Применение алгоритма машинного обучения для предсказания безопасной максимальной дальности полета беспилотного летательного аппарата

Размещено на http://www.allbest.ru/

Московский Технический Университет Связи и Информатики

Применение алгоритма машинного обучения для предсказания безопасной максимальной дальности полета беспилотного летательного аппарата

Тихонов И.А., Кесян Г.Р.

Аннотация

полет беспилотный летательный аппарат

Проведен анализ полетов беспилотных летательных аппаратов и погодных условий в которых производился полет беспилотного летательного аппарата, на основе которого выделены погодные факторы влияющие на безопасную дальность полета беспилотного летательного аппарата. На основе полученных данных разработана и обучена нейронная сеть, которая на основе данных погодных условий, в которых будет производится поле беспилотного летательного аппарата, способна спрогнозировать максимальную безопасную дальность полета беспилотного летательного аппарата. Ключевые слова: погодные условия, дельность полета.

Annotation

Application of the algorithm of machine training for predicting the safe maximum distance of a flight of an accessorated aircraft

Tikhonov, I.A., Kesyan G.R.

Moscow Technical University of Communications and Informatics

The analysis of flights of unmanned aerial vehicles and the weather conditions in which the flight of an unmanned aerial vehicle was made, on the basis of which the weather factors affecting the safe flight range of the unmanned aerial vehicle were identified. Based on the data obtained, a neural network has been developed and trained, which, based on the data of the weather conditions in which the flight of an unmanned aerial vehicle will take place, is able to predict the maximum safe distance of the flight of an unmanned aerial vehicle. Key words: weather conditions, flight duration.

Основная часть

В статье проводится исследование возможности использования нейронных сетей для создания системы безопасности беспилотного летательного аппарата, которая могла бы оценивать текущие погодные условия и на основе этих данных выбрать максимальную безопасную дальность полета беспилотного летательного аппарата. Описано создание нейронной сети и проведен анализ ее работы. Статья выполнена в рамках курсового проекта по дисциплине «Методы интеллектуального анализа данных», лектор -- Воронова Л.И. [1].

На сегодняшний день существует большое количество беспилотных летательных аппаратов, которые различаются как по размерам, так и по стоимости, так к примеру на рынке представлены беспилотные летательные аппараты, размеры которых едва превышают размеры пяти рублевой монеты и стоимость которых приблизительно равна 10$, также на рынке представлены беспилотные летательные аппараты, длина которых превышает 1.5 метра, а стоимость превышает 2000$. Доступная стоимость, а также достаточно простое управление беспилотными летательными аппаратами, привело к тому что беспилотные летательные аппараты стали использоваться для съемки фотографий или видео, не только на улице, в зоне прямой видимости беспилотного летательного аппарата, но и на больших расстояниях от места начального запуска беспилотного летательного аппарата, а также на таких мероприятиях, где присутствует большое количество человек, к примеру, на концертах.

В связи с данным фактом, появляется риск того, что беспилотный летательный аппарат, может аварийно завершить полет, и на большом расстоянии от места запуска, может причинить существенный ущерб не только беспилотному летательному аппарату, но и окружающим, так как скорость вращения винтов измеряется тысячами оборотов в секунду, а суммарная масса беспилотного летательного аппарата, чаще всего больше 3-х килограммов, таким образом, если беспилотный летательный аппарат совершает аварийную посадку с достаточно большой высоты в достаточно людном месте, то это может привести к серьезным последствиям.

Очень часто, причиной, по которой беспилотный летательный аппарат совершает аварийное завершение полета, являются погодные условия.

В связи с этим была поставлена задача разработать нейронную сеть, которая могла бы показывать безопасную максимальную дальность полета беспилотного летательного аппарата.

В качестве данных для обучения, были выбраны данные полученные в результате анализа погодных условий в дни, когда были произведены не успешные запуски беспилотных летательных аппаратов, информацию о таких запусках можно найти на специальном сайте, где указывается точная дата и время полета, координаты места запуска и причины, в связи с которыми произошла авария или потеря беспилотного летательного аппарата [2].

Для работы нейронной сети были выбраны такие параметры как температура окружающей среды, скорость ветра, а также дальность прямой видимости. Каждый из перечисленных факторов оказывает непосредственное влияние на исход полета. При низкой температуре окружающей среды, происходит уменьшение емкости аккумуляторов, что ведет к ухудшению летных качеств беспилотного летательного аппарата, по сравнению с техническими параметрами летательного аппарата в нормальных условиях. Сильный ветер, так же оказывает непосредственное влияние на полет, при резких порывах ветра, летательный аппарат может потерять ориентацию в пространстве, а также к ухудшению управляемости летательного аппарата, что в свою очередь, может привести к аварии. Дальность прямой видимости также является очень важным фактором, при относительно маленькой дальности видимости, беспилотный летательный аппарат может быть потерян из зоны видимости, что сделает невозможным управление летательным аппаратом, что в свою очередь, чаще всего, приводит к аварии или потере летательного аппарата.

Так как на сайте указано место, дата и время, можно определить погодные условия, в которых производился полет. Таким образом, был проведен анализ 1000 случаев и на основе данного анализа был составлен обучающий набор данных.

