МЕТОД ПРОГРАМНОЇ РЕАЛІЗАЦІЇ ІНТЕЛЕКТУАЛЬНИХ АЛГОРИТМІВ КЕРУВАННЯ БЕЗПІЛОТНИМИ ЛІТАЛЬНИМИ АПАРАТАМИ В СИСТЕМАХ ЖОРСТКОГО РЕАЛЬНОГО ЧАСУ

Анотація

У статті розв’язано актуальну науково-технічну суперечність між необхідністю підвищення точності прецизійного донаведення безпілотних літальних апаратів (БПЛА) в умовах інтенсивних завад та суворими обмеженнями обчислювальних ресурсів бортових систем. Представлена робота фокусується на створенні інтелектуально-робастної архітектури керування, здатної забезпечувати стабільне функціонування в умовах часової латентності, зашумленості навігаційних даних та динамічної непевності об'єкта. Наукова новизна дослідження полягає у розробці та впровадженні рекурентної самоеволюціонуючої нейро-нечіткої мережі (RSEFNN), інтегрованої в контур адаптивного контролера змінного режиму (ASMC) для онлайн-ідентифікації та компенсації нестаціонарних зовнішніх збурень. Ключовою особливістю розробленої архітектури є поєднання високої робастності з обчислювальною ефективністю, що досягається за рахунок математичної оптимізації трансцендентних функцій за методом Паде, яка дозволила скоротити витрати ресурсів у шість разів порівняно зі стандартними реалізаціями. Використання самоеволюціонуючих структур із жорстким обмеженням кількості правил гарантує детермінованість часу виконання (WCET), що є критично важливим для авіаційної сертифікації бортового ПЗ. Важливим практичним результатом стало створення програмного симуляційного стенда в середовищі MATLAB на основі об’єктно-орієнтованого підходу та фіксованого кроку інтегрування методом Рунге-Кутта 4-го порядку, що забезпечує повну відтворюваність чисельних експериментів. Розроблений алгоритм детермінованого розподілу актуації дозволяє ефективно керувати БПЛА з надлишковою кількістю двигунів без використання ітераційних процедур, гарантуючи сталий час виконання операцій незалежно від вхідних сигналів. Експериментальна валідація з використанням спектральної моделі турбулентності Драйдена підтвердила високу робастність гібридної системи в умовах інтенсивних стохастичних збурень, характерних для малих висот. Статистичне профілювання показало, що метод ASMC+RSEFNN споживає менше 2 Кбайт оперативної пам’яті та має запас за часом виконання понад 33% відносно критичного ліміту в 2 мс. Порівняно з методами глибокого навчання та нелінійного прогнозного керування, даний підхід демонструє значно вищу обчислювальну ефективність, дозволяючи поєднувати інтелектуальну компенсацію завад із жорсткими вимогами до реального часу на мікроконтролерах класу ARM Cortex-M7.