Алгоритмы и методы вычисления навигационной информации для автоматической посадки беспилотного воздушного судна на необорудованные взлётно-посадочные полосы с помощью видеоизображения тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Чеканов Константин Александрович

• Чеканов Константин Александрович
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Чеканов Константин Александрович

ВВЕДЕНИЕ

Глава 1. Анализ существующих способов посадки. Метод оценки точности удержания глиссады

1.1. Посадочные системы

1.2. Метод оценки категории точности посадки

1.3. Технические средства обеспечения посадки самолётов

1.4. Техническое зрение как источник данных для вычисления комплексной навигационной оценки состояния

1.5. Анализ систем распознавания взлётно-посадочных полос

Выводы к главе

Глава 2. Распознавание взлётно-посадочной полосы с помощью нейронной сети

2.1. Задачи, решаемые нейронной сетью, при работе с изображением

2.2. Сегментирующая нейронная сеть в задаче распознавания взлётно-посадочной полосы

2.3. Детектирующая нейронная сеть в задаче распознавания взлётно-посадочной полосы

2.3.1. Коррекция перспективных искажений. Модель pinhole-камеры (камеры-обскуры). Преобразование «вид сверху»

2.3.2. Селекция точек. Рекурсивный метод ветвей и границ с ранним исключением гипотез

2.4. Метод обучения нейронной сети с использованием авиасимулятора

2.4.1. Программа автоматической разметки и формирования набора обучающих данных

2.4.2. Обучение нейронной сети для исследуемых задач (детекция, сегментация, оценка положения)

2.5. Метод асинхронного распознавания взлётно-посадочной полосы

Выводы к главе

Глава 3. Решение задачи визуального позиционирования

3.1. Постановка задачи визуального позиционирования

3.2. Решение задачи визуального позиционирования линейным

методом наименьших квадратов

3.3. Решение задачи визуального позиционирования нелинейным методом наименьших квадратов

3.4. Исследование алгоритма комбинирования методов наименьших квадратов

3.4.1. Анализ факторов, влияющих на точность визуального позиционирования

3.4.2. Оценка влияния погрешности распознавания

3.4.3. Оценка влияния погрешности определения углов ориентации

3.4.4. Оценка совместного влияния погрешностей

Выводы к главе

Глава 4. Экспериментальное исследование разработанных алгоритмов

4.1. Этапы проведения исследования

4.1.1. Имитационное моделирование

4.1.2. Полунатурное моделирование

4.1.3. Натурное испытание

4.2. Оценка качества распознавания взлётно-посадочной полосы

4.3. Оценка точности визуального позиционирования

4.4. Полунатурное моделирование посадки беспилотного воздушного судна по видеоизображению

4.4.1. Оценка полного вектора состояния с помощью расширенного фильтра Калмана

4.4.2. Моделирование посадки

4.5. Натурное испытание разработанных алгоритмов

Выводы к главе

ОБЩИЕ ВЫВОДЫ И ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ

БАК - беспилотный авиационный комплекс БВС - беспилотное воздушное судно

БИНС - бесплатформенная инерциальная навигационная система

БЦВМ - бортовая цифровая вычислительная машина

ВПП - взлётно-посадочная полоса

ВПР - высота принятия решения

ГА - гражданская авиация

ГЛОНАСС - глобальная навигационная спутниковая система

ГРМ - глиссадный радиомаяк

ГПУ - графическое процессорное устройство

ИК - инфракрасный

ИНС - инерциальная навигационная система

КБО - комплекс бортового оборудования

КГС - курсо-глиссадная система

КРМ - курсовой радиомаяк

ЛА - летательный аппарат

МНК - метод наименьших квадратов

МЭМС - микроэлектромеханическая система

НЗСК - нормальная земная система координат

НИСЗ - навигационный искусственный спутник Земли

НКР - научно-квалификационная работа

НСУ - наземная станция управления

НС - нейронная сеть

ОИ - область интереса

ПК - персональный компьютер

ПО - программное обеспечение

РГМ - разность глубин модуляции

РМВГ - рекурсивный метод ветвей и границ

РСБН - радиосистема ближней навигации

РФК - расширенный фильтр Калмана

РЭБ - радиоэлектронная борьба

САУ - система автоматического управления

СВС - система воздушных сигналов

СК - система координат

СКО - среднеквадратическое отклонение

СНС - спутниковая навигационная система

СТЗ - система технического зрения

ТЗ - техническое зрение

ТНГ - точка начала глиссады

УНГ - угол наклона глиссады

ФК - фильтр Калмана

ФС - фотограмметрическая система

ЦПУ - центральное процессорное устройство

ATTOL - Autonomous Taxi, Take-off and Landing

BEV - bird eye view

FTE - Flight Technical Error

GBAS - Ground Based Augmentation System

GPS - Global Positioning System

GRAS - Ground-based Regional Augmentation System

ICAO - International Civil Aviation Organization

ILS - Instrument Landing System

IoU - Intersection over Union

KLT - Kanade-Lucas-Tomasi

mAP - mean Average Precision

MAE - mean absolute error

MDH - Minimum Descent Height

MLS - Microwave Landing System

NMEA - National Marine Electronics Association

NSE - Navigation System Error

PDE - Path Definition Error

PDOP - position deletion of precision

PnP - perspective n-points

RANSAC - random sample consensus

RAFT - recurrent all-pairs field transforms

SBAS - Satellite Based Augmentation System

SLAM - Simultaneous Localization and Mapping

YOLO - You Only Look Once

Введение диссертации (часть автореферата) на тему «Алгоритмы и методы вычисления навигационной информации для автоматической посадки беспилотного воздушного судна на необорудованные взлётно-посадочные полосы с помощью видеоизображения»

ВВЕДЕНИЕ

Актуальность темы исследования. Диссертационная работа посвящена исследованию задачи информационного обеспечения автоматической посадки беспилотного воздушного судна (БВС) на взлётно-посадочную полосу (ВПП) с помощью системы технического зрения (СТЗ). Разработанное решение предназначается для использования на БВС самолётного типа среднего и более класса [18].

Основным средством для определения местоположения БВС на всех этапах полёта является спутниковая навигационная система (СНС). Она имеет высокую точность (особенно СНС в дифференциальном режиме), однако подвержена влиянию помех. Компактным и автономным решением этой проблемы может быть система технического зрения: БВС оборудуется видеокамерой и путём анализа, получаемого от неё изображения, вычисляется комплексная навигационная оценка.

Для определения собственных координат местоположения в пространстве, на изображении, получаемом с камеры, требуется идентифицировать объекты с заранее известными координатами. С технической точки зрения, навигация на этапе посадки может осуществляться путём распознавания инфракрасных (ИК) маркеров или распознавания контуров ВПП.

В первом случае около ВПП устанавливаются ИК-маркеры, координаты которых определяются с высокой точностью и сохраняются в бортовое программное обеспечение (ПО) БВС. Такие контрастные ориентиры легко детектируются на изображении, а затем положение камеры по отношению к ним определяется с помощью метода на основе фотограмметрии [22] - «Perspective-n-Point (PnP)» (с англ. «Перспектива n-го числа точек») [102]. Использование муль-тиспектральной камеры для детектирования ориентиров, значительно снижает зависимость распознавания от погодных условий. Большой вклад в развитие такого способа посадки внесли Бондарев В. Г. [8, 9, 10], Лопаткин Д. В. [8, 10].

