СИСТЕМА КОРЕКЦІЇ ІНЕРЦІЙНОЇ НАВІГАЦІЇ БПЛА НА ОСНОВІ ГЛИБОКОГО НАВЧАННЯ ДЛЯ ЗІСТАВЛЕННЯ ЗОБРАЖЕНЬ З КАМЕРИ ТА СУПУТНИКОВИХ ЗНІМКІВ
DOI:
https://doi.org/10.31649/1997-9266-2026-186-3-43-51Ключові слова:
автономна навігація, БПЛА, GPS-denied, корекція INS, глибоке навчання, згорткова нейронна мережа, зіставлення зображень, супутникове зображення, Triplet Loss, Raspberry PiАнотація
Надійна навігація безпілотних літальних апаратів (БПЛА) є критичною функцією, що значною мірою покладається на сигнали GNSS. В умовах радіоелектронної боротьби (РЕБ) ці сигнали пригнічуються, що призводить до втрати апаратів через неконтрольоване накопичення похибки бортових інерційних навігаційних систем (INS). Наявні візуальні методи локалізації часто є обчислювально-витратними та неоптимальними для заміських ландшафтів.
Метою роботи є розробка та експериментальна валідація обчислювально-ефективної гібридної системи автономної геолокалізації, здатної коригувати похибку INS шляхом зіставлення зображень з бортової камери та референсних супутникових знімків, з фокусом на життєздатність на низькоресурсних бортових платформах.
Запропоновано гібридний метод, що поєднує дані INS з дискретною корекцією від модуля глибокого навчання. Проведено збір та розмітку власного набору даних польотів у заміській місцевості. Виконано порівняльний аналіз архітектур CNN (VGG11, MobileNetV2, ResNet18) та функцій втрат для задачі крос-модального зіставлення. Точність та продуктивність фінальної моделі валідовано на одноплатному комп'ютері Raspberry Pi.
Експериментально показано, що Triplet Loss, завдяки механізму відбору «негативних» прикладів, змушує модель вивчати диференційовані ознаки, що дозволяє розрізняти візуально схожі ділянки ландшафту. У порівняльному тестуванні архітектур, модель VGG11, навчена з Triplet Loss, показала найкращу точність, перевершивши MobileNetV2 та ResNet18. Під час тестування механізму корекції з симульованим початковим 10-метровим дрейфом INS, система на основі VGG11 досягла середньої похибки 5,4 метри, успішно обчислюючи вектор корекції. На реальному тестовому маршруті довжиною 200 м, де максимальна похибка некерованої INS досягла 15,2 м, запропонована система зменшила максимальне відхилення до 8,5 м. Валідація продуктивності на Raspberry Pi 4 підтвердила обчислювальну придатність: повний цикл корекції для зображення 224´224 становить 2,5 секунди, а для 448´448 — 10 секунд, що є прийнятним для періодичного (непостійного) уточнення координат.
Посилання
Conference on Robotics and Automation (ICRA), 2019, pp. 2974-2980. https://doi.org/10.1109/ICRA.2019.8793558 .
X. Qiu, D. Yang, S. Liao, S. Wang, and Y. Li, “Image moment extraction based aerial photo selection for UAV high-precision geolocation without GPS,” Measurement, no. 226, pp. 114141, 2024, https://doi.org/10.1016/j.measurement.2024.114141 .
J. Fan, et al., “A Cross-View Geo-Localization Algorithm Using UAV Image and Satellite Image,” Sensors, no. 24, issue 12, Чер 2024, https://doi.org/10.3390/s24123719 .
Z. Cui, et al., “A Novel Geo-Localization Method for UAV and Satellite Images Using Cross-View Consistent Attention,” Remote Sens., no.15, issue 19, Вер 2023, https://doi.org/10.3390/rs15194667 .
M. Bianchi, and T. D. Barfoot, “UAV Localization Using Autoencoded Satellite Images,” IEEE Robot. Autom. Lett., no. 6, issue 2, pp. 1761-1768, 2021, https://doi.org/10.1109/LRA.2021.3060397 .
N. Xue, L. Niu, X. Hong, Z. Li, L. Hoffaeller, and C. Pöpper, “DeepSIM: GPS Spoofing Detection on UAVs using Satellite Imagery Matching,” in Proceedings of the 36th Annual Computer Security Applications Conference, в ACSAC ’20. New York, NY, USA: Association for Computing Machinery, 2020, pp. 304-319. https://doi.org/10.1145/3427228.3427254 .
Z. Zheng, Y. Wei, and Y. Yang, “University-1652: A Multi-view Multi-source Benchmark for Drone-based Geo-localization,” in Proceedings of the 28th ACM International Conference on Multimedia, в MM ’20. New York, NY, USA: Association for Computing Machinery, 2020, pp. 1395-1403. https://doi.org/10.1145/3394171.3413896 .
ArduPilot/pymavlink. (17, 01.2026). Python. ArduPilot. Дата звернення: 18, 2026. [Electronic resource]. Available: https://github.com/ArduPilot/pymavlink .
K. Simonyan, and A. Zisserman, “Very Deep Convolutional Networks for Large-Scale Image Recognition,” 10.04, 2015, arXiv: arXiv:1409.1556. https://doi.org/10.48550/arXiv.1409.1556 .
K. He, X. Zhang, S. Ren, and J. Sun, “Deep Residual Learning for Image Recognition,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016, pp. 770-778. Accessed:18, 01. 2026. [Electronic resource]. Available: https://openaccess.thecvf.com/content_cvpr_2016/html/He_Deep_Residual_Learning_CVPR_2016_paper.html .
M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L.-C. Chen, “MobileNetV2: Inverted Residuals and Linear Bottlenecks,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018, pp. 4510-4520. [Electronic resource]. Available: https://openaccess.thecvf.com/content_cvpr_2018/html/Sandler_MobileNetV2_Inverted_Residuals_CVPR_2018_paper.html Accessed: 18. 01 2026.
Triplet loss, Wikipedia. 07, 09, 2025. [Electronic resource]. Available: https://en.wikipedia.org/w/index.php?title=Triplet_loss&oldid=1310086175 . Accessed: 18. 01 2026.
##submission.downloads##
-
pdf
Завантажень: 0
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, згодні з такими умовами:
- Автори зберігають авторське право і надають журналу право першої публікації.
- Автори можуть укладати окремі, додаткові договірні угоди з неексклюзивного поширення опублікованої журналом версії статті (наприклад, розмістити її в інститутському репозиторії або опублікувати її в книзі), з визнанням її первісної публікації в цьому журналі.
- Авторам дозволяється і рекомендується розміщувати їхню роботу в Інтернеті (наприклад, в інституційних сховищах або на їхньому сайті) до і під час процесу подачі, оскільки це сприяє продуктивним обмінам, а також швидшому і ширшому цитуванню опублікованих робіт (див. вплив відкритого доступу).
