Details

Данная работа посвящена обучению Stable Diffusion для генерации изображений для шоу дронов и разработке математической модели межсценового перемещения группы дронов для моделирования их перехода между сценами и создания анимации. Задачи, которые решались в ходе исследования: 1. Генерация изображений с визуальными сценами шоу дронов при помощи самостоятельно обученной text2img модели; 2. Разработка математической модели движения дронов, которая обеспечивает оптимальный и максимально быстрый межсценовый переход; 3. Интеграция разработанных моделей в единую систему, для автоматизации проектирования шоу дронов. В результате были обучены две модели: Stable Diffusion 2.1 и Stable Diffusion 3.5, которые способны на достойном уровне генерировать изображения для шоу дронов. Разработана математическая модель, описывающая расчет оптимальных траекторий, которые позволяют каждому дрону совершить переход между сгенерированными сценами за минимальное время оптимальным образом и разработан инструмент для создания физически правдоподобной анимации. Для достижения данных результатов в работе были использованы следующие информационные технологии: python (библиотеки pytorch, diffusers, datasets, transformers, networkx).

Thesis Title: Automation of Drone Show Design: Visual Scene Generation and Trajectory Planning for Inter-Scene Transitions This thesis focuses on training a Stable Diffusion model for the generation of images for drone shows and on the development of a mathematical model for inter scene transitions of drone swarms, enabling the simulation of their movement between scenes and the creation of animation sequences. The research addresses the following objectives: 1. Generation of visual scenes for drone shows using a custom-trained text-to image model; 2. Development of a mathematical model for inter-scene drone motion, ensuring optimal and time-efficient transitions between scenes. 3. Integration of the developed models into a unified system for automating the design of drone shows; The results include the successful training of two models—Stable Diffusion 2.1 and Stable Diffusion 3.5—both of which demonstrate strong performance in generating visual content suitable for drone shows. Furthermore, a mathematical model was developed to compute optimal trajectories for each drone, allowing them to transition between generated scenes in the shortest possible time, while maintaining physical plausibility. An accompanying tool was also implemented to produce realistic flight animations based on these trajectories. To achieve these outcomes, the following technologies were employed: Python (with libraries such as PyTorch, Diffusers, Datasets, Transformers, and NetworkX).