Несмотря на достоинства описанного способа, его применение требует усложнения наземной инфраструктуры и дополнительного штата сотрудников для её обслуживания. Распознавание контуров ВПП - это более сложный алгоритм, в том числе из-за влияния погоды и степени освещённости (времени суток), однако является более универсальным подходом и может применяться на полностью необорудованных аэродромах. При распознавании ВПП и расчёте собственных координат с помощью «PnP», в качестве точек с априорно известными координатами могут выступать углы полосы [53] - информация о них содержится в аэронавигационных атласах. В развитие алгоритмов распознавания ВПП среди российских учёных внесли вклад Визильтер Ю. В., Выголов О. В., Логвин А. И. [19, 26], а среди иностранных - Florian Holzapfel, Chinmaya Mishra, Christoph Krammer [81, 82, 108].

Посадка крылатого БВС идентична посадке пилотируемого самолёта, поэтому для обеспечения её стабилизированного характера целесообразно придерживаться нормам и правилам, установленным Международной организацией гражданской авиации (ICAO - International Civil Aviation Organization). ICAO предъявляет высокие требования по дальности установления визуального контакта с ВПП [71], которые не позволяют использовать разработанные к настоящему времени алгоритмы распознавания на всех этапах посадки.

Усовершенствовать алгоритмы распознавания ВПП можно за счёт применения искусственного интеллекта (ИИ), в частности, нейросетевой модели обучения, вместо классических методов технического зрения. Главной проблемой такого подхода может стать низкое быстродействие нейронных сетей. Однако к настоящему времени уровень развития цифровой техники позволяет ускорить их за счёт использования графических ядер во встраиваемой системе.

На основе вышеизложенного можно сформулировать основные цели и задачи диссертационной работы.

Целью диссертационной работы является разработка алгоритмического обеспечения системы вычисления комплексной навигационной информации

беспилотного воздушного судна на этапе посадки, использующего данные автономных измерительных средств (видеокамера, БИНС) для повышения точности позиционирования и дальности обнаружения взлётно-посадочной полосы.

Для достижения этой цели были поставлены и решены следующие задачи:

1. Разработать метод расчёта допустимых отклонений от глиссады, учитывающий размеры ВПП, который на основе размера погрешности средства измерения координат позволяет оценить возможность его применения в автоматической посадке.

2. Разработать алгоритм распознавания ВПП на видеоизображении, имеющий повышенную дальность распознавания в сравнении с существующими алгоритмами. Проработать несколько вариантов исполнения алгоритма. Обеспечить его работу в реальном времени.

3. Разработать фотограмметрический алгоритм решения задачи визуального позиционирования, удовлетворяющий требованиям к допустимым отклонениям от глиссады.

4. Разработать алгоритм оценки комплексной навигационной информации, необходимой для управления БВС по измерениям координат, полученных методом визуального позиционирования.

5. Провести экспериментальное исследование разработанных алгоритмов, включающее этапы имитационного, полунатурного моделирования и натурного испытания.

Объектом исследования является БВС самолётного типа, оборудованный оптико-электронной системой, который совершает посадку на взлётно-посадочную полосу.

Предметом исследования являются алгоритмы и методы информационного обеспечения навигации БВС на этапе посадки, реализованные с помощью автономных средств измерения.

При решении поставленных задач в диссертации использовались методы: системный анализ, глубокое обучение, перспективные преобразования,

поисковые алгоритмы, техническое зрение, численное решение дифференциальных уравнений, механика полёта, классические методы теории автоматического управления, объектно-ориентированное программирование, имитационное и полунатурное моделирование.

Научная новизна полученных результатов состоит в следующем:

1. Разработан алгоритм распознавания контура ВПП на видеоизображении, использующий более инвариантный признак, чем линейные элементы - ключевые точки. По сравнению с аналогами алгоритм имеет большую устойчивость к оптическим искажениям контура, большую дальность распознавания, обеспеченную применением нейронной сети YOLOv8, а также позволяет определять контуры нестандартной геометрии благодаря предложенному модифицированному методу оптимизации - рекурсивному методу ветвей и границ (РМВГ) с ранним исключением гипотез.

2. Разработан метод асинхронного распознавания ВПП, основанный на декомпозиции задачи распознавания на 3 универсальных подзадачи (ин-ференс, поиск, трекинг), выполняемых в двух независимых потоках обработки информации, синхронизируемых через процедуру геометрической верификации. По сравнению с аналогами разработанный метод позволяет снизить общее время распознавания благодаря обработке видеопотока со скоростью вычислительно быстрой подзадачи - трекинга.

3. Разработан двухэтапный фотограмметрический алгоритм визуального позиционирования для БВС. По сравнению с аналогами алгоритм имеет большую точность благодаря применению разработанного метода комбинирования МНК, использующего углы ориентации от внешнего измерительного средства (БИНС) для вычисления начального приближения, а также уточнение с помощью нелинейного МНК.

4. Разработан алгоритм оценки комплексной навигационной информации на основе расширенного фильтра Калмана (РФК). В отличие от прототипов, в алгоритме реализован механизм адаптации ковариационной

матрицы измерений, параметры которой нелинейно зависят от дальности до объекта съёмки. Это позволило более точно вычислить оценки параметров полёта.

Практическая значимость работы.

Разработанные в рамках диссертационной работы алгоритмы распознавания ВПП и вычисления навигационной информации обеспечивают точность порядка 1 метра на входе в створ ВПП, что позволяет применять их для автоматической посадки БВС на необорудованных аэродромах или в условиях подавления спутникового сигнала.

Предложен метод асинхронного распознавания ВПП, который позволяет выполнять распознавание с быстродействием трекинга (вычислительно быстрой задачи), обеспечивая функционирование в реальном времени.

Разработанный метод обучения нейронных сетей для задач распознавания ВПП в кадре с помощью авиасимулятора позволяет автоматизировать создание блока данных, готового к обучению. Такой метод может эффективно применяться исследователями для оперативной подготовки или дополнения, существующего набора синтетическими данными.

Материалы диссертационного исследования использованы в научно-исследовательских и опытно-конструкторских работах, выполняемых АО «РПКБ».

Основные положения диссертации, выносимые на защиту:

1. Алгоритм распознавания ВПП, обеспечивающий поиск на изображении контура нестандартной геометрии и работающий на дальностях, превышающих аналоги.

2. Метод комбинирования МНК, обеспечивающий решение задачи визуального позиционирования в условиях физических ограничений, связанных с большими дальностями и малым числом априорных точек.

3. Метод обучения нейронной сети с использованием авиасимулятора, обеспечивающий автоматизированное создание набора обучающих данных для задачи распознавания ВПП.

4. Алгоритм оценки комплексной навигационной информации с применением РФК, который на основе визуального позиционирования обеспечивает расчёт навигационных параметров, необходимых в управлении.

5. Результаты экспериментального исследования, включающего имитационное моделирование, полунатурное моделирование и натурное испытание, который подтверждает основные теоретические положения диссертационной работы.

Достоверность результатов работы. Достоверность обеспечивается достаточным объёмом проведённых имитационного и полунатурного моделирований, а также натурным испытанием. В моделировании были задействованы авиасимулятор, встраиваемый вычислительный модуль с поддержкой графических ядер, который может быть установлен на борту БВС, а также полётный контроллер реального беспилотного авиационного комплекса (БАК). В натурном испытании был задействован легкомоторный самолёт с закреплённой экшен-каме-рой. Полученные результаты согласуются с известными опубликованными данными.

