Тема: исследование применения нейронных сетей для управления роем...

СОДЕРЖАНИЕ
TOC \o "1-3" \h \z \u ВВЕДЕНИЕ PAGEREF _Toc76731225 \h 21. ТЕОРЕТИЧЕСКИЕ ОСОБЕННОСТИ НЕЙРОННЫХ СЕТЕЙ PAGEREF _Toc76731226 \h 51.1 Понятие и область применения нейросетей PAGEREF _Toc76731227 \h 51.2 Применение нейросетей и их классификация PAGEREF _Toc76731228 \h 102. ИССЛЕДОВАНИЕ ПРИМЕНЕНИЯ НЕЙРОННЫХ СЕТЕЙ ДЛЯ УПРАВЛЕНИЯ РОЕМ ДРОНОВ PAGEREF _Toc76731229 \h 172.1 Анализ использования роев дронов с нейронной сетью PAGEREF _Toc76731230 \h 172.2 Исследование применения нейронных сетей для управления роем дронов PAGEREF _Toc76731231 \h 21ЗАКЛЮЧЕНИЕ PAGEREF _Toc76731232 \h 27СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ PAGEREF _Toc76731233 \h 29
ВВЕДЕНИЕДаже сегодня искусственные нейронные сети используются во многих областях, но прежде чем их можно будет использовать в местах, которые угрожают жизни людей или важным материальным ресурсам, необходимо решить важные вопросы об их эксплуатационной надежности. Поэтому уровень допустимых ошибок следует определять в соответствии с характером самой задачи. Некоторые проблемы анализа проблем надежности возникают из-за предположения о полностью безошибочном компьютере, и искусственные нейронные сети могут быть неточными, даже если они работают должным образом.
На самом деле компьютеры, как и люди, совершают ошибки. Первое связано с различными техническими проблемами или ошибками в процедурах, второе с невнимательностью, усталостью или непрофессионализмом. Поэтому для особо важных задач эти системы должны повторять друг друга и обеспечивать друг друга. Это означает, что при решении этих проблем нейронные сети следует использовать не как единый инструмент, а как дополнительное средство для предотвращения особых ситуаций или контроля, если проблема не решена стандартным способом, любая задержка в их решении должна использоваться не как единый инструмент, а как дополнительное средство для предотвращения особых ситуаций или контроля, если проблема не решена стандартным способом.
Еще одна трудность с использованием нейронных сетей заключается в том, что традиционные нейронные сети не могут объяснить, как они решают проблемы. Внутреннее представление результатов обучения часто настолько сложно, что его невозможно проанализировать, за исключением нескольких простых случаев, которые обычно не представляют интереса.
Области применения нейронных сетей очень разнообразны - распознавание текста и речи, семантический поиск, экспертная поддержка и системы поддержки принятия решений, прогнозирование цен на акции, валюты, цены на драгоценные металлы, системы безопасности, анализ текста, управление роем дронов.
Актуальность работы. В последнее время предпринимаются активные попытки объединить искусственные нейронные сети с экспертными системами, в частности в управлении роем дронов. В такой системе искусственная нейронная сеть может реагировать на большинство относительно простых случаев, а все остальные случаи передаются на рассмотрение экспертной системе. Поэтому сложные случаи рассматриваются на более высоком уровне, возможно, для сбора дополнительных данных или даже участия экспертов.
Объект работы – использование нейронных сетей.
Предмет – исследование применения нейронных сетей для управления роем дронов.
Цель работы – провести исследование применения нейронных сетей для управления роем дронов, а также изучить, какую значимость оно несет в себе в настоящее время. Исходя из цели работы, выделим ключевые задачи, которые предстоит решить:
1. Определить понятие и область применения нейросетей;
2. Изучить применение нейросетей и их классификация;
3. Провести анализ использования роев дронов с нейронной сетью;
4. Раскрыть исследование применения нейронных сетей для управления роем дронов.
При написании данной работы были использованы методы исследования:
1. Теоретические:
а) анализ для разделения темы на более мелкие части, чтобы лучше понять их (анализ научно-методической литературы и документальных и архивных материалов);
б) синтез для объединения ранее разрозненных понятий в одно целое.
2. Эмпирические:
а) наблюдение для описания поведения изучаемого объекта;
б) сравнение для выявления в объекте новых и важных свойств.
Теоретическая основа исходит из того, что в настоящее время имеется огромное количество ученых, изучающих данную проблематику: Барский А.Б., Галушкин А.И., Каллан Р., Комашинский В. и т.д.
Структура. Курсовая работа включает введение, две главы, заключение и список литературы. Во введении раскрыты актуальность темы исследования, ее цель, задачи, предмет и объект, теоретическая и методологическая база. В первой главе исследованы теоретические аспекты. Во второй главе проведен анализ исследуемой темы. В заключении обобщены основные выводы и предложения.
