Обґрунтування ефективності управління безпілотними літальними апаратами для потреб сільськогосподарського виробництва на основі застосування нейромережевого підходу
DOI:
https://doi.org/10.31359/2311-441X-2025-27-67Ключові слова:
сільськогосподарське виробництво, автоматизовані системи керування, нейронна мережа, траєкторія БПЛА, дрони, прогнозування траєкторії, архітектура нейронної мережі, синтетичний набір даних, 3D-моделюванняАнотація
Важливим вектором розвитку сільськогосподарського виробництва є використання штучного інтелекту та автоматизованих систем керування в різних галузях агробізнесу. Головними складовими застосування автоматизованих систем управління є ефективність, спрощення та безпечність людської праці у сільськогосподарському виробництві на різних роботах. Застосування нейромережевого підходу у системі керування різними автоматизованими системами та механізмами дає можливість підвищити ефективність робочого процесу. Метою роботи є підвищення точності траєкторії польоту дрона шляхом розроблення моделі прогнозування траєкторії на основі нейромережевого підходу. За використання набору відеоматеріалів для навчання нейронної мережі було розроблено модель для прогнозування траєкторії польоту БПЛА. За допомогою інструменту 3D-моделювання Blender було створено набір даних, що відображає різні умови навколишнього середовища. Архітектура нейронної мережі включає блоки довготривалої короткочасної пам'яті (LSTM), які здатні обробляти послідовні дані. Це робить їх ідеальними для прогнозування динамічної траєкторії руху БПЛА.
Отримані результати свідчать, що нейронна мережа показалує кращу продуктивність у реальних сценаріях порівняно з традиційними методами прогнозування траєкторії. Інтеграція LSTM дозволила ефективно навчатися та узагальнювати часові дані, фіксуючи складні рухи і взаємодію з навколишнім середовищем. Це дослідження не тільки демонструє можливість використання нейромережевого навчання для прогнозування траєкторії БПЛА, але й управління діями худоби, автоматизованого збирання і сортування врожаю, управління рослинами і ґрунтом тощо. Крім того, прогнозування траєкторії в реальному часі може значно підвищити ефективність і швидкість прийняття рішень. Наукова новизна отриманих результатів полягає в розробці та навчанні моделей на базі нейромережевого підходу спеціально призначених для прогнозування траєкторії польоту дронів. Це дослідження демонструє ефективність запропонованого підходу і його здатність підвищувати точність прогнозування траєкторії БПЛА.
Посилання
1. Гарафонова О., Маргасова В. Перспективи впровадження інноваційних технологій розвитку агропромислового комплексу України. Socio-economic relations in the digital society. 2022. № 3 (45). С. 19–28. DOI: https://doi.org/10.55643/ser.3.45.2022.475.
2. Information and Communication Technology (ICT) in Agriculture: A Report to the G20 Agricultural Deputies. Rome: FAO, 2017. 57 p.
3. Болтянська Н.І., Маніта І.Ю., Подашевська О. Проблеми і перспективи розвитку інформаційних технологій в сільському господарстві. Праці Таврійського державного агротехнологічного університету імені Дмитра Моторного. 2020. Т. 20. № 4. С. 175–185. DOI: 10.31388/2078- 0877-2020-20-4-175-185.
4. Апуневич І.П. Штучний інтелект як рушій змін у сучасному сільському господарстві. «Агробіологія», 2024. № 2. С. 6-13.
5. AgroDSS: A decision support system for agriculture and farming / M. Kukar et al. Computers and Electronics in Agriculture. 2023. 161 p., P. 260-271.
6. Kumari, S., Venkatesh, V.G., Tan, F.T.C. (2023). Application of machine learning and artificial intelligence on agriculture supply chain: a comprehensive review and future research directions. Ann Oper Res. DOI: 10.1007/s10479-023-05556-3
7. Yue, J., Manocha, D., & Wang, H. Human trajectory prediction via neural social physics. Computer Vision – ECCV 2022. ECCV 2022. Lecture Notes in Computer Science, 2022, vol. 13694. Springer, Cham. DOI: 10.1007/978-3-031-19830-4_22.
8. Liu, Y., Yan, Q., & Alahi, A. Social NCE: Contrastive learning of socially-aware motion representations. IEEE/CVF International Conference on Computer Vision (ICCV), 2021, pp. 15118-15129. DOI: 10.48550/arXiv.2012.11717.
9. Bezsonov, O., Liashenko, S., Rudenko, O., Rutska, S., &Vashchenko, K, (2025) Using a deep learning network to predict flight path. Radioelectronic and Computer Systems, 2025(1), 71-84. doi: https://doi.org/10.32620/reks.2025.1.5
10. Qin, W., Tang, J., Lu, C., & Lao, S. Trajectory prediction based on long short-term memory network and Kalman filter using hurricanes as an example. Computational Geosciences, 2021, vol. 25, pp. 1005-1023. DOI: 10.1007/s10596-021-10037-2.
11. An, Y., Liu, A., Liu, H., & Geng, L. Multidimensional trajectory prediction of UAV swarms based on dynamic graph neural network. IEEE access, 2024, vol. 12, pp. 57033-57042. DOI: 10.1109/ACCESS.2024.3391374.
