Метод и алгоритм автономного планирования траектории полета беспилотного летательного аппарата при мониторинге пожарной обстановки в целях раннего обнаружения источника возгорания

Цель исследований – разработка метода и алгоритма автономного планирования траектории полета беспилотного летательного аппарата при мониторинге пожарной обстановки, которые предназначены для раннего обнаружения источника возгорания. Поскольку своевременное обнаружение очага пожара в стадии его развития позволяет снизить как материальные, так и людские потери, разработка метода и алгоритма автономного планирования траектории полета беспилотного летательного аппарата при мониторинге пожарной обстановки в целях раннего обнаружения источника возгорания является актуальной, важной задачей.

Методы. Предложен метод обнаружения источника возгорания. В основу метода положено три плана полета. План А предусматривает облет мониторируемой территории гласами с определением концентрации вредного вещества в каждом пикселе территории мониторирования. При обнаружении пикселя, в котором концентрация вредного вещества превышает пороговый уровень, управление полетом БПЛА осуществляется посредством плана В, который предусматривает локальное планирование достижения пикселя – цели, который определяется путем вычисления локальных дифференциальных операторов в девятиэлементной маске. План В позволяет осуществить полет БПЛА непосредственно к источнику возгорания и определить его координаты. План полета С предусматривает возвращение БПЛА в точку вылета из любого пикселя зоны мониторинга.

Результаты. Разработан алгоритм управления траекторией полета БПЛА, позволяющий определять локальные пиксель-цели и на этой основе строить локальный план полета. В основу построения локального плана полета положено правило «не менее трех пикселей на галсе», которое позволяет получить девятиэлементную матрицу с известными концентрациями вредных веществ в пиксель-цели и определить те пиксели локального плана полета, в которых эту матрицу получить не представляется возможным.

Заключение. Математическое моделирование алгоритма управления полетом БПЛА, согласно предложеннму методу, было реализовано в пакет Matlab 8.0 и показало устойчивость управления и высокую скорость достижения координат пикселя источника возгорания, превосходящую скорость достижения поставленной цели в 1,5…2 раза, в зависимости от расположения источника возгорания относительно направления облета мониторируемой территории. 

1. Лесные пожары в России. URL: https://tass.ru/info/15559017 (дата обращения: 12.02.2023).

2. Сафонова Н. Л., Дробушко А. Г. ГИС-технологии для прогнозирования лесных пожаров // Проблемы обеспечения безопасности при ликвидации последствий чрезвычайных ситуаций. 2016. № 1-2 (5). С. 38–40.

3. Пожары и пожарная безопасность в 2015 году: статистический сборник / под общей редакцией А. В. Матюшина. М.: Всероссийский ордена «Знак Почёта» научно-исследовательский институт противопожарной обороны, 2016. 124 с.

4. Пожары и пожарная безопасность в 2021 году: статистический сборник. Балашиха: Всероссийский ордена «Знак Почёта» научно-исследовательский институт противопожарной обороны, 2022. 114 с.

5. Совещание о ликвидации природных пожаров. URL: http://www.kremlin.ru/catalog/persons/693/events/69202 (дата обращения: 18.01.2023).

6. Favorskaya M., Pyataeva A., Popov A. Spatio-temporal smoke clustering in outdoor scenes based on boosted random forests // Procedia Computer Science. 2016. Vol. 96. P. 762– 771.

7. Foggia P., Saggese A., Vento M. Real-time fire detection for video-surveillance applications using a combination of experts based on color, shape, and motion // IEEE Transactions on circuits and systems for video technology. 2015. Vol. 25, N 9. P. 1545–1556.

8. Томаков М. В., Томаков В. И. Профилактика лесных пожаров на территории Курской области // Безопасность жизнедеятельности. 2020. № 4 (232). С. 52–60.

9. Иванов В. П., Марченко С. И., Нартов Д. И. Противопожарная профилактика лесных объектов // Лесной журнал. Известия высших учебных заведений. 2019. № 3. С. 43– 54. https://doi.org/10.17238/issn0536-1036.2019.3.43.

10. Быковский В. К. Охрана лесов от пожаров в России и странах СНГ // Международное сотрудничество евразийских государств: политика, экономика, право. 2016. № 3. С. 105–110.

11. Перспективные направления научно-технической деятельности МЧС России в области информационных технологий / К. Г. Бурлаченко, А. А. Ефимов, Ш. К. Кадиев [и др.] // Вестник Университета гражданской защиты МЧС Беларуси. 2022. Т. 6, № 4. С. 481–497.

12. Мобильная система мониторинга, раннего обнаружения и оценки пожарной опасности / М. В. Шевцов, В. В. Аксёнов, Р. И. Сафронов, Л. В. Шульга, С. В. Дегтярев // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2021. Т. 11, № 3. С. 8–25.

13. Томакова Р. А., Емельянов С. Г., Филист С. А. Интеллектуальные технологии сегментации и классификации биомедицинских изображений: монография / Юго-Западный гос. ун-т. Курск, 2012. 222 с.

14. Автоматические классификаторы сложноструктурируемых изображений на основе мультиметодных технологий многокритериального выбора / М. В. Дюдин, И. В. Зуев, С. М. Чудинов [и др.] // Вопросы радиоэлектроники. Серия: Системы и средства отображения информации и управления спецтехникой (СОИУ). 2015. Вып. 1. С. 130–141.

15. Формирование признакового пространства для задач классификации сложноструктурируемых изображений на основе спектральных окон и нейросетевых структур / К. Д. А. Кассим, А. А. Кузьмин, О. В. Шаталова [и др.]. // Известия Юго-Западного государственного университета. 2016. № 4 (67). С. 56–68.

16. Томакова Р. А., Филист С. А., Дураков И. В. Программное обеспечение автоматической классификации рентгенограмм грудной клетки на основе гибридных классификаторов // Экология человека. 2018. № 6. С. 59-64.

17. Филист С. А., Шаталова О. В., Ефремов М. А. Гибридная нейронная сеть с макрослоями для медицинских приложений // Нейрокомпьютеры. Разработка, применение. 2014. № 6. С. 35–39.

18. Метод классификации сложноструктурируемых изображений на основе самоорганизующихся нейросетевых структур / О. В. Шаталова, А. А. Кузьмин, К. Д. А. Кассим [и др.] // Радиопромышленность. 2016. № 4. С. 57–65.

19. Метод синтеза математических моделей оценки пожарной обстановки и состояния людей, находящихся в зоне пожара / Н. А. Кореневский, М. В. Шевцов, Л. В. Стародубцева, Г. В. Сипливый // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2021. Т. 11, № 3. С. 142–159.

20. Интеллектуальная система обработки изображений, получаемых с беспилотных летательных аппаратов / С. А. Филист, Р. А. Томакова, Н. Г. Нефедов, Е. И. Пузырев, И. Н Горбачев // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2022. Т. 12, № 4. С. 64–86.

21. Титов Д. В., Емельянов С. Г., Труфанов М. И. Быстродействующая система технического зрения для поиска и определения характеристик очага возгорания // Известия высших учебных заведений. Приборостроение. 2012. № 2. С. 40–43.

22. Автоматизированная система для классификации снимков видеопотоков / С. А. Филист, М. В. Шевцов, В. А. Белозеров [и др.] // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2021. Т. 11, № 4. С. 85–105.