Международная команда исследователей представила новый подход к автономной навигации микродронов, который позволяет им обходиться без GPS, карт и сложных систем позиционирования. Система под названием Bee-Nav имитирует поведение медоносных пчёл, сочетая короткий учебный полет, инерционное отслеживание движения и компактную визуальную память.
Результаты опубликованы в Nature и уже подтверждены серией роботизированных экспериментов в реальных условиях.
«Мы предлагаем «Bee-Nav» — высокоэффективную навигационную стратегию, вдохновленную учебными полетами медоносных пчел, во время которых они формируют зрительную память», — из оригинального исследования, опубликованного в Nature.
Суть подхода заключается в том, что дрон во время короткого стартового облета формирует минимальную модель среды, запоминая визуальные ориентиры и одновременно оценивая собственное движение. После этого он способен лететь на сотни метров и возвращаться домой без построения глобальной карты пространства. Визуальная нейросеть активируется только тогда, когда аппарат возвращается в знакомую область, компенсируя накопленный дрейф инерционной навигации.
«После обучения робот может улетать далеко от дома, возвращаться напрямую с помощью инерционного отслеживания движения и компенсировать накопленный дрейф с помощью визуальной сети навигации домой», — отмечают в Nature.
В реальных экспериментах дроны с ультракомпактными нейронными сетями (от 3,4 до 42 килобайт) демонстрировали стабильное возвращение с расстояний до 600 метров даже при ветре и переменном освещении. Это резко контрастирует с классическими SLAM-системами, которые требуют значительно больших вычислительных ресурсов и обычно используются на более тяжелых работах.
«Легкие нейронные модели, работающие на минимальном оборудовании, могут надежно направлять дроны обратно домой на расстояниях в несколько сотен метров», — добавляет Nature.
Похожие исследования последних лет подтверждают тренд: инженеры все чаще отказываются от классических картографических методов в пользу биоинспирированных моделей, основанных на оптическом потоке, локальной памяти и обучении без супервизии. В таких системах ключевую роль играет не глобальная карта, а способность реагировать на локальные визуальные изменения среды.
«Биоинспирированный дизайн часто используется в автономной навигации БПЛА благодаря способности биологических систем к полету и избежанию препятствий даже при ограниченных сенсорных и вычислительных возможностях», — говорится в исследовании.
Отдельно исследователи подчеркивают, что Bee-Nav работает по принципу «learned homing area» — ограниченной зоны, в пределах которой визуальная память обеспечивает точную коррекцию движения. За пределами этой зоны дрон полагается только на инерциальную навигацию, что делает систему простой, но эффективной для задач возвращения к базе или точке запуска.
Хочеш знати більше, ніж ChatGPT 5? Підписуйся на ITC.ua у TelegramПІДПИСАТИСЯ
«После обучения робот может выполнять долгий полет от базы… а затем компенсировать накопленный дрейф с помощью встроенной нейронной сети визуальной навигации домой», — рассказали ученые.
Вопрос о возможном военном применении таких технологий возник почти сразу, поскольку автономная навигация без GPS является критически важной для современных беспилотных систем в средах с радиоэлектронным противодействием. Проект разработан в сотрудничестве с университетами Нидерландов, Германии и биологическими исследовательскими группами, а фокус работ сейчас — именно энергоэффективная робототехника и нейробиология навигации.
В смежных работах отмечается, что подобные системы прежде всего создаются для поисково-спасательных операций, инспекции инфраструктуры, аграрного мониторинга и автономной доставки. Однако эксперты в области автономных систем признают, что любые технологии GPS-независимой навигации потенциально могут быть адаптированы для оборонных задач, если интегрируются в соответствующие платформы.
Рідкісний вид бджіл завадив Марку Цукербергу побудувати атомний центр обробки даних
Спецпроекты«Синергія Сіті» та Banda презентували нову стратегію і наступну чергу комплексу. Чим вони здивувалиHighload: як команда готується до пікових подій. Найкращі практики від SharksCode
Источник: Scientific American