Журнал: Том 21, № 1, 2016
Сторінки: 20 – 27
779 Переглядів

Алгоритми прокладання маршруту безпілотних літальних апаратів на основі застосування нейронних мереж Хопфілда

М. П. Мусієнко, Ірина Журавська

Анотація

В статті розглядаються моделі, методи і алгоритми прокладання маршруту безпілотних літальних апаратів (БПЛА). Запропоновано застосовувати для вирішення поставлених завдань математичний апарат нейронних мереж Хопфілда (НМХ). Проведено моделювання поведінки БПЛА в середовищі MATLAB r2009b. Розроблено модифіковану модель структури НМХ (за рахунок введення додаткового модуля аналізу географічних координат) і математичну модель пошуку оптимального шляху БПЛА за принципом судоку (за рахунок введення додаткових обмежень). Проведений експеримент показав адекватність і ефективність застосування запропонованого методу та розробленої моделі для формування маршрутів БПЛА

Ключові слова

БПЛА, прокладання маршруту, нейронна мережа Хопфілда, математичне моделювання, MATLAB

Використані джерела

  1. Bortoff, S.A. (2000). Path planning for UAVs. In Proceedings of the 2000 American Control Conference (Vol. 1, pp. 364–368).
  2. European Aviation Safety Agency. (2015). Proposal to create common rules for operating drones in Europe, September. Retrieved from https://www.easa.europa.eu/system/files/dfu/205933-01-EASA_Summary%20of%20the%20ANPA.pdf
  3. Federal Aviation Administration Office of the Chief Counsel. (2015). State and local regulation of unmanned aircraft systems (UAS) fact sheet, December 17. Retrieved from https://www.faa.gov/uas/regulations_policies/media/UAS_Fact_Sheet_Final.pdf
  4. Goldman, J. (2016). Drones hit new heights at CES 2016. CNET, Gadgets, January 10. Retrieved from http://www.cnet.com/news/drones-ces-2016/
  5. Guang, Y., & Vikram, K. (2002). Optimal path planning for unmanned air vehicles with kinematic and tactical constraints. In Proceedings of the 41st IEEE Conference on Decision and Control (Vol. 2, pp. 1301–1306).
  6. Hopfield, J.J. (1982). Neural networks and physical systems with emergent collective computational abilities. Proceedings of the National Academy of Sciences, 79, 2554–2558.
  7. Kojic, N., Reljin, I., & Reljin, B. (2013). Route selection problem based on Hopfield neural network. Radioengineering, 22(4), 1182–1193.
  8. Musiyenko, M.P., Zhuravska, I.M., Kulakovska, I.V., & Kulakovska, A.O. (2016). Simulation of the behavior of robot subswarm in spatial corridors. In Proceedings of the 36th International Conference on Electronics and Nanotechnology (ELNANO-2016), Kyiv.
  9. Pashkevich, A., & Kazheunikau, M. (2005). Neural network approach to trajectory synthesis for robotic manipulators. Journal of Intelligent Manufacturing, 16, 173–187.
  10. Rana, A.S., & Zalzala, A.M.S. (1997). A neural networks based collision detection engine for multi-arm robotic systems. In Proceedings of the 5th International Conference on Artificial Neural Networks, 140–145.
  11. Yan, M. (2016). Dijkstra’s Algorithm (Presentation). Massachusetts Institute of Technology, Department of Mathematics. Retrieved from http://math.mit.edu/~rothvoss/18.304.3PM/Presentations/1-Melissa.pdf

ЦИТУВАТИ

Musiyenko, M., & Zhuravska, I. (2016). Algorithms for laying of the route of unmanned aerial vehicles based on Hopfield neural networks. Bulletin of Cherkasy State Technological University, 21(1), 20-27.