михалев И.А. и др. "Системы автоматического управления самолетом", Москва, 1987.

3. Бюшгенс Г. С., Студнев Р. В. Динамика пространственного движения самолета.- М.: Машиностроение, 1967.

4. Иванов В. А., Чемоданов Б. К., и др. Математические основы теории автоматического регулирования,- М.: Высшая школа, 1971.-754 с.

5. Лебедев А. А., Карабанов В. А. Динамика систем управления беспилотными летательными аппаратами. Москва, 1965.

6. Микеладзе Н. Л., Титов В. Н. "Беспилотные летательные аппараты" Москва: ,2001.

7. В.П. Бурдаков, Ю.И.Данилин, «Физические проблемы космической тяговой энергетики», М., Атомиздат, 1969г.

8. Крымский Г. и др. «Геомагнетизм и аэрономия», Москва, 1994.

9. Краев А. П. Основы геоэлектрики. Ч. 1. М.-Л., Гостехиздат, 1951.

10. Лунина Л. В. К вопросу о происхождении электрического поля атмосферы. Диссертация. М., 1976.

11. Митра С. К. Верхняя атмосфера. М., Изд-во иностр. лит., 1955.

12. Коккони Г., Моррисон Ф. В. «Источники искусственного излучения». Москва, 1999г.

13. Шавлов А., Фогель С, Далберджер Л., Оптические квантовые генераторы (лазеры), пер. с англ., М. 1992.

14. Справочник по лазерам, под ред. А. М. Прохорова, пер. с англ. т. 1 -2, М., 1988.

15. Летохов В. С., Селективное действие лазерного излучения на вещество, «УФН», 1990, т. 125, в. 1, с. 57.

16. О'Шиа Д., Коллен Р., Роде У., Лазерная техника, пер. с англ., М., 2001.

17. Звелто О., Физика лазеров, пер. с англ., М., 1979.

18. Рубинов А. П., и др., Оптические квантовые генераторы на красителях и их применение, в кн.: Итоги науки и техники. Радиотехника, т. 9, М., 1976; Лазеры на красителях, пер. с англ. 31., 1976.

19. Minsky М, and Papert S., 1969. Perseptrons. Cambridge, MA: MIT Press. (Русский перевод: Минский M. Л., Пайперт С. Персептроны. -М. Мир. -1971).

20. Терехов В. А., Ефимов Д.В. и др. "Нейросетевые системы управления", СПб.: С.-Петербургского университета, 1999

21. Rosenblatt F Principle of neurodynamics.- N.Y.: Spartan, 1992.

22. Weyraere N, Martens J.P. On the initialization and optimization of multilayer perception // Trans. Neural Networks, .1997. P. 738-751.

23. Hebb D. O. 1949. Organization of behavior. New York: Science Editions.

24. Haykin S. Neural networks, a comprehensive foundation., -N.Y.: Macmillan College Publishing Company, 1998.

25. Станислав Оссовский "Нейронные сети для обработки информации", Москва, "Финансы и статистика", 2002.

26. Grossberg S. 1982. Studies of mind and brain. Boston: Reidel.

27. Grossberg S. 1984. Classical and instrumental learning by neural networks. Progress in theoretical biology, vol.3, pp. 51-141. New York: Academic Press.

28. Widrow В., Hoff M Adaptive switching circuits II Proc; IRE WESCON Convention Record, 1970.

29. Cichocki A., Unbehauen R. Neural networks for solving systems of linear equations and related problems // IEEE Trans. CAS, 1992. Vol. 39.

30. Kohonen T. The self organising map // Proc. of 1БЕЕ, 1993.

31. Kohonen T. Self-organizing maps. Berlin: Springer Verlag. 1995.

32. Kohonen т., Kangas 1., Laakson 1. SOMPAK, the se 1 forganizing map program package. Technical Report. Finland, Helsinki: University, 1996.

33. Kohonen T. 1991. Self-organization and associative memory. 2d ed. New-York, Springer-Verlag.

34. Прэтт У.К. Цифровая обработка изображений./ Пер. с англ. М.: Мир, 1982, кн. 1, 2, 790 с. (William К. Pratt. Digital Image Processing. - A Willey — Interscience Publication. John Willey and Sons. 1978.)

35. Martinet M, Berkovich S., Schulten N. "Neural-gas" network for vector quantization and its application to time series prediction // Trans. Neural Networks, 1993.