1. ТЕОРЕТИЧЕСКИЕ ОСОБЕННОСТИ НЕЙРОННЫХ СЕТЕЙ1.1 Понятие и область применения нейросетейИскусственные нейронные сети (ИНС) - это математические модели, а также их программные или аппаратные реализации, построенные на принципах организации и функционирования биологических нейронных сетей - сетей нервных клеток живых организмов. Концепция возникла при изучении процессов, происходящих в мозге, и попытке их моделирования. Первой такой попыткой была нейронная сеть Маккалоха и Питтса. Впоследствии, после разработки алгоритма обучения, полученная модель используется для практических целей: задач прогнозирования, распознавания образов, задач управления и т.д.
ИНС - это система простых процессоров (искусственных нейронов), которые соединяются и взаимодействуют друг с другом. Этот тип процессора обычно очень прост, особенно по сравнению с процессором, используемым в персональных компьютерах (см. рис. 1.1). Каждый процессор такой сети обрабатывает только сигналы, которые он периодически получает, а также сигналы, которые он периодически отправляет другим процессорам. И, тем не менее, подключенный к довольно большой сети с помощью управляемого взаимодействия, этот локальный простой процессор вместе может выполнять довольно сложные задачи [5, с. 162-187].

Рисунок 1.1 - Нейронная сеть
Нейронные сети не программируются в обычном смысле этого слова, они обучены. Способность к обучению является одним из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение включает в себя нахождение коэффициентов связи между нейронами. Во время обучения нейронные сети способны распознавать сложные зависимости между входными и выходными данными и выполнять обобщения. Это означает, что в случае успешного обучения сеть сможет возвращать правильные результаты на основе отсутствующих данных в обучающей выборке и неполных и / или зашумленных частично искаженных данных [12, с. 142-164].
Таблица 1.1 – Предметные области и формулировка задач нейронной сети
Область Использование нейронных сетей
Экономика и коммерция прогнозы временных рядов (курсы валют, цены на товары, объемы продаж и т.д.), автоматизированные транзакции, оценка рисков невозвращенных кредитов, прогнозы банкротства, оценки недвижимости, выявление переоцененных и недооцененных компаний, рейтинги, оптимизация товарных и денежных потоков, считывание и идентификация чеков и документов, безопасность операций с пластиковыми картами
Медицина диагностика, обработка медицинских изображений, мониторинг состояния пациента, анализ эффективности лечения, очистка показаний приборов от шума.
Авионика обучение автопилоту, распознавание радиолокационных сигналов, адаптивное пилотирование сильно поврежденных самолетов, беспилотных летательных аппаратов.
Связь сжатие видеоинформации, быстрое кодирование-декодирование, оптимизация сотовых сетей и схем маршрутизации пакетов.
Интернет поиск соответствующей информации, электронные секретари и автономные агенты в Интернете, фильтрация информации, блокировка спама, автоматическая классификация новостных лент, целевая реклама и маркетинг электронной коммерции.
Автоматизация производства оптимизация режима производственного процесса, контроль качества продукции, мониторинг и визуализация многомерной информации планирования, предотвращение чрезвычайных ситуаций, робототехника.
Политология и социология прогнозирование результатов выборов, анализ опросов, прогнозирование динамики рейтинга, выявление важных факторов, кластеризация избирателей, изучение и визуализация социальной динамики населения.
Система безопасности распознавание лиц; идентификация лиц по отпечаткам пальцев, голосу, подписи, лицу; идентификация автомобильных номерных знаков, анализ аэрокосмических изображений, мониторинг информационных потоков и обнаружение вторжений в компьютерные сети, обнаружение подделок.
Ввод и обработка информации распознавание почерка, сканирование почтовых, платежных, финансовых и бухгалтерских документов.
Геологоразведка анализ сейсмических данных, корреляционные методы разведки полезных ископаемых, оценка ресурсов месторождений.
В значительной степени сфера применения нейронных сетей совпадает с кругом задач, решаемых традиционными статистическими методами. Поэтому необходимо указать на преимущества нейронных сетей перед несколькими классическими статистическими методами [3, с. 44-67].
По сравнению с линейными статистическими методами (линейная регрессия, авторегрессия, линейный дискриминант) нейронные сети позволяют эффективно строить нелинейные зависимости и, следовательно, более точно описывать наборы данных. Из нелинейных методов классической статистики распространены только байесовские классификаторы, которые строят поверхность квадратичного деления, в то время как искусственная нейронная сеть может построить поверхность более высокого порядка. Высокая нелинейность разделенной поверхности байесовского классификатора требует значительного общего числа примеров, чтобы можно было оценить вероятность каждой комбинации интервалов значений переменных. Нейронная сеть обучается на всей выборке данных.
Для сжатия и визуализации данных в статистике были разработаны линейные методы главных компонентов. Нейронные сети - автоассоциаторы позволяют более эффективно сжимать данные за счет построения нелинейных отображений и визуализации данных в пространстве с меньшим количеством нелинейных главных компонентов.
