Противодействие беспилотным летательным аппаратам - [9]

. Кроме того, для управления малыми БПЛА могут использоваться специальные полетные контроллеры FCU (Flight Control Unit), которые формируют команды для микроконтроллеров управляющих двигателями и отдельными подсистемами БПЛА, в соответствии с данными, получаемыми по командной радиолинии управления (КРУ).

В последнее время три ведущих производителя микроэлектроники Qualcomm, Intel и Nvidia выпустили собственные типовые схемотехнические решения для систем управления БПЛА. Кроме того, аналогичное решение выпустил один из ведущих китайских производителей микроэлектроники — Leadcore. Каждый набор является типовым решением, включающем в себя[45]:

— центральный процессор управления CPU (Central Processing Unit);

— бортовую ОЭС;

— графический процессор GPU (Graphics Processing Unit) обработки видеоданных, поступающих от бортовой ОЭС;

— систему связи на основе технологии Wi-Fi.

Характеристики этих схемотехнических решений приведены в таблице 1.5.

Таблица 1.5 — Характеристики типовых технических решений для БПЛА от компаний Qualcomm, Intel, Nvidia и Leadcore[46]

Производитель / тех. решение	Qualcomm Snapdragon Flight	Intel Edison for Arduino	Nvidia Jetson TX1	Leadcore LC1860
CPU	4×Qualcomm Krait 400	22 нм dual-core Intel Atom	64-bit ARM A57 core	6-core Cortex A7
Частота CPU	2,5 ГГц	500 МГц	2 ГГц	2 ГГц
GPU	Qualcomm Adreno 330	Intel HD Graphic	Maxwell architecture, 256 CUDA cores	Dual-core Mali T628
Производительность GPU	167 GFLOPs	н/д	1 TeraFLOPs	н/д
Потребление энергии	н/д	35 мВт в статике	менее 10 Вт	н/д
Система связи Wi-Fi и Bluetooth	Да	Да	Да	Да
Бинокулярное стерео зрение	Да	Внешние датчики	Да	Да
Разрешающая способность камеры	4096×2160	не менее 1280×720	4096×2160	2048×1080
Размер	58 мм × 40 мм	127 мм × 72 мм	87 мм × 50 мм	41 мм × 61,5 мм
Преимущества	Сбалансированное решение по критерию «производительность / стоимость»	Сопряжение с внешними датчиками; Высокая точность и широкий диапазон применения	Высокая производительность в многопоточных задачах	Низкая цена
Недостатки	Относительно узкий диапазон применения	Высокое энергопотребление и цена	Высокое энергопотребление и цена	Относительно низкая производительность
Преимущества для применения на БПЛА	Энергоэффективное решение для управления БПЛА; поддержка групп БПЛА	Высокая производительность	Решения для управления БПЛА с использованием технологий машинного зрения и ИИ	Сбалансированное решение по критерию «эффективность / стоимость»

н/д — нет данных.

3. Верхний уровень управления соответствует архитекторе «БПЛА — ПУ» (или «группа БПЛА — ПУ») и образован телеметрической системой сбора данных о состоянии бортовых систем БПЛА, системой связи БПЛА и пункта управления (ПУ), а также оборудованием ПУ. Оборудование ПУ обрабатывает телеметрические данные о состоянии БПЛА и его местоположении, формирует программу полета и в соответствии с ней выдает команды на борт БПЛА[47].

Критически важным, для решения задачи противодействия БПЛА, на этом уровне являются ТТХ системы связи. Они подробно будут рассмотрены далее.

Отдельно отметим, что для подавляющего числа БПЛА основные функции по принятию решений реализуются не на борту, а на ПУ человеком-оператором. Это решения о профиле полета, альтернативных вариантах достижения целевой задачи, обработка данных, поступающих от бортового оборудования. Вместе с тем, развитие теории искусственного интеллекта (ИИ), теории управления группами БПЛА, повышение возможностей вычислительных средств, привело к тому, появились проекты, нацеленные на кардинальное повышение автономности и «интеллектуальности» управления БПЛА[48]. Такие проекты нацелены на создание ПО и библиотек с открытым исходным кодом в области машинного зрения и искусственного интеллекта, которые напрямую определяют направления дальнейшего развития БПЛА. Краткая характеристика таких проектов представлена в таблице 1.6.

Таблица 1.6 — Проекты по созданию ПО повышающего автономность и «интеллектуальности» управления БПЛА[49]

Проект	Область знаний	Компания-разработчик	ОС	Языки программирования	Краткая характеристика проекта	Web-сайт
Tensor Flow	Машинное обучение	Google	Linux; Windows; Mac	C++; Python	Высокопроизводительные вычисления на основе ИИ на основе на различных платформах (CPU, GPU, кластеры и т. д.)	www.tensorflow.org
Torch	Машинное обучение	Facebook	Linux; Mac	Lua; C; Cuda	Использование нестандартного языка разработки Lua; гибкость в реализации сложных топологий нейронных сетей (НС); возможность встраивания приложений в виде программ в ОС iOS и Android	torch.ch
MXNeT	Машинное обучение	DMLC / Baidu	Linux; Windows; Mac	C++; Python; Matlab	Акцент на ускорение разработки и развертывания больших и глубоких НС; простота масштабирования вычислений с помощью нескольких GPU; оптимизированные предопределенные слои НС	mxnet.Matlabincubator.apache.org
Caffe	Глубокое машинное обучение	UC Berkeley	Linux; Mac	C++; Cuda	Распознавание изображений при машинном зрении; модели и оптимизация системы имеют мягкую адаптивную конфигурацию	caffe. berkeleyvision.org
CNTK	Глубокое машинное обучение	Microsoft	Linux; Windows	C++; Python	Поддержка CPU и GPU; параллелизм на кластерах GPU; простота реализации и объединения популярных моделей; хорошее распознавание речи