Дрон больше не ждёт милости от GPS — он научился чувствовать движение сам, и точность выросла втрое

Дрон без GPS обычно быстро теряет уверенность в себе. Камеры тоже не всегда спасают: в тоннеле темно, в лесу все однообразно, в плотной застройке сигнал рвется, а в зоне боевых действий навигацию могут ещё и намеренно ломать. Исследователи из Prince Sultan University предложили обойти обе проблемы сразу. Их новая система CLAK позволяет беспилотнику определять свое положение без спутниковой навигации и без камер, опираясь только на бортовые датчики.

Вместо привычной связки GPS и компьютерного зрения система использует лидар, барометр для оценки высоты и инерциальные данные. Дальше в работу вступает модель искусственного интеллекта, которая по этим данным вычисляет широту, долготу и высоту. Иными словами, беспилотник не пытается смотреть на мир как человек и не ждет подсказки со спутника, а учится понимать собственное движение по тому, что чувствует сам.

Авторы нацелили систему на среды, где обычная навигация регулярно дает сбой. Сюда относятся тоннели, плотная городская застройка, лес, горная местность, закрытые помещения и зоны конфликта. Во всех таких условиях спутниковый сигнал либо слабеет, либо пропадает, либо искажается. Для автономного полета проблема критическая: если аппарат плохо понимает, где находится, дальше начинает сыпаться все остальное — от маршрута до возврата на базу.

Камеры в таких ситуациях тоже не панацея. Визуальная навигация зависит от освещения, контраста, текстуры поверхности и вычислительных ресурсов. В тумане, темноте, пыли или однообразной среде надежность падает. Плюс обработка изображения требует заметной мощности, а для небольших беспилотников каждый ватт и каждый грамм на счету. CLAK убирает эту зависимость и учится работать по не визуальным данным.

Архитектура модели собрана из нескольких блоков. Сначала сверточные слои вытаскивают из потока датчиков полезные закономерности. Затем двунаправленные сети LSTM анализируют, как движение развивается во времени. После этого механизм внимания отбирает самые важные фрагменты данных, а сеть Колмогорова-Арнольда выдает финальную оценку положения. В итоге получается единый конвейер, который одновременно учитывает и текущую картину, и предыдущее движение аппарата.

Для обучения использовали симулированные полеты в среде на базе ROS2. В работе задействовали Gazebo, PX4 и QGroundControl. Чтобы модель не училась на слишком абстрактной местности, в симуляцию добавили данные о рельефе района Эт-Таиф в Саудовской Аравии. Такой подход позволил приблизить испытания к условиям, которые хоть как-то похожи на реальные маршруты, перепады высот и особенности поверхности.

На тестах система заметно обошла базовые методы. Средняя абсолютная ошибка снизилась с величины более трех метров до уровня менее одного метра. На части маршрутов падение ошибки превысило 75%. Для автономной навигации разница очень ощутимая: один метр вместо трех уже меняет качество прохода через узкие зоны, стабильность маршрута и общую уверенность системы в своих координатах.

Авторы отдельно подчеркивают, что модель получилась не только точной, но и достаточно легкой для реального применения. Для беспилотников это важный момент. Хороший результат на сервере не всегда означает, что систему можно поставить на компактный аппарат с жесткими ограничениями по вычислительным ресурсам и энергопотреблению. Здесь ставка сделана именно на то, чтобы алгоритм не требовал слишком тяжелого железа и подходил для полетов в реальных условиях.

Ещё одно преимущество связано с доступностью датчиков. Лидар, барометр и инерциальные модули давно используются в беспилотных системах, поэтому новая схема не требует экзотического и дорогого оборудования. За счет этого подход может оказаться интересным не только для военных или крупных промышленных игроков, но и для коммерческих операторов, исследовательских лабораторий и разработчиков специализированных дронов, которым нужна устойчивая навигация там, где GPS и камеры подводят.

Практических сценариев применения у такой системы хватает. Авторы прямо упоминают спасательные операции, инспекцию инфраструктуры и военное применение. Во всех трех случаях аппаратам часто приходится летать в сложной среде, где стабильное позиционирование жизненно важно, а обычные инструменты работают плохо. Если дрон сможет уверенно держать маршрут без спутников и без оптики, у операторов появится больше свободы в выборе условий и типа миссии.

На следующем этапе команда собирается дорабатывать модель дальше. В планах — ещё сильнее снизить вычислительную нагрузку и сделать систему более гибкой для разных ландшафтов и типов задач. Отдельное направление связано с кооперацией между несколькими дронами, когда аппараты помогают друг другу уточнять положение и сохранять устойчивость навигации даже в особенно сложной обстановке.