По сравнению с непараметрическими статистическими методами нейронные сети с радиальными базисными функциями могут уменьшить количество ядер, оптимизировать координаты и неоднозначность каждого ядра. Это позволяет ускорить дальнейшее принятие решений при сохранении парадигмы локального ядерного приближения [10, с. 23-64].
При обучении нейронной сети вместо критериев качества в виде наименьших квадратов могут использоваться надежные критерии, в дополнение к оптимизации других свойств нейронной сети (например, добавление критериев регуляризации или оптимизация структуры нейронной сети одновременно, алгоритм обучения нейронной сети остается прежним).
Необходимость решения прямых и обратных задач обычно требует построения двух моделей. При работе с нейронными сетями можно использовать единую обучающую сеть для решения прямой задачи. Кроме того, нейронная сеть может решать несколько задач одновременно (если у нее несколько выходов).
Таким образом, стоит отметить огромную простоту нейронных сетей в использовании. Нейронные сети учатся на примерах. Пользователь нейронной сети выбирает репрезентативные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. В то же время пользователи должны обладать некоторыми эвристическими знаниями о том, как отбирать и подготавливать данные, выбирать необходимую сетевую архитектуру и интерпретировать результаты, но уровень знаний, необходимый для успешного применения нейронных сетей, значительно ниже, чем при использовании традиционных статистических методов.
1.2 Применение нейросетей и их классификацияЛюбая работа с нейронной сетью начинается с определения задачи, которую она должна решить, то есть определения выходной функции. В общем случае сети могут решать как задачи классификации (дискретный вывод), так и задачи прогнозирования (непрерывный вывод). Из многих задач, которые нейронные сети решают для транзакций, наиболее важными являются:
1. Классификация направления прогноза;
2. Прогноз цен;
3. Разработка торговых сигналов;
4. Прогноз показателей;
5. Выявление кризисов;
6. Прогноз развития кризисной ситуации и т.д.
Конечной целью любого типа анализа, включая нейротехнологию, является генерация торговых сигналов. Построение нейронных сетей для генерации торговых сигналов сложная задача, требующая глубокого понимания рынка и нейронных сетей. Поэтому следует сначала научиться избегать ошибок в более простой, но не менее важной задаче - прогнозировании цен и показателей [2, с. 32-41].
Изображения могут быть объектами различной природы: текстовыми символами, звуковыми образцами и т.д. При обучении сети предоставляются различные примеры изображений, указывающие, к какому классу они принадлежат. Выборка обычно представляется в виде вектора собственных значений. В этом случае сумма всех признаков должна однозначно определять класс, к которому относится образец. Если функций недостаточно, сеть может связать один и тот же шаблон с несколькими классами, что неверно. В конце сетевого обучения можно представить ранее неизвестные изображения и получить ответы о принадлежности к определенному классу.
Топология такой сети характеризуется тем, что количество нейронов в выходном слое обычно равно количеству определенных классов. В этом случае устанавливается соответствие между выводом нейронной сети и классом, который она представляет. Когда изображение отправляется в сетку, на одном из ее выходов должен появиться флаг, указывающий, что изображение относится к этому классу. В то же время на другом выводе должен быть флаг, указывающий, что чертеж не принадлежит к этому классу. Если на двух или более выходах есть флаг, принадлежащий классу, сеть считается неопределенной в своем ответе.
Принятие решений и управление. Эта проблема близка к проблеме классификации. Классификация зависит от ситуации, в которой ее характеристики получаются на входе нейронной сети. На выходе сети должен появиться флаг решения, принятого сетью. В этом случае набор критериев используется в качестве входного сигнала для описания состояния управляемой системы [11, с. 98-112].
Кластеризация относится к разделению набора входных сигналов на классы, хотя количество и характеристики классов заранее неизвестны. После обучения такая сеть может определить, к какому классу относится входной сигнал. Сеть также может сигнализировать о том, что входной сигнал не принадлежит ни к одному выбранному классу - признак отсутствия новых данных в обучающей выборке. Таким образом, такая сеть может обнаруживать новые, ранее неизвестные категории сигналов. Соответствие между классами, предназначенными для сетки, и классами, существующими в предметной области, устанавливается одним человеком.
Предсказуемая способность нейронных сетей напрямую зависит от их способности обобщать и выявлять скрытые зависимости между входными и выходными данными. После обучения сеть может предсказывать будущие значения последовательности на основе нескольких предыдущих значений и / или некоторых факторов, присутствующих в настоящее время. Следует отметить, что прогнозирование возможно только тогда, когда предыдущие изменения в какой-то степени действительно определили будущее.
