Беспилотники научили видеть дорогу без GPS и ГЛОНАСС: «умную» навигацию создали в МФТИ

БПЛА распознаёт здания, реки и опоры ЛЭП в любую погоду, а испытания показали точность до нескольких метров

Беспилотник может терять спутниковую навигацию в горах, «серых зонах», при подавлении сигнала или в режиме радиомолчания. В таких условиях он фактически лишается привычного ориентира. В МФТИ решили проблему и создали систему «Фасетка», которая помогает аппарату понимать, где он находится, даже без GPS и ГЛОНАСС: она смотрит на местность, распознаёт устойчивые объекты и сверяет их с заранее загруженной картой.

Разработка создана в НТЦ робототехники и компьютерных технологий МФТИ при поддержке Фонда НТИ. Система предназначена для работы там, где обычная спутниковая навигация недоступна или ненадёжна: в зонах стихийных бедствий, техногенных аварий, при мониторинге трубопроводов, а также при выполнении специальных задач в условиях радиомолчания.

Испытания на вертолёте и беспилотниках подтвердили, что на высоте 1000 метров точность навигации может достигать 6 метров.

Обычные методы визуальной ориентации тоже имеют ограничения. Беспилотник может использовать заранее подготовленные карты, но ландшафт меняется: зимой снег закрывает привычные контуры, ночью и в плохую погоду многие системы работают хуже, а съёмка под углом сильно усложняет распознавание. «Фасетка» решает решает эти проблемы.

Аппарат собирает разные типы данных о местности и ищет объекты, которые почти не меняются со временем: дороги, здания, русла рек, опоры линий электропередачи. Например, тепловой контур здания может сохраняться зимой, а радиолокационное изображение помогает видеть крупную структуру леса независимо от листвы. Затем эти признаки сопоставляются с эталонной спутниковой картой, загруженной в память, — например, с Google или Яндекс Картами.

Ещё одна важная особенность — работа под углом. Классическая визуальная навигация обычно требует, чтобы камера смотрела строго вниз. «Фасетка» допускает отклонение до 45 градусов от вертикали. Этого удалось добиться за счёт обучения нейросети на синтезированных ракурсах и использования генеративных моделей.

Читайте ещё материалы по теме: