1 Вступ
Сьогодні штучний інтелект швидко розвивається, дослідники працюють над новими методами та застосуваннями для цієї технології: від безпілотних автомобілів, літальних апаратів до віртуальних персональних помічників та багато іншого. Штучний інтелект змінює те, як ми живемо та працюємо, і його вплив лише зростатиме в найближчі роки.
Безпілотні літальні апарати(БПЛА) у світі останніх подій також мають велику популярність та способи використання. На жаль, такий ресурс як запас ходу є досить обмеженим для електричних БПЛА, зокрема квадрокоптерів. Штучний інтелект включає в себе використання різних алгоритмів, зокрема алгоритм оптимізації мурашиної колонії, який може допомогти при знаходженні оптимального маршруту для БПЛА при раціональному використанні енергії та збільшенні запасу ходу і швидкості виконання завдань.
2 Огляд проблеми
Для БПЛА, зокрема квадрокоптерів, автопілоти зі штучним інтелектом стають все більш важливими. Квадрокоптери мають складну динаміку польоту через велику кількість ступенів свободи та нелінійну архітектуру керування. Автопілоти на базі штучного інтелекту можуть краще керувати цією складністю, пристосовуючись до мінливих обставин і навчаючись на досвіді, щоб покращити польотні характеристики.
Застосування алгоритмів штучного інтелекту може запропонувати точніше та стабільніше керування в різноманітних погодних ситуаціях: поривах вітру чи інших екологічних проблемах. Для квадрокоптерів, які повинні зберігати стабільність і контроль під час зависання та навігації, це особливо важливо[1].
Автопілоти з використанням штучного інтелекту можуть усунути потребу в постійному нагляді та керуванні з боку людини, дозволяючи операторам зосередитися на більш складних обов’язках і цілях. Це може сприяти підвищенню продуктивності, зниженню витрат і зниженню ризику людської помилки [2].
Також однією із суттєвих переваг автопілотів з використанням ШІ є здатність швидко виконувати складні обчислення та приймати рішення. Це дозволяє отримати алгоритми керування, які будуть обчислювати оптимальний маршрут для польоту дрона по кількох точках а також, потенційно, зможуть дозволити квадрокоптеру автономно уникати перешкод.
3 Переваги запропонованого рішення
Автопілот на основі алгоритму оптимізації мурашиної колонії має значний потенціал для планування шляху для квадрокоптера. Використовуючи його, дрон може отримати вигоду з наступних переваг:
•Алгоритми оптимізації мурашиної колонії чудово знаходять майже оптимальні рішення для складних проблем. У контексті планування маршруту алгоритм може допомогти визначити найефективніший маршрут для квадрокоптера, мінімізуючи час у дорозі, споживання енергії та ризики.
•Планування шляху на основі мурашиного алгоритму може адаптуватися до змін навколишнього середовища в режимі реального часу. Це означає, що квадрокоптер може оминати перешкоди та враховувати їх у майбутніх польотах.
•Планування шляху на основі мурашиних алгоритмів може пристосовуватися до мінливих вимог або умов навколишнього середовища. Наприклад, якщо вказано нове цільове розташування, алгоритм може швидко обчислити оновлений шлях, який включає нове місце призначення.
•Мурашині алгоритми можна масштабувати для вирішення складніших проблем або великих середовищ. Оскільки сенсорні та обчислювальні можливості квадрокоптера покращуються, планування шляху на основі мурашиного алгоритму може врахувати ці досягнення, забезпечуючи незмінно ефективні рішення. [4]
Враховуючи вище перераховані переваги, автопілот для квадрокопетра, що базується на алгоритмі штучного інтелекту, а саме мурашиному має значні перспективи. Розглянемо результативність цього алгоритму у порівняні з деякими іншими алгоритмами призначеними для пошуку оптимального маршруту.
Мурашиний алгоритм має такі переваги порівняно з іншими алгоритмами пошуку оптимального шляху: легкий для реалізації та розуміння, ефективно розв’язує задачі дискретної оптимізації, за своєю суттю паралельний і може бути легко розподілений між кількома процесорами, надійний за наявності неповної або шумної інформації, адаптується до динамічного середовища, дозволяючи коригувати маршрут у реальному часі. З мінусів можна виділити повільне сходження або потрапляння у локальні оптимуми, можливість необхідності значного налаштування параметрів та потужніші обчислювальні потужності порівняно з іншими алгоритмами. Останнє не є перешкодою для використання у квадрокоптері, оскільки двигуни споживають досить багато енергії і вимагають потужного акумулятора, тому розміщення додаткового більш швидкого процесора несуттєво вплине на час роботи дрону [3].
Порівняно з генетичним алгоритмом, мурашиний працює більш швидко та точно, вимагає меншої кількості даних [1]. Також алгоритм оптимізації мурашиної колонії виявився більш точним, ніж реактивний пошук, проте показав дещо повільніший час. [5] Оскільки рішення про побудову маршруту не повинні прийматись миттєво у дроні, а також завдяки тому, що є можливість збільшити обчислювальну здатність, незначний програш у швидкості не є критичним. Також для задачі знаходження найкоротшої відстані між вершинами мурашиний алгоритм досягає глобальних мінімумів за меншу кількість ітерацій, має меншу кількість перехідних процесів на графіку для квадрата похибки у порівнянні з методом рою часток. [6]
4 Висновки
У цій статті було досліджено потенціал алгоритму оптимізації мурашиної колонії для завдань планування шляху, та продемонстровано його сильні сторони щодо швидкості та продуктивності порівняно з іншими популярними алгоритмами, такими як генетичний алгоритм, реактивний пошук і оптимізація роєм частинок. Було доведено, що мурашиний алгоритм, добре підходить для пошуку майже оптимальних рішень для складних проблем оптимізації маршруту, адаптуючись до динамічного середовища в режимі реального часу.
У статті висвітлюються переваги мурашиного алгоритму, включаючи його ефективність, адаптивність, надійність і масштабованість, які в сукупності сприяють підвищенню продуктивності в задачах планування шляху.
Таким чином даний алгоритм має значні перспективи для застосування у задачах пошуку оптимального шляху в загальному, а також конкретно у сфері програмного забезпечення для керування БПЛА.
Список використаних джерел:
1.https://www.scitepress.org/papers/2010/28929/28929.pdf
2.https://www.analyticsvidhya.com/blog/2022/07/the-power-of-artificial-intelligence-in-drones/
3.https://www.researchgate.net/figure/The-advantages-and-disadvantages-for-ACO-PSO-and-GA-algorithm_tbl2_338141997
4.Liu Jianfang, Research and Application of Ant Colony Algorithm [J]. Chongqing University, 2015.
5.https://hal.science/hal-01541557/document
6.https://www.sciencedirect.com/science/article/pii/S1877050920315337?ref=pdf_download&fr=RR-2&rr=7b97d4c1fce4b3ad
|
Голосування 
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter