АДАПТИВНАЯ СИСТЕМА АВТОНОМНОЙ НАВИГАЦИИ И ЦЕЛЕВОГО СОПРОВОЖДЕНИЯ ДЛЯ БПЛА НА ОСНОВЕ ГЛУБОКОГО ОБУЧЕНИЯ

<jats:p>Актуальность. В статье представлена система автономного управления беспилотными летательными аппаратами (БПЛА) на базе Robot Operating System (ROS) для эффективного обнаружения и отслеживания объектов в режиме реального времени при ограниченных вычислительных ресурсах. Система интегрирует модифицированную архитектуру YOLOv4 для высокоскоростной детекции объектов и алгоритм SiamMask для непрерывного трекинга целей. Управление траекторией полёта реализовано через ПИД-регулятор, обеспечивающий стабильное автоматическое сопровождение целевых объектов. Ключевая новизна исследования заключается в разработке методологии оптимизации нейросетевых моделей для встраиваемых систем с критическими ограничениями вычислительных мощностей. Предложенный подход позволяет адаптировать современные архитектуры глубокого обучения для работы на одноплатных компьютерах и встроенных GPU без существенной потери точности детекции. В основе системы лежит комбинация методов компьютерного зрения и машинного обучения. Свёрточные нейронные сети, обученные на расширенных датасетах, обеспечивают робастное распознавание объектов при различных погодных и световых условиях. Модуль трекинга использует оптический поток и фильтр Калмана с предиктивными алгоритмами для прогнозирования траектории движения. Система устойчива к шуму, помехам и частичной окклюзии целей. Экспериментальная валидация проведена в помещениях и на открытой местности с использованием реальных видеоданных и симуляций. Тестовые сценарии включали сопровождение транспортных средств, людей и динамических объектов в различных условиях. Разработанная архитектура расширяет возможности применения автономных БПЛА в задачах мониторинга, поисково-спасательных операций и промышленной инспекции, где критичны массогабаритные и энергетические характеристики бортового оборудования.</jats:p>