36. Яншин В.В. Анализ и обработка изображений: принципы и алгоритмы. М.: Машиностроение. 1995.

37. Доброленский Ю.П. и др. Автоматика управляемых снарядов. Гос. научно-техническое издательство "Оборонгиз", Москва 1963

38. Справочник по физике, А.С. Енохович, М. 1986

39. Физический энциклопедический словарь, том 4, Москва, 1985г.

40. Олихов И.М. ИПЛЭН. Новое поколение приборов квантовой электроники. Электроника: НТБ, 1998, №3-4.

41. Зуев В.Е., Фадеев В.Е. Лазерные навигационные устройства. -М.: Радио и связь, 1987.

42. Лазеры в медицине. М.: Наука, 1998.

43. Патент РФ № 2 063 097 на изобретение "Лазер", приоритет от 22.03.1994 г.

44. Кондрашков А. В., Электрооптические дальномеры, М., 1959; Проворов К. Л., Радиогеодезия, М., 1965; Бородулин Г. И.

45. Обзор современной светодальномерной аппаратуры, «Геодезия и картография», 1970, №7.

46. ГОСТ 19223—73. Светодальномеры. Типы. Основные параметры и технические требования.

47. Генике А. А., Ларин Б. А., Назаров В. М., Геодезические Базовые дальномеры, М., 1994.

48. Кондрашков А. В., Электрооптические и радиогеодезические измерения, М, 1972.

49. Ф. Уоссермен "Нейрокомпьютерная техника: Теория и практика", Перевод на русский язык, Ю. А. Зуев, В. А. Точенов, Москва, 1999г.51. http://dplagrant.narod.ru/

50. Болховитинов О.В., Иванов В.В., Новожилов А.А., Савинов А.Ю. Боевые авиационные комплексы и их эффективность: Под ред. О.В. Болховитинова. М.: Изд. ВВИА им. проф. Н.Е. Жуковского, 1990.

51. Володин В.В., Юргенсон А.А. Авиационная и ракетная техника на международных авиасалонах 2004г. Аналитический обзор по материалам международных выставок. М.: ОАО "В/О Авиаэкспорт".54. http://dpla.ru/55. http://informacia.ru/armia.htm

52. Ландсберг Г.С. Оптика. Издательство "Наука", Москва 1986.

53. Медынский М.М., Антоний Е.В. Численные методы нелинейной оптимизации: алгоритмы и программы. М.: Издательство МАИ, 2003 - 192с.

54. Halton J.H. A retrospective and prospective survey of the Monte Carlo method // SIAM Rev/ 1970/ 12/#1/ 1-63.

55. Halton J.H., Handscomb D.C. A method for increasing the efficiency of Monte Carlo integrations. J.Assoc.Comput.Machinery, 1957, 4, #3, 329-340.

56. Соболь И.М. Многомерные квадратурные формулы и функции Хаара.-М.: Наука, 1969.

57. Гуляева Ю.В. Нейрокомпьютеры в системах обработки изображений. Москва 2003.

58. Белогородский C.JI. Автоматизация управления посадкой самолета. Москва 1972.1. ГЛАВА 4

59. РЕШЕНИЕ ЗАДАЧИ ПОСАДКИ ДПЛА С ПОМОЩЬЮ НЕЙРОНОЙ СЕТИ В ЛОВУШКУ

60. Электромагнитное излучение

61. Рис.4.1. Общая структурная схема функционирования системы управленияпосадкой ДПЛА

62. Электр о магнитное излучение

63. Моделирование движении ДПЛА в вертикальной плоскости при его посадки в ловушку по сигнальным ориентирам

64. В данном параграфе рассматривается моделирование на ЭВМ процесса посадки ДПЛА в "ловушку".

65. Предполагается, что в момент начала режима посадки ДПЛА выводится на глиссаду.

66. Структурная схема функционирования системы представлена на рис.4.2. Схема углового движения ДПЛА в вертикальной плоскости приведена на рис.4.3

67. На рисунке имеются следующие обозначения: О угол наклона траектории; и - угол тангажа;г — расстояние между ДПЛА и центром ловушки;rf расстояние между ДПЛА и сигнальными ориентирами;

68. Н высота от центра масс ДПЛА до перпендикуляра к центру ловушки;1.расстояние между ДПЛА и "ловушкой" на горизонтальной плоскости;0 угол глиссады ДПЛА; а - угол атаки;1 высота "ловушки";

69. V скорость движения ДПЛА в вертикальной плоскости; Предполагается, что У =const, скольжение р отсутствует.1. ЛА

70. Рис.4.3 Схема углового движения ДПЛА в вертикальной плоскости

71. С помощью приемника воздушного давления с датчиком углов атаки и скольжения измеряем соответственно угол атаки а и угол скольжения Р .