Апробация работы. Результаты работы докладывались и обсуждались на следующих конференциях: Юбилейная всероссийская научно-техническая конференция «Авиационные системы в XXI веке», Москва, 2016; XLIV Академические чтения по космонавтике, посвященные памяти академика С. П. Королёва и других выдающихся отечественных ученых - пионеров освоения космического пространства, Москва, 2020; XXII конференция молодых ученых «Навигация и управление движением» с международным участием, Санкт-Петербург, 2020; XLV Академические чтения по космонавтике, посвященные памяти академика С. П. Королёва и других выдающихся отечественных ученых - пионеров освоения космического пространства, Москва, 2021; XLVI Академические чтения по космонавтике, посвященные памяти академика С. П. Королёва и других выдающихся отечественных ученых - пионеров освоения космического пространства, Москва, 2022; Юбилейная Всероссийская научно-техническая конференция

«Авиационные системы в XXI веке», Москва, 2022; XXV Юбилейная конференция молодых ученых «Навигация и управление движением» с международным участием, Санкт-Петербург, 2023, где работа заняла первое место в секции «Беспилотный транспорт и робототехнические системы»; XXX Юбилейная Санкт-Петербургская международная конференция по интегрированным навигационным системам, Санкт-Петербург, 2023; V Всероссийская научно-техническая конференция «Навигация, наведение и управление летательными аппаратами», Москва, 2024; Конкурс «Молодые специалисты РПКБ», Раменское, 2024, где работа заняла первое место в секции «Программно-математическое обеспечение»; VI Всероссийская научно-техническая конференция «Навигация, наведение и управление летательными аппаратами», Москва, 2025.

Публикации. По теме диссертации опубликовано 18 научных работ, из них 6 статей, входящих в перечень ВАК на квартилях К1 и К2, 1 статья, индексируемая в базе Scopus, 11 работ в трудах конференций международного и российского уровня, а также зарегистрировано 4 программы для ЭВМ.

Личный вклад автора. Все научные положения и результаты, представленные в диссертации, получены автором лично или при его решающем вкладе в исследования, которые выполнялись совместно с учёными и специалистами МГТУ им. Н.Э. Баумана.

Структура и объём диссертационной работы. Диссертационная работа состоит из введения, четырёх глав, заключения и списка литературы, включающего 129 наименований. Текст работы изложен на 166 машинописных страницах, содержит 99 рисунков и 22 таблицы.

Глава 1. Анализ существующих способов посадки. Метод оценки точности удержания глиссады

1.1. Посадочные системы

В первых серийных беспилотных воздушных суднах (БВС) вопросу посадки не уделялось должного внимания. Разработанный в Великобритании в 1935 г. БВС самолётного типа «Queen Bee» осуществлял посадку на радиоуправлении под руководством пилота-оператора. Такой вариант посадки производился в зоне прямой видимости оператора, а для лучшего понимания пространственной ориентации управляющие поверхности летательного аппарата (ЛА) раскрашивались в яркие цвета.

В первой половине XX-го века БВС использовались в основном в качестве нанесения бомбовых ударов по принципу «выстрелил и забыл». Этим и обуславливается отсутствие глубокой проработки вопросов посадки. Затем, с началом Холодной войны (приблизительно 1945 г.), возрос интерес к разведывательным возможностям БВС. В 1948 г. американская компания «Ryan Aeronautical Company» (в 1969 г. поглощена компанией «Teledyne», компания «Teledyne» в 1999 г. поглощена «Northrop Grumman») представляет беспилотный самолёт «Firebee», который изначально проектировался как летающая мишень. Указанный БВС выделялся возможностью посадки с помощью парашюта. Затем, после значительных потерь авиации армии США в ходе войны во Вьетнаме, была запущена программа конверсии «Firebee». Этот БВС получил возможности фото-, ИК- и радиоэлектронных разведок.

Таким образом, с ростом стоимости и габаритов полезной нагрузки, встал вопрос о безопасном возврате БВС. Посадка с одним парашютом не обеспечивала требуемого уровня сохранности БВС. Например, советский БВС «Ту-123 «Ястреб», разработанный в 60-х годах XX века, хотя и считался многоразовым,

после каждого приземления требовал тщательного ремонта. Более поздние советские БВС типа «Ту-143 «Рейс» имели сложную парашютную систему, которая срабатывала на разных этапах посадки. Такая система позволяла сохранить БВС, но являлась чрезвычайно сложной в эксплуатации. Поэтому взгляды конструкторов всего мира были обращены к реализации посадки «по-самолётному», т.е. к посадке на взлётно-посадочную полосу (ВПП) с некоторым пробегом.

Первый наиболее известный факт автоматической посадки указанного типа беспилотным летательным аппаратом был совершен советским орбитальным кораблём-ракетопланом «Буран» в 1988 году. Навигация на этапе посадки осуществлялась при помощи радиотехнических систем, установленных на аэродроме. Учитывая специфику применения БВС, для их эксплуатации в подавляющем числе случаев требуются так называемые необорудованные аэродромы, т.е. аэродромы, которые не оборудованы радиотехническими системами посадки. Поэтому посадка с их помощью не получила широкого распространения в сфере БВС.

В начале 1990-х годов широкое распространение получают спутниковые навигационные системы (СНС), а именно GPS. Для обычных потребителей, в отличие от военных, были доступны только данные со сниженной точностью. Погрешность измерения собственных координат позволила выполнять посадку на ВПП по-самолётному. Одним из первых БВС, оснащённых такой возможностью, стал БВС совместного американо-израильского производства - «RQ-2 «Pioneer». Впоследствии, после отмены искусственного уменьшения точности GPS американским президентом Биллом Клинтоном в 2000-ом году, высокая точность определения собственных координат стала доступна широкому кругу потребителей.

Удобство использования (требуется только приёмник спутникового сигнала на борту) и относительно высокая точность обусловили применение СНС в качестве основного измерителя координат в большинстве современных БВС.

Для БВС, выполняющего автоматическую посадку, предъявляются повышенные требования к точности позиционирования, поскольку в контуре управления отсутствует пилот, имеющий способность визуальной ориентации в пространстве. За более чем столетний опыт создания БВС можно выделить две основные классификации типов посадки:

1) «по-самолётному» (на ВПП),

2) в точку.

В свою очередь посадка в точку может быть реализована следующими способами:

1) «по-вертолётному»,

2) с применением парашюта,

3) с применением посадочной сети,

4) «sky hook» (с англ. «небесный крюк») [90].

Очевидным достоинством посадки в точку является возможность приземления в неподготовленной местности. Однако, данный тип посадки требует дополнительного оборудования, которое усложняет беспилотный авиационный комплекс (БАК) и ведёт к его удорожанию. Вместе с этим, все способы посадки в точку, кроме посадки «по-вертолётному», сопряжены с гашением скорости путём удара: об землю (парашютная посадка), об сеть или об крюк, что может нанести повреждения планеру БВС. Это обстоятельство должно быть тщательно проработано на этапе проектирования.

Посадка «по-самолётному», хотя и требует подготовленную ВПП, остаётся наиболее безопасным и дешёвым способом. А в случае с крупными БВС (средний класс [18] и более) - единственно возможным.

1.2. Метод оценки категории точности посадки

Посадка «по-самолётному» делится на несколько этапов [7], показанных на Рисунке 1.1.