Нейронные сети могут аппроксимировать непрерывные функции. Доказанная обобщенная теорема аппроксимации: с помощью линейных операций и каскадных соединений из любого нелинейного элемента можно получить устройство, которое вычисляет любую непрерывную функцию с некоторой заданной точностью. Это означает, что нелинейные свойства нейронов могут быть произвольными. Сложность конкретной сети может зависеть от выбора нелинейных функций, но для любой нелинейности сеть по-прежнему является общим приближением, и, если структура выбрана правильно, она может точно аппроксимировать любой непрерывный автомат.
Способность нейронных сетей распознавать взаимосвязи между различными параметрами позволяет более компактно выражать данные больших размеров, когда они тесно связаны друг с другом. Обратный процесс - восстановление исходного набора данных из фрагмента информации называется (автоматической) ассоциативной памятью. Связанная память также позволяет восстанавливать исходный сигнал / изображение из зашумленных / поврежденных входных данных. Решение проблемы гетероассоциативной памяти позволяет реализовать память, адресованную по содержанию [8, с. 12-35].
С интуитивной точки зрения нейронные сети привлекательны тем, что основаны на примитивных биологических моделях нервной системы. В будущем развитие этой нейробиологической модели может привести к созданию компьютеров, которые действительно думают.
Прогнозирование финансовых временных рядов является необходимым элементом любой инвестиционной деятельности. Идея инвестирования - инвестировать деньги сейчас, чтобы получить прибыль в будущем, которая основана на идее прогнозирования будущего. Поэтому прогноз финансовых временных рядов является основой деятельности всей инвестиционной отрасли - всех биржевых и внебиржевых систем торговли ценными бумагами.
Хорошо известно, что 99% всех сделок являются спекулятивными, т. е. они заканчиваются не для обеспечения реального оборота, а для получения прибыли. Все это основано на прогнозах изменения обменного курса, сделанных участниками сделки. Кроме того, прогнозы участников каждой сделки противоречат друг другу. Следовательно, спекулятивные манипуляции характеризуют степень изменчивости прогнозов участников рынка, т. е. степень непредсказуемости финансовых временных рядов.
Чистая форма моделирования нейронной сети основана только на данных без какого-либо предварительного рассмотрения. В этом его преимущества и в то же время его недостатки. Имеющихся данных может быть недостаточно для обучения, а размер потенциальных входных данных может быть слишком большим. Таким образом, чтобы получить хороший прогноз, нужно сначала использовать хорошо подготовленные данные, а затем мощные пакеты [18, с. 184-197].
Прогнозные задачи особенно важны для практики, особенно для финансовых приложений, поэтому необходимо более подробно рассмотреть методы использования нейронных сетей в этой связи. Рассмотрим практический вопрос, ответ на который не очевиден - вопрос прогнозирования курса драгоценных металлов на 1 день вперед.
Предположим, у есть база данных, содержащая значения обменного курса за последние 628 дней. Необходимо спрогнозировать цену на завтра, основываясь на ценах последних нескольких дней. Прогнозирующая нейронная сеть должна иметь только один вывод и будет использовать для прогнозирования тот же объем входных данных, что и предыдущие значения.
Возникает вопрос, необходимо ли предсказывать абсолютные или относительные значения? Не нужно выбирать само значение котировки в качестве входа и выхода нейронной сети. Изменения цен очень важны для прогнозирования. Поскольку величина этих изменений обычно намного меньше, чем сама котировка, существует большая корреляция между последовательными значениями процентной ставки - наиболее вероятное значение процентной ставки в следующий момент равно ее предыдущему значению. В то же время, чтобы повысить качество обучения, нужно стремиться к статистической независимости исходных данных, то есть к отсутствию такой корреляции.
Поэтому в качестве входной переменной следует выбрать наиболее статистически независимое значение, например, изменение котировок или логарифм относительных приращений. Последний вариант хорош для длинных временных рядов, когда последствия инфляции уже очевидны. В этом случае простые различия в разных частях будут иметь разную амплитуду, потому что на самом деле они измеряются в разных единицах измерения. Напротив, соотношение непрерывных котировок не зависит от единицы измерения, которая будет одинаковой по размеру, несмотря на инфляционное изменение единицы измерения. Таким образом, большая стабильность серии позволит использовать более масштабную историю и обеспечит лучшую подготовку [16, с. 112-134].
Вторым и наиболее важным шагом является определение состава входных данных. Распространенной ошибкой является то, что на вход подается много разнообразной и часто ненужной информации, и предполагается, что нейронная сеть сама выберет важные показатели. На самом деле нейронные сети способны отфильтровывать незначительные входные данные, но каждый лишний ввод усложняет сеть, затрудняет обучение и, самое главное, снижает качество прогнозирования. При большом количестве дополнительных входных данных нейронные сети часто делают прогнозы на основе предыдущих показателей. Поэтому необходимо быть очень осторожным при добавлении новых входных данных. На вход нейронной сети может подаваться самая разнообразная информация, дискретная (различные события) и непрерывная (цены, индексы, индикаторы). Наиболее важными входными данными являются индикаторы технического анализа и различные фондовые индексы.
Большой проблемой при определении состава входов является определение глубины «погружения» - размера временного окна, данные из которого подаются на вход нейросети. Возникает вопрос, сколько баров подавать на вход, чтобы качественно обучить нейросеть? Эта величина определяется только из собственного опыта и должна быть адекватной прогнозируемому периоду. Например, при дневных прогнозах разумная глубина погружения находится в пределах 5-20 дней [15, с. 15-42].
Необходимо отметить, что многие популярные нейропакеты имеют функцию определения чувствительности по входам, которая рекомендуется разработчиками пакетов как универсальный способ отсеивания «лишних» входов. Хотя эта функция и является полезной при определении состава входов, ее автоматическое использование может принести больше вреда, чем пользы. Это обусловлено тем, что проблема определения чувствительности по входам для многослойных нейронных сетей пока математически не решена, и решается различными эмпирическими способами и алгоритмами. Поэтому рекомендуется пользоваться этой функцией с осторожностью и результаты проверять другими косвенными методами, например, статистическими.
Выбор оптимальной архитектуры сети в настоящее время не имеет математического решения и производится на основе опыта и знаний. Здесь можно сказать только, что сеть должна иметь разумные размеры, а именно:
1. Максимальное число нейронов 30-40;
2. Максимальное число скрытых слоев 3-4;
3. Объем входных данных должен превышать в несколько раз количество нейронов.
Обычно считают, что большее число нейронов обеспечивает более качественное прогнозирование, и это является типичной ошибкой. Большой размер нейросети приводит к затруднению обучения и попаданию сети в локальные, а не в глобальные минимумы функции ошибки. Также уменьшаются обобщающие свойства сети, сеть начинает просто запоминать обучающую выборку. Такая сеть будет отлично «прогнозировать» на обучающей выборке, но на новых данных прогноз будет плохим. Чтобы избежать эффекта запоминания, объем данных должен быть достаточно большим. Например, для прогнозирования российских акций на день вперед минимальный рекомендуемый размер выборки - около 200-250 дней.
2. ИССЛЕДОВАНИЕ ПРИМЕНЕНИЯ НЕЙРОННЫХ СЕТЕЙ ДЛЯ УПРАВЛЕНИЯ РОЕМ ДРОНОВ2.1 Анализ использования роев дронов с нейронной сетьюВ 2012 году впервые заговорили о дронах на фоне большого светового шоу, организованного Ars Electronica для большой аудитории. Вау - эффект был гарантирован, и перспективы быстрого развития в этом направлении предсказуемы.
За последние годы технологии сделали шаг вперед, оборудование относительно дешевое, простое в эксплуатации, а технологию легко расширить для использования в любых целях. Беспилотные летательные аппараты использовались для решения ряда задач в сельском хозяйстве, животноводстве, строительстве, рекламе, поисково-спасательном персонале.
С точки зрения поисково-спасательного персонала, беспилотные летательные аппараты неоднократно доказывали свою эффективность. Главное преимущество заключается в том, что дрон может искать человека с воздуха в недоступном или опасном для спасателей месте. Но роботы не всегда могут заменить человека. При работе в лесу возникает много трудностей. К преимуществам дронов относится [7, с. 7-15]:
1. Способность видеть сквозь плотную оболочку;
2. Работа в автономном режиме при выполнении поисковых операций в удаленных районах;
3. Работа в любых погодных условиях и при любой видимости;
4. Качество и эффективность передачи информации и так далее.
Команда ученых из МПС Российской академии наук и лаборатории киберфизических систем Школы беспилотных летательных аппаратов Майя пообещала решить эти проблемы.
Роботы вместо людей. В среднем для проведения поисково-спасательной операции требуется около 100 спасателей. Команда Gofpv, в которую входят эксперты в области робототехники, нейронных сетей и беспилотных летательных аппаратов, предлагает заменить членов поисковой команды группой высокотехнологичных автономных дронов.
Решение было представлено в рамках конкурса технологий Odyssey, который стартовал в 2018 году по инициативе благотворительного фонда «Система». Задача игры состоит в том, чтобы разработать технологию, которая может найти человека, исчезнувшего в лесу без источника связи менее чем за 10 часов [17, с. 82-94].
Изучив возможности практического применения технологии распознавания, автономной навигации, передачи видеосигнала, различных типов датчиков, графических процессоров, аэродинамических решений, увеличивающих грузоподъемность и время полета, команда GoFPV разработала решение (см. рис. 2.1).

Рисунок 2.1 – Внутренний вид дрона
Несмотря на очевидную простоту решения, рой дронов представляет собой довольно сложную систему управления. Для того чтобы устройство эффективно выполняло свои задачи, системы управления и навигации должны работать быстро и с минимальным участием человека.
