Ситников А.В., Харисов А.Р.
АНАЛИЗ СУЩЕСТВУЮЩИХ СИСТЕМ РОЕВОГО ИНТЕЛЛЕКТА ДЛЯ КООРДИНИРОВАННОГО ПОЛЕТА ДРОНОВ САМОЛЕТНОГО ТИПА *
Аннотация:
статья посвящена аналитическому обзору современных систем и технологий роевого интеллекта, применяемых для координации групп беспилотных летательных аппаратов (БПЛА) самолетного типа. В работе систематизированы основные архитектурные подходы к организации управления роем. Для каждого подхода выделены ключевые преимущества, недостатки и области практического применения. На основе анализа существующих аналогов и реализованных проектов рассмотрены конкретные применения технологий в военно-прикладной сфере, логистике и в экспериментах по взаимодействию с пилотируемой авиацией. В заключительной части статьи сформулированы основные технологические тренды, а также обозначены ключевые вызовы для дальнейшего развития.
Ключевые слова:
роевой интеллект, координированный полет, БПЛА, автономная кооперация, edge-cloud-архитектура, многоагентное обучение, обучение с подкреплением
Технологии роевого интеллекта для беспилотных летательных аппаратов (БПЛА) самолетного типа находятся в стадии активного развития, демонстрируя переход от простого группового полета по заданным точкам к сложной автономной кооперации. В рамках этого анализа рассматриваются существующие подходы и реализованные системы с акцентом на их архитектурные и технологические особенности. 1. Архитектурные подходы к управлению роем. Современные разработки базируются на трех основных архитектурных подходах, каждый из которых определяет логику взаимодействия внутри группы. Полностью децентрализованный (P2P) подход предполагает, что каждый дрон принимает решения автономно, опираясь на локальные данные от своих датчиков и следуя простым правилам взаимодействия с ближайшими соседями (например, поддержание дистанции, движение в общем направлении). Основные преимущества этого подхода — высокая отказоустойчивость, простота масштабирования роя и отсутствие единой точки отказа. Однако его ключевой вызов заключается в сложности достижения глобально оптимального поведения группы, а также в риске возникновения локальных конфликтов или нестабильностей. Этот подход часто служит базой для теоретических моделей и симуляций, демонстрирующих эмерджентное роевое поведение. Централизованно-децентрализованный (гибридный) подход использует центрального координатора (например, пилотируемый самолет, наземный пункт управления или лидирующий БПЛА), который ставит глобальные задачи группе. Дроны, в свою очередь, автономно решают тактические вопросы: распределение целей, построение маршрута, избегание столкновений. Такой подход обеспечивает баланс между глобальной координацией и тактической гибкостью, а также позволяет эффективно использовать ресурсы ведущего носителя. Однако система сохраняет зависимость от стабильного канала связи с координатором и требует сложных алгоритмов для распределения задач. Этот метод был успешно продемонстрирован, например, в экспериментах Airbus, где самолет-заправщик A310 MRTT управлял группой из нескольких дронов. Распределенный подход на основе edge-cloud архитектуры представляет собой наиболее передовую и перспективную модель. В ней вычислительная нагрузка распределена между самими дронами, так называемыми edge-устройствами, локальными серверами и облачной инфраструктурой. Обучение сложных моделей искусственного интеллекта, таких как многоагентное глубокое обучение с подкреплением (MARL), происходит в облаке или на граничных серверах, а выполнение обученных моделей — непосредственно на бортовых вычислительных модулях дронов. Это позволяет обрабатывать большие объемы данных с датчиков и решать комплексные задачи (совместный обход препятствий в динамичной среде) с минимальной задержкой. Основными вызовами здесь являются сложность реализации, высокие требования к пропускной способности и стабильности сети, а также вопросы кибербезопасности. Эволюция в области явно движется от первых двух подходов к третьему, который рассматривается как основа для сложных автономных миссий в недетерминированных условиях. 2. Практические реализации и аналоги. Анализ конкретных систем показывает, как теоретические принципы адаптируются под различные прикладные задачи. В военно-прикладной сфере (в частности, в российских разработках) акцент делается на автономности и помехоустойчивости. Примером может служить ударный БПЛА «Молния», использующий элементы ИИ для самостоятельного распознавания и поражения целей. Перспективным направлением считается создание гетерогенных роев, где различные типы дронов (разведывательные, ударные, средства радиоэлектронной борьбы) координируют свои действия для выполнения общей миссии. Важным инфраструктурным проектом в этом контексте является RUTM (Russian Unmanned aircraft system Traffic Management) — система управления воздушным движением, предназначенная для интеграции массовых полетов беспилотников в общее воздушное пространство через организацию виртуальных коридоров. В логистике и грузоперевозках разрабатываются специализированные системы. Яркий пример — технология «Cooperative Lift» от австралийской компании Freespace Operations. Эта система позволяет нескольким