Рисунок 1.1 - Этапы посадки «по-самолётному»

Этапы посадки «по-самолётному» включают:

1) планирование,

2) выравнивание,

3) выдерживание,

4) парашютирование,

5) пробег.

Выдерживание посадочной глиссады осуществляется только на первом этапе. Именно на этом этапе БВС приводится к створу ВИН. От того, на сколько БВС отклоняется от глиссады, зависит дальнейший успех посадки.

Чтобы посадка «по-самолётному» была безопасной, требуется обеспечить её стабилизированный характер. Понятие стабилизированного захода на посадку определила независимая международная организация «Flight Safety Foundation» [115] следующим образом: это установление к определённой высоте определённых критериев (скорость, вертикальная скорость, положение самолёта на траектории, положение механизации и шасси, режим работы двигателей и т.п.) и выдерживание их до посадки [57].

Существует так же понятие визуального захода на посадку - захода, при котором пилот использует визуальные ориентиры для навигации и выполнения посадки. Другими словами, визуальный заход на посадку не подразумевает стабилизации ЛА на глиссаде. Такой подход не рассматривается применительно к автоматическим системам из-за высокого риска аварии.

Среди перечисленных параметров стабилизированного захода к задаче информационного обеспечения относится положение самолёта на траектории. Его можно трактовать как отслеживание глиссады и недопущение отклонения от неё более чем на некоторое допустимое расстояние. Рассмотрим из чего складывается погрешность позиционирования и определим её ограничения.

1. Погрешность позиционирования и её составляющие

Международной организацией гражданской авиации (ICAO - International Civil Aviation Organization) принята следующая методика [37] при оценке погрешности отклонения от маршрута следования. Общая погрешность системы (TSE - Total System Error) складывается из следующих частных показателей:

1) погрешности навигационной системы (NSE - Navigation System Error);

2) погрешности техники пилотирования (FTE - Flight Technical Error);

3) погрешности определения траектории (PDE - Path Definition Error).

NSE - это погрешность, с которой рассчитывает наше положение в пространстве выбранное измерительное средство; FTE - это погрешность выдерживания заданной траектории летчиком (оператором), либо в контексте автоматического управления - это погрешность системы управления (САУ); PDE - это погрешность отклонения физически существующей траектории от заданной. Составляющая PDE учитывается при оценке погрешности радиотехнических курсо-глиссадных систем посадки, т.е. когда глиссада реально существует и формируется радиолучом. Если глиссада виртуальная, то есть формируется чисто математически, то составляющая PDE не учитывается.

Общая погрешность системы TSE рассчитывается по формуле [37]:

TSE = V NSE2 + FTE2 + PDE2. (11)

В [44] приводятся требования к точности спутниковых навигационных систем (СНС) при их использовании в качестве основного измерительного средства на этапе посадки. Сведения из [44] приведены в Таблице 1.

Таблица 1 - Требования к точности СНС

Категория посадки (ICAO) Высота принятия решения (ВПР), м Код RNP, Морская миля / фут Требуемая точность (2с), м

Гор. Верт.

I 60 0,02/40 37 12,2

II 30 0,01/15 18,5 4,6

III 15 0,003/15 5,6 4,6

В ICAO принято оценивать точность на определённых высотах - высотах принятия решения. Высота принятия решения (ВПР) - это такая высота, на которой пилот должен принять решение о том, производить ли посадку далее или прервать её и выполнить повторный заход. Категория посадки свидетельствует о том, до какой минимальной высоты можно производить посадку, опираясь на выбранную посадочную систему. При нахождении ниже высоты принятия решения, пилот должен производить посадку вручную, ориентируясь по визуальной обстановке самостоятельно.

Высота принятия решения 15 м (III категория) соответствует нахождению ЛА над ближним порогом ВПП при полёте по глиссаде. Это минимальная высота планирования, после которой наступает этап выравнивания. Начиная с этого этапа, основной задачей становится плавное приземление и торможение ЛА, при этом задача позиционирования в горизонтальной плоскости - второстепенна. Для определения положения в вертикальной плоскости (расчёта высоты) используются наиболее точные измерительные приборы - это лазерный или радиовысотомеры. Таким образом, задача посадочной системы - информационное обеспечение этапа планирования по глиссаде. Чтобы этот этап выполнялся летательным аппаратом полностью автоматически, необходимо, чтобы точность посадочной системы соответствовала III категории.

2. Вывод соотношений для ограничения отклонений от глиссады

Проведём аналогию с организацией посадочных мероприятий в сфере гражданской авиации (ГА). Наиболее точным посадочным средством в ГА является система метрового диапазона ILS (Instrument Landing System, с англ. «Инструментальная Система Посадки»). ILS относится к курсо-глиссадным системам (КГС) посадки. КГС состоит из курсового радиомаяка (КРМ) и глиссадного радиомаяка (ГРМ). Эти два радиомаяка формируют равносигнальную зону, содержащую посадочную глиссаду. При отклонении от этой зоны на бортовом приёмнике ILS возникает сигнал, пропорциональный отклонению. Задача системы автоматического управления состоит в выдерживании этого сигнала равным нулю.

На Рисунке 1.2 показана схема расположения курсового и глиссадного радиомаяков ILS [1].

Рисунок 1.2 - Схема расположения радиомаяков ILS

В равносигнальных зонах КРМ и ГРМ можно выделить зоны, в которых сигнал изменяется линейно относительно горизонтального и вертикального отклонений. Они называются «сектор курса» для КРМ и «сектор глиссады» для ГРМ, соответственно. Раствор сектора курса примерно равен ±2°, а сектора глиссады ±0,240, где 0 - угол наклона глиссады (УНГ).

В системе ILS выделяется особая точка - базовая точка, которая располагается по центру на 15 м выше порога ВПП. Через эту точку и проходит глиссада.

Согласно [115], при выполнении стабилизированного захода на посадку пилотам рекомендуется удерживать планку индикатора в зоне половины расширенной шкалы курсо-глиссадных отклонений. Это соответствует половине сектора курса (±1°) и половине сектора глиссады (±0,120). Формализуем данные рекомендации и получим математическое описание допустимых секторов курса и глиссады.

Введём систему координат (СК), начало которой располагается в точке начала глиссады (ТНГ), ось X направлена против направления оси ВПП (противоположно курсу ВПП), ось Y направлена вверх перпендикулярно плоскости местного горизонта, а ось Z дополняет СК до правой тройки. На Рисунке 1.3 показан вид сбоку:

Z " X

Рисунок 1.3 - Система координат с началом в ТНГ

Полагая, что допустимый сектор глиссады должен ограничиваться углами ±0,120, определим его как линейную функцию У = к • X, где

sin(0,12 0) (1.2)

к = tg(0) - tg(0 - 0,120) = v У

cos( 0) cos(0,880) '

TSE в вертикальном канале ( Т5 FY ) определяется по формуле (1.3):

sin(0,12 0) ^^^ =____• %

Y cos(0) cos(O,880) ,

(1.3)

где X - горизонтальная дальность от БВС до ТНГ.

Допустимый сектор курса должен зависеть от габаритных размеров ВПП. Размеры стандартных ВПП представлены в Таблице 2 [6].

Таблица 2 - Классы аэродромов

Класс аэродрома Длина, м Ширина, м

А 3200 60

Б 2600 45

В 1800 42

Г 1300 35

Д 1000 28

Е 500 21

Основным параметром при формировании допустимого сектора курса является допустимое отклонение над порогом ВПП, то есть отклонение от базовой точки. Этот параметр должен выбираться индивидуально для БВС с учётом его габаритов и расположением шасси. Обозначим его «р» и определим как долю (от 0 до 1) от половины ширины ВПП (Рисунок 1.4).