Собранные данные о состоянии дронов в каждый момент времени эксперимента (их положении в пространстве, скорости, ускорении, тяге) и вычисленная с их помощью z-компонента возмущающей силы затем использовались для обучения нейронной сети. Итоговый алгоритм с обученными параметрами позволил на лету изменять работу роторов, компенсируя возмущение траектории от пролетов соседних дронов. По словам авторов новый подход уменьшил ошибку при движении в вертикальной плоскости из-за аэродинамического взаимодействия почти в четыре раза.
В процессе определения территории в лесу необходимо соблюдать несколько важных условий [6, с. 100-117].
Во-первых, нужно обработать видеопоток в режиме реального времени.
Во-вторых, он должен обеспечивать высокоточное распознавание с разных ракурсов, поэтому детектор должен быть способен распознавать любую позу человека, освещение, различные типы одежды, а также противостоять любым искажениям самого видеопотока.
В-третьих, процесс обнаружения должен осуществляться на самом беспилотнике.
Модуль NVIDIA Jetson действует как бортовой компьютер Theseus. Для оценки качества детекторов, используемых в беспилотных летательных аппаратах, были выбраны стандартные показатели для таких миссий:
1. Intersection Over Union (IoU) – степень пересечения «предсказанного» и «истинного» ограничивающего человека прямоугольника (bounding box);
2. Mean Average Precision (mAP) – средняя точность обнаружения объекта.
Задача управления и взаимодействия актуальна не только для летающих, но и для наземных групп роботов.
Рой дронов GoFPV состоит из нескольких небольших (35 см) станков, оснащенных:
1. GPS;
2. Видеокамерой;
3. Обучающей нейронной сетью для распознавания человека,
4. Системой обхода препятствий.
Ключевая задача «Тезея» - пролететь 10 километров на одном заряде аккумулятора не более 30-35 минут, изучить территорию вдоль маршрута полета и, если человек найден, передать обработанные данные оператору. В зависимости от условий, времени суток и площади исследуемой территории, для решения задачи поиска человека в лесу может потребоваться от одной до десяти поисковых систем и ретрансляционных дронов.
2.2 Исследование применения нейронных сетей для управления роем дроновВ чем разница между поисковым дроном и ретранслятором? На самом деле, это не более функциональная роль. Единство устройства позволяет продолжить поисковую операцию даже в случае повреждения ретранслятора - его заменит только аналогичное устройство из группы [1, с. 15-47].
Поисковые рои дронов перемещаются под верхушками деревьев. Для эффективного выполнения этой задачи беспилотник оснащен системой подавления помех, которая использует алгоритм навигации по карте глубины, полученный от стереокамеры Intel RealSense. Это позволяет аппарату автономно летать по зоне исследования и успешно избегать столкновений с любыми препятствиями - деревьями, ветвями.
Ретрансляторы перемещаются по лесу, координируя местоположение и работу поисковых дронов, чтобы не потерять связь друг с другом.
Интерактивная цепочка проста (см. рис. 2.2).:
1. Поисковый беспилотник использует воздушную сверточную нейронную сеть yolov3 для идентификации человека и передает обработанное изображение и GPS-координаты на ретранслятор через Wi-Fi;
2. Ретранслятор передает видеопоток оператору в режиме реального времени по радиоканалу 1,2 ГГц.

Рисунок 2.2 – Схема работы нейронной сети
В качестве массива обучающих данных команда GoFPV использовались открытые данные (Caltech, KITTI, CityPerson, COCOPerson, OpenImageDatasets) и собственные производственные данные, полученные в лесных условиях. Также использовались фото-и видеоматериалы, предоставленные Ассоциацией добровольных спасателей Санкт-Петербурга «Экстремум» и Aeroxo. В результате из массива собранных данных были получены изображения людей в разных позах, под разными углами, в разной одежде и в разных условиях [4, с. 84-97].
На сегодняшний день, согласно глобальным исследованиям в области разработки алгоритмов обнаружения, можно выделить две основные области:
1. Классический алгоритм обнаружения, не связанный с глубоким обучением. Такие алгоритмы включают, например, обнаружение человека на основе гистограммы направленного градиента, обнаружение человека на основе движения объектов (фоновый анализ) и так далее;
2. Обнаружение человека на основе сверточных нейронных сетей. Такие алгоритмы включают два уровня (более быстрый RCNN, маскирующий RCNN), один уровень (YOLO, SSD, RetinaNet) и каскадный MTCNN.
Классический алгоритм обнаружения работает быстро даже без видеокарты, но качество обнаружения не очень высокое, что не решит проблему поиска. Разработчики выбирают сверточную нейронную сеть, основанную на одноступенчатом алгоритме YOLOv3. Идея одноступенчатого алгоритма заключается в извлечении кадра из видеопотока сверточной нейронной сетью, в которой люди обнаруживаются сразу на всех слоях нейронной сети, а затем уточняют свое положение с помощью специального алгоритма не максимального подавления.
