Details

Данная работа посвящена разработке интеллектуальной системы автономной навигации беспилотных летательных аппаратов (БПЛА) для функционирования в условиях, где отсутствует сигнал GPS, на примере симуляционной среды AirSim. В работе решались следующие задачи:  1. Анализ современных методов автономной навигации БПЛА с применением компьютерного зрения и машинного обучения.  2. Разработка архитектуры программного комплекса с интеграцией ORB-SLAM3 для построения карты и локализации, а также YOLOv4-tiny для детекции и классификации объектов в реальном времени.  3. Реализация модуля Data Fusion для объединения данных локализации и детекции с формированием семантической 3D-карты пространства.  4. Проведение экспериментов в симуляторе AirSim, анализ полученных результатов, оценка точности и производительности системы.  В ходе выполнения работы реализована программная система, включающая алгоритмы SLAM, нейросетевые методы компьютерного зрения и модуль интеграции данных. Практическая значимость работы заключается в возможности применения предложенного комплекса для инспекции, мониторинга и логистики в помещениях без использования GPS.

This thesis is devoted to the development of an intelligent autonomous navigation system for unmanned aerial vehicles (UAVs) designed to operate in environments without GPS signal, using the AirSim simulation environment as a case study. The following tasks were addressed in the course of the work:  1. Analysis of modern methods of UAV autonomous navigation using computer vision and machine learning.  2. Development of the software architecture integrating ORB-SLAM3 for mapping and localization, and YOLOv4-tiny for real-time object detection and classification.  3. Implementation of a Data Fusion module for combining localization and detection data to create a semantic 3D map of the environment.  4. Conducting experiments in the AirSim simulator, analyzing the obtained results, and evaluating the accuracy and performance of the system.  As a result, a software system was implemented, including SLAM algorithms, neural network-based computer vision methods, and a data integration module. The practical significance of the work lies in the possibility of applying the proposed system for inspection, monitoring, and logistics in indoor environments without GPS.