Список литературы диссертационного исследования кандидат наук Чеканов Константин Александрович, 2026 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Августов Л.И., Бабиченко А.В., Орехов М.И., Сухоруков С.Я., Шкред В.К. Навигация летательных аппаратов в околоземном пространстве. М.: ООО Научтехлитиздат, 2015. 592 с.

2. Али Б., Садеков Р.Н., Цодокова В.В. Алгоритмы навигации беспилотных летательных аппаратов с использованием систем технического зрения // Гироскопия и навигация. 2022. №4. С. 87-105.

3. Анисимов Г.Ю., Семенюк К.А., Назаренко П.А. Алгоритмы детектирования особых точек изображения ORB, BRISK, AKAZE в работе технического зрения БАС // ВОЛНОВАЯ ЭЛЕКТРОНИКА И ИНФОКОМ-МУНИКАЦИОННЫЕ СИСТЕМЫ Сборник статей XXV Международной научной конференции. В 3-х частях. Часть 3. СПб.: Санкт-Петербургский государственный университет аэрокосмического приборостроения, 2022. С. 155-161.

4. Антонов Д.А., Жарков М.В., Кузнецов И.М., Лунев Е.М., Пронь-кин А.Н. Определение навигационных параметров беспилотного летательного аппарата на базе фотоизображения и инерциальных измерений // Труды МАИ. 2016. №91. С. 1-26.

5. Артюхин, Г. А. Теория систем и системный анализ. Практикум принятия решений : учебное пособие / Г. А. Артюхин. Казань : КГАСУ, 2016. 165 с. Текст : электронный // Лань : электронно-библиотечная система. URL: https://elanbook.com/book/157492 (дата обращения: 26.01.2026). Режим доступа: для авториз. пользователей.

6. АЭРОДРОМЫ СП 121.13330.2019 // Электронный фонд правовых и нормативно-технических документов URL: https://docs.cntd.ru/document/560641612 (дата обращения: 15.06.2022).

7. Белогородский С.Л. Автоматизация управления посадкой самолёта. М.: Транспорт, 1972. 352 с.

8. Бондарев В.Г., Лопаткин Д.В., Смирнов Д.А. Автоматическая посадка летательных аппаратов // Вестник ВГУ, серия: системный анализ и информационные технологии. 2018. №2. С. 44-51.

9. Бондарев В.Г. Видеонавигация летательного аппарата // Научный вестник МГТУ ГА. 2015. №213. С. 65-72.

10. Бондарев В.Г., Озерова Е.В., Лопаткин Д.В., Скоков С.А. Видеонавигация посредством монокулярной системы технического зрения // Информатика: проблемы, методология, технологии. Воронеж: Научно-исследовательские публикации ООО Вэлборн, 2017. С. 100-104.

11. Ершов Е.И. Быстрое преобразование Хафа как инструмент анализа двухмерных и трёхмерных изображений в задачах поиска прямых и линейной кластеризации: дис. канд. физ.-мат. наук: 05.13.17. М., 2018. 118 с.

12. Завалишин О.И. Результаты испытаний GBAS II / III категории // Новости навигации. 2010. №4. С. 24-31.

13. Земляный Е.С., Тарарыкин В.И., Тектов М.В., Чеканов К.А. Свидетельство о регистрации программы для ЭВМ №23-1198. ФПО индикатора цифрового интеллектуального ИЦИ-140К-2 /Правообладатель Акционерное общество Раменское приборостроительное конструкторское бюро. Заявка №001324; Заяв. 06.09.2023; Зарегистр. 07.09.2023; (Фонд интеллектуальной собственности).

14. Земляный Е.С., Тарарыкин В.И., Тектов М.В., Чеканов К.А. Свидетельство о регистрации программы для ЭВМ №23-1197. ФПО пилотажно-навигационного средства ПНС-1-2 /Правообладатель Акционерное общество Раменское приборостроительное конструкторское бюро. Заявка №001323; Заяв. 06.09.2023; Зарегистр. 07.09.2023; (Фонд интеллектуальной собственности).

15. Земляный Е. С., Чеканов К. А., Тарарыкин В. И., Чернов А. М., Гусев А. С. Унифицированный комплекс бортового оборудования для лёгких летательных аппаратов // Инженерная физика. 2019. №6. С. 47-50.

16. Каперко А.Ф., Легостаев В.Л. Классификация элементов программно-технического комплекса бесплатформенной инерциальной навигационной системы // Датчики и системы. 2010. №12. С. 2-7.

17. Качала, В. В. Основы теории систем и системного анализа : учебное пособие / В. В. Качала. 2-е изд., испр. Москва : Горячая линия-Телеком, 2016. 210 с. ISBN 978-5-9912-0249-7. Текст: электронный // Лань : электронно-библиотечная система. URL: https://elanbook.com/book/111061 (дата обращения: 26.01.2026). Режим доступа: для авториз. пользователей.

18. Классификация БПЛА по летным характеристикам // ГЕОСКАН URL: https://docs.geoscan.aero/ru/master/database/const-module/classifica-tion/classification.html (дата обращения: 15.06.2022).

19. Комаров Д.В., Визильтер Ю.В., Выголов О.В. Разработка алгоритма автоматического обнаружения взлетно-посадочной полосы на видеоизображениях // Техническое зрение в системах управления. 2011. №2. С. 189-193.

20. Косова А.Е., Кориков А.М. Автоматическая посадка малых беспилотных летательных аппаратов с использованием компьютерного зрения // Доклады ТУСУРа. 2017. №3. С. 191-196.

21. Костин А.С., Румянцев М.Е. Модели и методы автономной навигации и посадки на движущуюся платформу беспилотной авиационной системы мультироторного типа // Системный анализ и логистика. 2022. №2. С. 66-72. DOI: 10.31799/2077-5687-2022-2-66-72.

22. Краснопевцев Б.В. Фотограмметрия. М.: УПП Репрография МИИГАиК, 2008. 160 с.

23. Кузнецов А. Г. Автоматизация процесса посадки малогабаритного беспилотного летательного аппарата в особых ситуациях // Труды МАИ. 2011. №45. С. 1-19.

24. Кузнецов А. Г. Повышение точности оценки координат малогабаритного беспилотного летательного аппарата с использованием системы технического зрения: дис. канд. техн. наук: 05.13.01. М., 2011. 152 с.

25. Кэлер А., Брэдски Г. Изучаем ОрепСУ 3. Разработка программ компьютерного зрения на С++ с применением библиотеки ОрепСУ. 1-е изд. М.: Издательство "ДМК Пресс", 2017. 826 с.

26. Логвин А.И., Волков А.В. Алгоритмы автоматического распознавания взлётно-посадочной полосы на видеоизображениях // Научный вестник МГТУ ГА. 2015. №213. С. 115-117.

27. Лукьянов В. В., Алексеев А. Н., Земляный Е. С., Чеканов К. А. Автоматическая посадка крылатого БЛА по визуальным маркерам // Автоматизация. Современные Технологии. 2023. №3. С. 121-127. DOI: 10.36652/0869-4931-2022-76-12-551-554.