Нейронные сети и дроны достаточно быстро развиваются в мире технологий. В управлении квадрокоптером за основу была взята искусственная нейронная сеть, состоящая из искусственных нейронов (программируемая система, которая имитирует подобие биологических нейронов) [5, с. 162-187].
Целью данного проекта было создание управления Клевер 4 с помощью нейрошлема от компании «NEUROBOTICS». Мы использовали NeuroPlay-8M с 8-ми канальной системой беспроводной регистрации ЭЭГ данных человека на (гелевых) электродах. Программное обеспечение имеет поддержку устройств серии Нейробелт с интерфейсом Bluetooth 4.0 (BLE).
Нейронная сеть обучается в рамках Pytorch. Проблема переподготовки модели была решена с помощью ранней остановки обучения (early stop). Полученная нейронная сеть оптимизирована с использованием NVIDIA TensorRT5 (см. рис. 2.3).

Рисунок 2.3 – Анализ внутреннего содержимого дрона
Когда алгоритм тестируется в лесу на беспилотнике, средняя точность обнаружения составляет около 10-12 кадров в секунду. Вся работа по поиску, анализу и передаче информации осуществляется автоматически. Задача оператора сводится к минимуму - подтвердить, что человек найден, и вызвать спасательную команду по указанным координатам.
За один полет беспилотник способен обрабатывать полосы шириной до 50 метров. Для прочесывания больших участков леса может потребоваться десять или более устройств. В случае прочесывания леса с помощью роя, состоящего из нескольких поисковых дронов, необходимо согласовать местоположение соседних машин. Важно не допустить их распространения на расстояние более 25-30 метров [6, с. 15-47].
Расстояние более 30 метров между дронами не позволит нейронным сетям эффективно идентифицировать человека. Кроме того, 25 метров - это расстояние, которое волонтеры поисковой системы обычно устанавливают при прочесывании леса цепью.
Ретрансляторы уменьшают видеопоток со всех устройств swarm, преобразуют его в аналоговый формат и передают на рабочее место оператора по радиоканалу 1,2 ГГц, который может передаваться на расстояние в десятки километров.
При одновременном запуске 10 беспилотных летательных аппаратов, без учета ретрансляторов, десяти часов работы должно хватить для прочесывания 100 квадратных километров территории.
Решение прошло первые полевые испытания, которые позволили определить возможность группового полета под пологом в зависимости от плотности лесной зоны. Для этой цели использовался гоночный беспилотник, управляемый гарнитурой виртуальной реальности. По результатам обработки видео нейронной сетью получаются обозначенные фрагменты изображения, указывающие на вероятность присутствия в них людей.
В системе R1 используются сложные алгоритмы распознавания окружающей среды, планирования и управления. Система с помощью нейронной сети отличает нужного человека от других, предсказывает его движения и строит траекторию полета дрона так, чтобы держать объект в поле зрения камер. Дрон может автоматически следовать за человеком на расстоянии от трех до десяти метров. Запаса батарей хватает примерно на 16 минут полета, после чего дрон самостоятельно ищет ровную площадку и производит посадку [4, с. 196-214].Классические алгоритмы обнаружения работают быстро (даже без видеокарт), но обладают не очень высоким качеством обнаружения, поэтому не применимы в поисковых операциях. Следовательно, в качестве системы обнаружения на BPLA используется свёрточная нейронная сеть (на основе одноэтапных алгоритмов YOLO). Через нейронные сети FPV-камера на гиростабилизированной платформе распознаёт изображение человека. Обучение нейронной сети проводится через помеченный набор данных с использованием алгоритма обратного распространения погрешностей. Из этого набора данных выбираются кластеры для распознавания человека, что позволяет не перегружать компьютер другими элементами.
Обнаружение людей осуществляется с использованием доверительного интервала: если точность распознавания достигает порогового значения, нейронная сеть учитывает человека, который будет обнаружен и найден. BPLA сообщает оператору о найденном человеке, оператор проверяет данные, а затем принимает решение продолжить или прервать операцию поиска.
Вообще, поиск человека трудоёмкая и энергоёмкая задача. Важность поисково-спасательных миссий высока, они актуальны не только в России, но и во всем мире. Предлагаемое решение имеет существенное преимущество перед стандартными (привлечение вертолёта или цепочки людей). Мы уже внедрили наш подход для обнаружения людей и провели тесты по предотвращению столкновений. Задачи на будущее — выполнение обработки видео на борту беспилотного летательного аппарата, повышение автономности беспилотников во избежание привлечения второго оператора, а также проверка возможности использования радиорелейного беспилотного летательного аппарата для обеспечения связи и локальной навигации.
ЗАКЛЮЧЕНИЕМногие компании разрабатывают пакеты приложений для нейронных сетей, которые позволяют пользователям использовать различные типы нейронных сетей, а также различные методы обучения. Они могут быть специализированными (например, они используются для прогнозирования цен на драгоценные металлы) или довольно распространенными.