72. Направление вектора воздушной скорости V в связной системе координат определяется углами а и Р . В связи с тем, что в данном случае по условиям задачи скольжение отсутствует, то соответственно направление

73. У определяется только углом атаки а. Таким образом, можно постоянноконтролировать вектор скорости V, поддерживая его при помощи рулей высоты.

74. Рис.4.5. Приемник воздушного давления с датчиком углов атаки и скольжения: 1-приемиик полного давления; 2-0тверстия приемника статического давления; 3 и 4-флюгеры; ^,-угол отклонении флюгера

75. Положение ДПЛА в пространстве относительно плоскости ловушки мы находим при помощи разработанного в данной работе метода определения пространственно-углового положения объектов, который подробно описывается во второй главе данной работы.

76. На рис.4.6 представлены графики процессов регулирования, 1-без использования в СУ ДПЛА нейронной сети, 2-е применением НС.1.isur. н» 1

77. Рис.4,6 Графики процессов регулирования

78. НсекУса =10"*-3-10в = 0.3м для данного выбранного промышленного лазера.

79. Моделирование движения ДПЛА в горизонтальной плоскости при его посадки в ловушку по сигнальным ориентирам

80. На рисунке имеются следующие обозначения: \|/ угол курса;г — расстояние между ЛА и целью;rt расстояние между ЛА и сигнальными ориентирами;

81. Уг — скорость движения ДПЛА в горизонтальной плоскости.

82. Предполагается, что Ke=const, а также отсутствует угол скольжения р. Система наведения работает следующим образом.

83. Рис.4.7. Схема углового движения ДПЛА в горизонтальной плоскости

84. По результатам проведенного моделирования в горизонтальной плоскости, при возникновении возмущений в различных точках глиссады, в том числе в точке 3, изображенной на рис.4.7, время регулирование составляло 9 секунд.

85. В качестве начальных условий используются следующие численные данные: L = 4000 м; la = 15 м; V = 40 м/сек;

86. По результатам проведенных оценочных расчетов 62. были получены графики допустимых боковых отклонений Z и области допустимых боковых отклонений, изображенные на рис.4.8 и рис.4.9.

87. Рис.4.8 График допустимых Рис.4.9 Область допустимыхбоковых отклонений боковых отклонений

88. На рис.4.10 представлены графики процессов регулирования, 1-без использования в СУ ДПЛА нейронной сети, 2-е применением НС.р- -) Figure No. 1 ВЕН'

89. У» fcdt <£т** insert look щкЬ* ДОh А ? / ээ о

90. Рис.4,10 Графики процессов регулирования

91. Результаты моделирования показали, что применение нейронной сети позволяет эффективно осуществлять управление полетом ДПЛА в сложнойдинамической обстановке, и максимально приблизить точность наведения к заданным требованиям.43. Выводы к главе 4

92. Предложена структурная схема функционирования системы управления посадкой ДПЛА.

93. Проведено моделирование процесса посадки ДПЛА по сигнальным ориентирам. Результаты моделирования подтверждают возможность применение нейронной сети и эффективность ее работы при решении задачи посадки ДПЛА.1. ЗАКЛЮЧЕНИЕ

94. На основании проведенных теоретических и экспериментальныхисследований можно сделать следующие выводы:

95. Показана возможность нейросетевого подхода для решения задачи посадки ДПЛА при помощи механических средств захвата. На основании проведенного анализа произведен выбор однослойной НС и сети Кохонена для решения задачи посадки ДПЛА.

96. Показана возможность практического применения светодальномера при определении линейно-угловых координат ДПЛА. Предложен новый метод измерения углов тангажа и курса при помощи разработанного в данной работе светодальномера.

97. Предложен алгоритм обучения НС, основанный на комбинации градиентного метода и метода Холтона.

98. Результаты моделирования на ЭВМ показали эффективность работы системы посадки ДПЛА на основе НС с учетом внешних шумов.