28. Лукьянов В. В., Алексеев А. Н., Земляный Е. С., Чеканов К. А. Алгоритм директорного управления самолётом в режиме посадки // Инженерный журнал: наука и инновации. 2020. №11. С. 1-14. DOI: 10.18698/23086033-2020-11-2032.

29. Лукьянов В. В., Алексеев А. Н., Земляный Е. С., Чеканов К. А. Методика оценки точности посадки БЛА на взлетно-посадочную полосу // Автоматизация. Современные технологии. 2022. №12. С. 551-554. DOI: 10.36652/0869-4931-2022-76-12-551-554.

30. Лукьянов В. В., Алексеев А. Н., Земляный Е. С., Чеканов К. А., Чебаков А. А. Оптимизация управления скоростью квадракоптера при полёте по маршруту // Автоматизация. Современные технологии. 2023. №5. С. 229-235. DOI: 10.36652/0869-4931-2023-77-5-229-234.

31. Лунев Е. М. Исследование сходимости нового алгоритма определения навигационных параметров беспилотного летательного аппарата на базе фотоизображения // Труды МАИ. 2011. №45. С. 1-15.

32. Лунев Е. М. Программно-алгоритмическое обеспечение приборного комплекса беспилотного летательного аппарата для определения навигационных параметров на базе фотоизображения: дис. канд. техн. наук: 05.13.01. М., 2011. 141 с.

33. Нигруца И.В., Гребенников А.В., Казанцев М.Ю. Система посадки по сигналам псевдоспутников // Вестник Сибирского государственного аэрокосмического университета имение академика М.Ф. Решетнева. 2012. № 1. С. 96 -99.

34. Об утверждении нормативных методических документов, регулирующих функционирование и эксплуатацию аэродромов экспериментальной авиации // Электронный фонд правовых и нормативно-технических документов URL: https://docs.cntd.ru/document/902199333 (дата обращения: 22.12.2025).

35. Одноплатный мини-компьютер NanoPi R2S Plus // ONPAD URL: https: //onpad. ru/catalog/cubie/friend-

lyARM/nano_pi/3659. html ? srsltid=AfmB OortnbYk71 QlgDWEPMT-bOamBRxv8hzuJ3hp9L93Z7xL4CXzCnD2G (дата обращения: 12.05.2025).

36. Погосян М.А., Верейкин А.А. Системы автоматической посадки летательных аппаратов: аналитический обзор. Информационное обеспечение. // Труды МАИ. 2020. №113. С. 1-49. DOI: 10.34759/trd-2020-113-11.

37. ИКАО Doc 9613 AN/937. Руководство по навигации, основанной на характеристиках (PBN). Изд. 5. ИКАО, 2023. 468 с

38. Сборники аэронавигационной информации (полетные) // Центр Аэронавигационной Информации URL: http://www.caiga.ru/sborniks/ (дата обращения: 06.02.2024).

39. ГОСТ 51747-2001 Система инструментального захода летательных аппаратов на посадку сантиметрового диапазона волн радиомаячная от 15

мая 2001 № 206-ст // Акционерное общество открытого типа Центральный научно-исследовательский институт радиоэлектронных систем. 2001. 57 с.

40. Семенов С.С., Воронов Е.М., Полтавский А.В., Крянев А.В. Методы и модели принятия решений в задачах оценки качества и технического уровня сложных технических систем. 2-е изд. М.: ЛЕНАНД, 2019. 516 с.

41. Смирнов Ю.С., Ларионов В.А., Юрасова Е.В. Технологии обеспечения безопасности инструментальной системы посадки самолётов // Вестник ЮУрГУ. Серия: Компьютерные технологии, управление, радиоэлектроника. 2014. № 3. Т. 14. С. 57-64.

42. Собченко М.И., Ухандеев В.И. Алгоритмы SLAM: обзор существующих решений // Электронные информационные системы. 2014. №1. С. 69-78.

43. Стандарт представления навигационных данных NMEA-0183 // Orient Systems URL: https://orsyst.ru/blog/nmea (дата обращения: 19.12.2024).

44. Теоретическая подготовка летного состава авиапредприятий гражданской авиации России к полетам в системе точной зональной навигации (P-RNAV) Европейского региона // Полёт инфо URL: http://polet-info.narod.ru/Docs/PRNAV.htm (дата обращения: 15.06.2022).

45. Фотограмметрия, как наука // GEOSCAN URL: https://docs.geoscan.aero/ru/master/database/complex-module/fotogrammetry/fotogrammerty.html (дата обращения: 23.05.2023).

46. Холопов И.С. Алгоритм коррекции проективных искажений при маловысотной съёмке // Компьютерная оптика. 2017. №2. С. 284-290.

47. Цветкун А.В. ILS и MLS - различия, преимущества и недостатки // Молодой учёный. 2022. №4 (399). С. 70-71.

48. Чеканов К. А. Алгоритмы распознавания взлётно-посадочной полосы по видеоданным на основе нейронной сети при посадке беспилотного летательного аппарата // Гироскопия и навигация. 2025. №1. С. 36-51.

49. Чеканов К. А. Свидетельство на программу Российской Федерации №2025685629. Программа поиска взлётно-посадочной полосы по ключевым точкам на изображении /Правообладатель Чеканов К. А. Заявка №2025684527; Заяв. 15.09.2025; Зарегистр. 25.09.2025; Бюл. №10. (РОСПАТЕНТ).

50. Чеканов К. А. Свидетельство на программу Российской Федерации №2025683154. Программа расчёта навигационного решения по видеоизображению взлётно-посадочной полосы /Правообладатель Чеканов К. А. Заявка №2025680170; Заяв. 01.08.2025; Зарегистр. 02.09.2025; Бюл. №9. (РОСПАТЕНТ).

51. Яндекс Карты - транспорт, навигация, поиск мест // Яндекс URL: https://yandex.ru/maps (дата обращения: 27.10.2025).

52. A. Xi and Y. Zhao, L1 adaptive control of the flying wing UAV with unknown time-varying disturbances, 2017 11th Asian Control Conference (ASCC), Gold Coast, QLD, Australia, 2017, pp. 543-648. DOI: 10.1109/ASCC.2017.8287228.

53. A. N. Alexeev, E. S. Zemlyanyy and K. A. Chekanov, Solving the Problem of Unmanned Aerial Vehicle Automatic Runway Landing, 2023 30th Saint Petersburg International Conference on Integrated Navigation Systems (ICINS), Saint Petersburg, Russian Federation, 2023, pp. 1-4. DOI: 10.23919/ICINS51816.2023.10168487

54. Afef SALHI, Ameni YENGUI JAMMOUSSI Object tracking system using Camshift, Meanshift and Kalman filter // World Academy of Science, Engineering and Technology. 2012. №4. С. 421-426.

55. Airbus concludes ATTOL with fully autonomous flight tests // Airbus URL: https://www.airbus.com/en/newsroom/press-releases/2020-06-airbus-con-cludes-attol-with-fully-autonomous-flight-tests (дата обращения: 22.05.2023).

56. Akbar, Javeria, Muhammad Ali Shahzad, Muhammad Imran Malik, Adnan Ul-Hasan and Faisal Shafait. Runway Detection and Localization in Aerial

Images using Deep Learning. 2019 Digital Image Computing: Techniques and Applications (DICTA) (2019): pp. 1-8. DOI: 10.1109/DICTA47822.2019.8945889

57. Approach and Landing Accident Reduction (ALAR) // Aviation Safety Experts - Flight Safety Foundation URL: https://flightsafety.org/toolkits-re-sources/past-safety-initiatives/approach-and-landing-accident-reduction-alar/ (дата обращения: 15.06.2022).