Области применения нейронных сетей очень разнообразны - распознавание текста и речи, семантический поиск, экспертная поддержка и системы поддержки принятия решений, прогнозирование цен на акции, валюты, цены на драгоценные металлы, системы безопасности, анализ текста, управление роем дронов.
Исследования в области нейронных сетей в основном достаточно ясны. Они обладают значительными преимуществами по сравнению с другими вычислительными методами в статистике и науке. Таким образом, модели, основанные на нейронных сетях в управлении роем дронов, предъявляют очень гибкие теоретические требования. Кроме того, они требуют очень небольшого объема предварительных знаний о формировании проблем.
Как мощный механизм обучения, нейронная сеть может широко использоваться в различных областях. Однако существует вероятность недопонимания при оценке методов машинного обучения. В процессе решения проблем они никогда не смогут полностью заменить людей. Нейронные сети следует использовать для обобщения данных, а не для определения того, какие атрибуты и критерии важны при сборе данных. Нейронные сети по своей сути адаптивны, и они могут имитировать решение человеческих проблем, но они не говорят, какие критерии следует учитывать для решения проблемы перед сбором данных. Кроме того, обучающие машины часто используются для формализации знаний на основе реальных данных, но сами обучающие машины не могут генерировать формальные принципы.
На самом деле компьютеры, как и люди, совершают ошибки. Первое связано с различными техническими проблемами или ошибками в процедурах, второе с невнимательностью, усталостью или непрофессионализмом. Поэтому для особо важных задач эти системы должны повторять друг друга и обеспечивать друг друга. Это означает, что при решении этих проблем нейронные сети следует использовать не как единый инструмент, а как дополнительное средство для предотвращения особых ситуаций или контроля, если проблема не решена стандартным способом, любая задержка в их решении должна использоваться не как единый инструмент, а как дополнительное средство для предотвращения особых ситуаций или контроля, если проблема не решена стандартным способом.
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
1. Барский, А.Б. Логические нейронные сети: Учебное пособие / А.Б. Барский. - М.: Бином, 2016. - 352 c.
2. Барский, А.Б. Анализ перспектив развития нейронных сетей: Учебное пособие / А.Б. Барский. - М., 2017. - 352 c.
3. Галушкин, А.И. Нейронные сети: основы теории / А.И. Галушкин. - М.: ГЛТ, 2016. - 496 c.
4. Галушкин, А.И. Применение нейронных сетей в дронах / А.И. Галушкин. - М.: РиС, 2015. - 496 c.
5. Галушкин, А.И. Нейронные сети: история развития теории: Учебное пособие / А.И. Галушкин. - М.: Альянс, 2017. - 840 c.
6. Галушкин, А.И. Классификация нейронных сетей / А.И. Галушкин. - М.: ГЛТ, 2010. - 496 c.
7. Каллан, Р. Нейронные сети: Краткий справочник / Р. Каллан. - М.: Вильямс И.Д., 2017. - 288 c.
8. Комашинский, В. Нейронные сети / В. Комашинский. - М.: ГЛТ, 2017. - 194 c.
9. Комашинский, В.И. Нейронные сети и их применение в системах управления и связи / В.И. Комашинский. - М.: ГЛТ, 2018. - 204 c.
10. Редько, В.Г. Эволюция, нейронные сети, интеллект / В.Г. Редько. - М.: Ленанд, 2015. - 315 c.
11. Редько, В.Г. Модели и концепции эволюционной кибернетики / В.Г. Редько. - М.: Ленанд, 2017. - 224 c.
12. Редько, В.Г. Эволюция нейронных сетей / В.Г. Редько. - М.: Ленанд, 2019. - 224 c.
13. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская. - М.: РиС, 2013. - 384 c.
14. Усков, А.А. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика. / А.А. Усков. - М., 2017. - 143 c.
15. Хайкин, С. Нейронные сети: полный курс / С. Хайкин. - М.: Диалектика, 2019. - 1104 c.
16. Ширяев, В.И. Финансовые рынки: Нейронные сети, хаос и нелинейная динамика / В.И. Ширяев. - М.: Ленанд, 2019. - 232 c.
17. Ширяев, В.И. Нейронные сети, хаос и нелинейная динамика / В.И. Ширяев. - М.: КД Либроком, 2016. - 232 c.
18. Ширяев, В.И. Нейронные сети и их применение в дронах: Учебное пособие / В.И. Ширяев. - М.: КД Либроком, 2015. - 232 c.
19. Яхъяева, Г.Э. Нечеткие множества и нейронные сети: Учебное пособие / Г.Э. Яхъяева. - М., 2018. - 316 c.
20. Яхъяева, Г.Э. Использование нейронных сетей / Г.Э. Яхъяева. - М.: Бином. Лаборатория знаний, 2018. - 413 c.