тяжелым дронам Callisto 50 координировать свои усилия для подъема и транспортировки единого груза массой до 100 кг. Подобная задача требует синхронного управления не только положением в пространстве, но и динамическими нагрузками, что представляет собой значительную инженерную сложность. Эксперименты в области кооперации с пилотируемыми аппаратами иллюстрируют гибридный подход. В ходе демонстрации Airbus самолет-заправщик A310 MRTT, оснащенный системой Auto’Mate, выступил в роли воздушного командного центра, автономно управляя полетом и задачами группы из четырех дронов DT-25 для отработки сценариев дозаправки. Этот пример показывает потенциал архитектуры «ведущий-ведомые» в смешанных группах. В академических и исследовательских проектах основное внимание уделяется разработке и тестированию алгоритмов. Ключевым направлением является применение многоагентного глубокого обучения с подкреплением (MARL) в рамках edge-cloud архитектуры. Такие системы учатся в симуляциях оптимальным стратегиям для совместных действий в быстро меняющихся условиях, например, при тушении лесных пожаров. Примечательно, что базовые алгоритмы роевого поведения (сплочение, избегание столкновений) могут быть реализованы крайне лаконично, что подтверждает идею о том, что сложное групповое поведение возникает из набора простых локальных правил. 3. Кооперация с пилотируемой авиацией. Перспективным направлением в российских разработках роевого интеллекта является организация кооперации между пилотируемыми летательными аппаратами и автономными роями дронов. В рамках военной сферы ведутся работы по созданию гибридных авиационных групп, где пилотируемый истребитель выступает в роли интеллектуального лидера и воздушного командного пункта для группы беспилотников. Так, в 2023 году сообщалось, что истребитель пятого поколения Су-57 модернизируется как платформа для управления «роем» легких БПЛА различного назначения, запускаемых из его внутрифюзеляжных отсеков. Эта концепция была частично апробирована еще в 2019 году в ходе совместного полета Су-57 с тяжелым ударным беспилотником С-70 «Охотник», который использовался для расширения радиолокационного поля и целеуказания. В перспективе подобная связка должна позволить одному экипажу управлять десятками дронов, что многократно повышает боевые возможности и эффективность выполнения сложных тактических миссий, таких как прорыв ПВО. 4. Ключевые технологические тенденции и вызовы. На основании проведенного анализа можно выделить несколько определяющих тенденций в развитии роевого интеллекта для БПЛА. Эволюция от координации к кооперации: Происходит переход от простой пространственной синхронизации («координации») к адаптивной кооперации, при которой дроны способны в реальном времени перераспределять роли, договариваться о ресурсах и гибко перепланировать свои действия в ответ на изменение обстановки или потерю части группы. Доминирование методов машинного обучения: Алгоритмы глубокого обучения с подкреплением становятся основным инструментом для обучения роев сложному поведению в неструктурированных и непредсказуемых средах, преодолевая ограничения заранее закодированных поведенческих правил. Распределенные edge-cloud архитектуры: Для обработки данных и выполнения вычислений, требующих значительных ресурсов, становится стандартом распределенная модель, где обучение моделей ИИ происходит на облачных или граничных серверах, а их выполнение — на бортовых модулях дронов. Специализация аппаратных платформ: Наблюдается уход от универсальных дронов в сторону специализированных платформ, оптимизированных под конкретные задачи: тяжелые грузовые мультикоптеры, скоростные самолетные БПЛА для разведки и т.д. Основными вызовами, сдерживающими массовое внедрение, остаются: Энергетические ограничения: Время автономной работы и энергопотребление мощных бортовых вычислителей. Устойчивость связи: Обеспечение надежного обмена данными в условиях радиоэлектронных помех, глушения сигнала или сложного рельефа местности. Интеграция в воздушное пространство: Разработка адекватной нормативной базы и технологий (наподобие RUTM) для безопасного массового использования роев в общем воздушном пространстве наряду с пилотируемой авиацией. Безопасность и отказоустойчивость: Обеспечение кибербезопасности систем управления и гарантирование работоспособности роя при отказе или уничтожении части агентов. Вывод. Таким образом, современное состояние технологий роевого интеллекта для БПЛА самолетного типа характеризуется переходом от теоретических изысканий к комплексным практическим реализациям. Будущее развития связано с преодолением инженерных ограничений, глубокой интеграцией методов искусственного интеллекта и созданием масштабируемых экосистем, обеспечивающих безопасную и эффективную кооперацию разнородных воздушных роботов.
Номер журнала Вестник науки №12 (93) том 4 ч. 1
Ссылка для цитирования:
Ситников А.В., Харисов А.Р. АНАЛИЗ СУЩЕСТВУЮЩИХ СИСТЕМ РОЕВОГО ИНТЕЛЛЕКТА ДЛЯ КООРДИНИРОВАННОГО ПОЛЕТА ДРОНОВ САМОЛЕТНОГО ТИПА // Вестник науки №12 (93) том 4 ч. 1. С. 788 - 795. 2025 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/27862 (дата обращения: 07.02.2026 г.)
Вестник науки © 2025. 16+