58. Basic concepts of the homography explained with code. URL: https://docs.opencv.org/4.x/d9/dab/tutorial_homography.html (дата обращения: 01.10.2024).

59. Butler A. Again and again. Carrier, civil aviation could eventually take lessons from UCAS landing trials // Aviation Week & Space Technology, 2013, vol. 175, no. 27, pp. 50 - 51.

60. Camera Calibration and 3D Reconstruction // OpenCV URL:

https://docs.opencv.org/3.4/d9/d0c/group_calib3d.html#gafd3ef89257e27d

5235f4467cbb1b6a63 (дата обращения: 04.06.2023).

61. cGAN: Conditional Generative Adversarial Network — How to Gain Control Over GAN Outputs // Medium URL: https://towardsdatascience.com/cgan-conditional-generative-adversarial-network-how-to-gain-control-over-gan-outputs-b30620bd0cc8 (дата обращения: 19.05.2023).

62. Developing autonomous flight and machine learning solutions for the next generation of aircraft // Acubed URL: https://acubed.airbus.com/pro-jects/wayfinder/ (дата обращения: 22.05.2023).

63. Dhara Patel, Saurabh Upadhyay Optical Flow Measurement using Lucas kanade Method // International Journal of Computer Applications. 2013. №10. С. 6-10.

64. Douglas-Peucker // psimpl URL: https://psimpl.sourceforge.net/douglas-peucker.html (дата обращения: 10.09.2024).

65. EarthExplorer // USGS Science for a changing world URL: https://earthex-plorer.usgs.gov/ (дата обращения: 20.12.2024).

66. End-to-End Deep Learning for Self-Driving Cars // NVIDIA.DEVELOPER URL: https://developer.nvidia.com/blog/deep-learning-self-driving-cars/ (дата обращения: 22.12.2025).

67. George Terzakis and Manolis Lourakis. A consistently fast and globally optimal solution to the perspective-n-point problem. In European Conference on Computer Vision, pages 478-494. Springer International Publishing, 2020.

68. Google Карты // Goggle URL: https://www.google.com/maps (дата обращения: 27.10.2025).

69. GPS-Denied UAV Localization using Pre-existing Satellite Imagery // IEEE Xplore URL: https://ieeexplore.ieee.org/document/8793558 (дата обращения: 21.05.2023).

70. Harvey W., Rainwater C., Cothren J. Direct Aerial Visual Geolocalization Using Deep Neural Networks // Remote Sensing. 2021. №13. DOI: 10.3390/rs13194017.

71. Herold, Hillary. Air Law. CAE Oxford Aviation Academy (UK), 2014. pp. 570

72. Hiba, A.; Gati, A.; Manecy, A. Optical Navigation Sensor for Runway Relative Positioning of Aircraft during Final Approach. Sensors 2021, 21, 2203. DOI: 10.3390/s21062203

73. Home // Ultralytics URL: https://docs.ultralytics.com/ (дата обращения: 01.10.2024).

74. How computer vision based ATTOL system helps air crafts in landing & takeoff // Labeller URL: https://www.labellerr.com/blog/how-computer-vi-sion-based-attol-system-helps-air-crafts-in-landing-takeoff/ (дата обращения: 22.05.2023).

75. imuSensor // MathWorks URL: https://www.math-works.com/help/nav/ref/imusensor-system-object.html (дата обращения: 06.02.2024).

76. International Standards Radio Navigation Aids AN 10-1 // ICAO. 2018. pp. 658

77. Intersection over Union (IoU) for object detection // pyimagesearch URL: https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-ob-ject-detection/ (дата обращения: 01.10.2024).

78. Introduction to FlightGear // FlightGear Flight Simulator URL: https://www.flightgear.org/about/ (дата обращения: 17.01.2023)

79. Jiajia Shang, Zhongke Shi Vision-based Runway Recognition for UAV Autonomous Landing // IJCSNS International Journal of Computer Science and Network Security. 2007. №3. С. 112-117.

80. K. Madsen, H. B. Nielsen, and O. Tingleff. Methods for non-linear least squares problems (2nd ed.), 2004. pp. 1-30.

81. Krammer, C.; Mishra, C.; Holzapfel, F. Testing and Evaluation of a Vision-Augmented Navigation System for Automatic Landings of General Aviation Aircraft. In Proceedings of the AIAA SciTech 2020 Forum, Orlando, FL, USA, 6-10 January 2020; Number AIAA 2020-1083. pp. 1-13 D0I:10.2514/6.2020-1083

82. Kugler, M. E., Mumm, N. C., Holzapfel, F., Schwithal, A., and Angermann, M., Vision-Augmented Automatic Landing of a General Aviation Fly-by-Wire Demonstrator, AIAA Scitech 2019 Forum, American Institute of Aeronautics and Astronautics, 2019. D0I:10.2514/6.2019-1641.

83. Landing a UAV on a runway using image registration // IEEE Xplore URL: https://ieeexplore.ieee.org/document/4543206 (дата обращения: 16.05.2023).

84. Lei Zhang, Yue Cheng, Zhengjun Zhai Real-time Accurate Runway Detection based on Airborne Multi-sensors Fusion // Defence Science Journal. -2017. №5. С. 542-550.

85. Mantelli M., Pittol D., Neuland R., Ribacki A., Maffei R., Jorge V., Prestes E., Kolberg M. A novel measurement model based on abBRIEF for global

localization of a UAV over satellite images // Robotics and Autonomous Systems. 2018. №112. С. 304-319.

86. Mark Everingham, Luc Van Gool, Christopher K. I. Williams, John Winn, Andrew Zisserman The PASCAL Visual Object Classes (VOC) Challenge // International Journal of Computer Vision. 2010. №2. С. 303-338.

87. Mean Absolute Error // DEEPCHECKS URL: https://www.deep-checks.com/glossary/mean-absolute-error/ (дата обращения: 03.03.2025).

88. Mean Average Precision (mAP) in Object Detection // LearnOpenCV URL: https://learnopencv.com/mean-average-precision-map-object-detection-model-evaluation-metric/ (дата обращения: 20.12.2024).

89. Madgwick, S., Harrison, A., & Vaidyanathan, R. (2011). Estimation of IMU and MARG orientation using a gradient descent algorithm. Proceedings of the IEEE Int. Conf. Rehabil. Robot (pp. 179-185).

90. Moreland E., Cameron M. Evaluation of a ship-based unoccupied aircraft system (UAS) for surveys of spotted and ribbon seals in the Bering Sea pack ice // Journal of Unmanned Vehicle Systems. 2015. №3. С. 114-122.

91. Mupparaju Sohan, Thotakura SaiRam, Ch. Venkata RamiReddy A Review on YOLOv8 and Its Advancements // Data Intelligence and Cognitive Informatics. 2024. С. 529-545.

92. NVIDIA A100 Tensor Core GPU // NVIDIA URL: https://www.nvidia.com/en-eu/data-center/a100/ (дата обращения: 20.12.2024).

93. NVIDIA Jetson Nano // NVIDIA URL: https: //www.nvidia.com/ru-ru/auton-omous-machines/embedded-systems/jetson-nano/ (дата обращения: 23.05.2023).