Пример полученных данных для обучения нейронной сети в процессе анализа, случаев аварийного завершения полетов, представлен в таблице 1.

Таблица 1

Фрагмент набора данных для обучения нейронной сети [2]

Размещено на http://www.allbest.ru/

В приведенной таблице представлен набор 3 наблюдений, в первом столбце представлена скорости ветра, во втором - значение температуры, в третьем - дальность прямой видимости, перечисленные данные были получены в результате проведенного анализа данных о времени, месте и причине аварийного завершения полета беспилотным летательным аппаратом, а также погодных условий, которые были в момент совершения полета беспилотным летательным аппаратом [3], в 4-6 столицах отображаются ожидаемые выходные данные нейронной сети.

На рисунках 1 - 3 представлено сравнение данных, на которых происходит обучение нейронной сети.

На рисунке 1 представлено распределение случаев нормального завершения полетов от температуры, при дальности менее 100 метров (синий), при дальности полета в пределах от 100 до 500метров (красный) и дальности полета более 500 метров (зеленый).

Рис. 1 Распределение данных от температуры окружающей среды

На рисунке 3.2 представлено распределение случаев нормального завершения полетов от скорости ветра, при дальности менее 100 метров (синий), при дальности полета в пределах от 100 до 500метров (красный) и дальности полета более 500 метров (зеленый).

Рис. 2 Распределение данных от скорости ветра

На рисунке 3 представлено распределение случаев нормального завершения полетов от дальности прямой видимости, при дальности менее 100 метров (синий), при дальности полета в пределах от 100 до 500метров (красный) и дальности полета более 500 метров (зеленый).

Рис. 3 Распределение данных от дальности прямой видимости

Проводя анализ данных, на которых происходит обучение нейронной сети, можно заметить, что данные имеют очень близкие значения и очень часто, одни и те же значения относятся к разным группам, как к примеру, данные температуры, данный фактор не позволяет очень четко разграничить данные и решать данную задачу исключительно аналитически. Поэтому решение данной задачи было построено на применение нейронной сети.

Для реализации поставленной задачи была выбрана модель нейронной сети, которая состоит из 4-х скрытых нейронных слоев. На первом (входном) слое будет 3 нейрона, на первом скрытом слое - 15, на втором скрытом слое - 10, на третьем скрытом слое - 10, на четвертом скрытом слое - 6, на выходном слое - 3нейрона [4].

Нейронная сеть была обучена на 800 наблюдениях из набора в 1000 наблюдений, оставшаяся часть набора наблюдений, была использована для тестирования нейронной сети, для того чтобы получить представление о том, насколько точны предсказания нейронной сети.

На рисунке 4 представлен пример тестирования разработанной нейронной сети, а так же отношение числа неправильных ответов к общему числу тестируемых примеров.

Рис. 4 Тестирование нейронной сети

Таким образом, можно увидеть, что точность нейронной сети составляет 85%, что является достаточно высоким показателем, учитывая тот факт, что данные для обучения были достаточно сложными для простого анализа.

Также, при разработке нейронной сети была разработана форма, с помощью которой пользователь мог бы получать максимальную безопасную дальность полета на беспилотном летательном аппарате, вводя данные температуры, скорости ветра, а также дальность прямой видимости. Для этого необходимо ввести данные в массив, в указанном порядке. И запустить выполнение программы, после этого, нейронная сеть произведет обработку входных значений и на выходе будет 3 числа, которые будут характеризовать вероятность каждого из 3-х случаев, после будет выбрано значение с максимальным значением и в соответствии с номером, к которому относится это значение, будет выведено соответствующее сообщение. Пример выходных значений представлен на рисунке 5, данные выходные значения соответствуют введенной скорости ветра равной 0 м/с, температуре воздуха 20єС и дальности прямой видимости равной 400м.

Рис. 5 Выходное сообщение нейронной сети

Таким образом, разработанная нейронная сеть, которая может прогнозировать максимальную безопасную дальность полета беспилотного летательного аппарата, в зависимости от внешних факторов (температура окружающей среды, скорость ветра, дальность прямой видимости), с точностью 85%. Данная нейронная сеть может быть использована в качестве модуля безопасности, при разработке беспилотного летательного аппарата, который будет запрещать полет беспилотного летательного аппарата на большие дистанции, в опасных для этого погодных условиях, данный фактор позволит сохранить беспилотный летательный аппарат.

Список литературы и источников

1. Л.И. Воронова, В.И. Воронов. Machine Learning: Регрессионные методы интеллектуального анализа данных: учебное пособие. МТУСИ, 2017. 81 с.

2. lostdrones.ru | База потерянных и найденных квадрокоптеров, самолетов и других дронов на единой карте [Электронный ресурс]. Режим доступа: https://www.lostdrones.ru/ (дата обращения: 17.12.2017).

3. GISMETEO: погода в России [Электронный ресурс]. Режим доступа: www.gismeteo.ru/ (дата обращения: 17.12.2017).

4. Курс машинного обучения AndrewNgMachineLearning [Электронныйресурс]. Режим доступа: https://www.coursera.org/learn/machinelearning (дата обращения: 12.12.2018).

Размещено на Allbest.ru