94. NVIDIA T4 // NVIDIA URL: https://www.nvidia.com/en-eu/data-cen-ter/tesla-t4/ (дата обращения: 20.12.2024).

95. NVIDIA TensorRT // NVIDIA URL: https://developer.nvidia.com/tensorrt (дата обращения: 01.10.2024).

96. Object Detection Datasets Overview // Ultralytics URL: https://docs.ultralyt-ics.com/datasets/detect/ (дата обращения: 19.12.2024).

97. Object Tracking using OpenCV (C++/Python) // LearnOpenCV URL: https://learnopencv.com/object-tracking-using-opencv-cpp-python/ (дата обращения: 09.08.2025).

98. ONNX Runtime for Inferencing // ONNX Runtime URL: https://onnxruntime.ai/inference (дата обращения: 01.10.2024).

99. OpenCV is the world's biggest computer vision library. // OpenCV URL: https://opencv.org/ (дата обращения: 20.12.2024).

100. OpenStreetMap // OpenStreetMap URL: https://www.openstreetmap.org/ (дата обращения: 20.12.2024).

101. Oppenheim, Georges & Philippe, Anne & Rigal, Jean. (2008). The particle filters and their applications. Chemometrics and Intelligent Laboratory Systems. pp 87-93. DOI: 10.1016/j.chemolab.2007.09.010.

102. Perspective-n-Point: P3P // Jingnan Shi URL: https://jing-nanshi.com/blog/pnp_minimal.html (дата обращения: 12.10.2023).

103. Rachel Lancor, Brian Lancor Digital Pinhole Camera // The Physics Teacher. 2014. С. 437-438.

104. RAFT: Optical Flow estimation using Deep Learning // LearnOpenCV URL: https://leamopencv.com/optical-flow-using-deep-learning-raft/ (дата обращения: 09.08.2025).

105. RidgeRun's Birds Eye View project research // RidgeRun Developer Wiki URL: https://developer.ridgerun.com/wiki/index.php/Birds_Eye_View/In-troduction/Research (дата обращения: 01.010.2024).

106. Rodrigues, Cristiano & Silva, Daniel & Rossetti, Rosaldo & Oliveira, Eugé-nio. (2015). Distributed flight simulation environment using flight simulator X. 2015 10th Iberian Conference on Information Systems and Technologies, CISTI 2015. pp. 1-5. DOI: 10.1109/CISTI.2015.7170615.

107. Runway Detection and Localization in Aerial Images using Deep Learning // IEEE Xplore URL: https://ieeexplore.ieee.org/document/8945889 (дата обращения: 16.05.2023).

108. Scherer, S.; Mishra, C.; Holzapfel, F. Extension of the capabilities of an automatic landing system with procedures motivated by visual-flight-rules. In Proceedings of the 33rd Congress of the International Council of the Aeronautical Sciences (ICAS), Stockholm, Sweden, 4-9 September 2022. pp. 1- 11.

109. Schleiss M. Translating Aerial Images Into Street-Map Representations for Visual Self-Localization of Uavs // The International Archives of the Photo-grammetry, Remote Sensing and Spatial Information Sciences, 2019. №42. С. 575-580.

110. Shah, S., Dey, D., Lovett, C., and Kapoor, A., AirSim: High-Fidelity Visual and Physical Simulation for Autonomous Vehicles, Field and Service Robotics, 2017. pp. 1-15. DOI: 10.1007/978-3-319-67361-5_40.

111. Shi-Tomasi Corner Detector & Good Features to Track // OpenCV URL: https://docs.opencv.org/4.x/d4/d8c/tutorial_py_shi_tomasi.html (дата обращения: 01.010.2024).

112. Silva Filhoa P., Shiguemoria E.H., Saotome O. Uav Visual Autolocalizaton Based on Automatic Landmark Recognition // ISPRS Annals of the Photo-grammetry, Remote Sensing and Spatial Information Sciences. 2017. №4. С. 89-94.

113. SJCAM SJ5000x Elite // SJCAM URL: https://sjcam.ru/cata-log/camers/sjcam-sj5000x-elite/?srsltid=AfmBOoob4JOqx3-rRM7WBWFvgFgAKt39C-AVvTL_WTpbkwE3yT0N0jqb (дата обращения: 12.05.2025).

114. SuperPoint-LightGlue // UBC URL: https://www.cs.ubc.ca/research/image-matching-challenge/2021/submis-

sions/26e88f29ec7ad35147892a1a6d7b8530-sp8k-lightglue-degensac-inlth-1.1/ (дата обращения: 09.08.2025).

115. The Flight Safety Foundation // Aviation Safety Experts - Flight Safety Foundation URL: https://flightsafety.org/ (дата обращения: 15.06.2022).

116. The PASCAL Visual Object Classes (VOC) Challenge // The University EDINBURGH School of Informatics URL: https://homep-ages.inf.ed.ac. uk/ckiw/po stscript/ij cv_vo c09.pdf (дата обращения: 17.01.2023).

117. Tong Ke and Stergios Roumeliotis. An efficient algebraic solution to the perspective-three-point problem. In Computer Vision and Pattern Recognition (CVPR), 2017 IEEE Conference on. IEEE, 2017. pp. 7233-7225.

118. Understanding Lens Distortion // LearnOpenCV URL: https://learno-pencv.com/understanding-lens-distortion/ (дата обращения: 12.05.2025).

119. Very Deep Convolutional Networks for Large-Scale Image Recognition // Cornell University URL: https://arxiv.org/abs/1409.1556 (дата обращения: 20.05.2023).

120. A Vision-Based Algorithm for UAV State Estimation During Vehicle Recovery // KU ScholarWorks URL: https://kuscholarworks.ku.edu/entities/publi-cation/396cbe21-c9a8-46dc-a120-644ddca7eaf3 (дата обращения: 22.12.2025).

121. Vision-based UAV Guidance for Autonomous Landing with Deep Neural Networks // ResearchGate URL: https://www.researchgate.net/publica-tion/330197121_Vision-based_UAV_Guidance_for_Autonomous_Land-ing_with_Deep_Neural_Networks (дата обращения: 16.05.2023).

122. VLC media player // VideoLAN Organization URL: https://www.video-lan.org/vlc/ (дата обращения: 10.01,2025).

123. Weiser, Christian & Looye, Gertjan & Ossmann, Daniel. (2024). Flight Testing Total Energy Control Autopilot Functionalities for High Altitude Aircraft. pp. 1-13. DOI: 10.2514/6.2024-2204.

124. Welcome To Colab // Google Colab URL: https://colab.research.google.com/ (дата обращения: 20.12.2024).

125. What is COCO? // COCO Common Objects in Context URL: https://coco-dataset.org/#home (дата обращения: 23.05.2023).

126. Xception Model: Analyzing Depthwise Separable Convolutions // viso.ai URL: https://viso.ai/deep-learning/xception-model/ (дата обращения: 22.12.2025).

127. Xiao-Shan Gao, Xiao-Rong Hou, Jianliang Tang, and Hang-Fei Cheng. Complete solution classification for the perspective-three-point problem. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 25(8): 930-943, 2003. DOI: 10.2514/6.2024-2204.

128. YOLOV8 Label Format: Step-by-Step Guide // YOLOv8 URL: https://yolov8.org/yolov8-label-format/ (дата обращения: 19.12.2024).

129. Yu Chen, Caixia Deng, Xiaxia Chen An Improved Canny Edge Detection Algorithm // International Journal of Hybrid Information Technology. 2015. №10. С. 359-370.