This paper addresses the issue of developing a computerized system for processing information in the construction of the trajectory of an unmanned aircraft vehicle (UAV), a remotely-piloted aviation system (RPAS), or another robotic system. Resolving this task involves the neural network learning algorithms based on the mathematical model of movement.The construction of such a trajectory between two specified destinations has been considered that provides for the possibility of bypassing static and dynamic obstacles. The specified trajectory is divided into several smaller parts. The possibility of restructuring when changing the position of obstacles in space has been considered. A UAV flight control algorithm has been developed, which implies training a neural network for bypassing obstacles of different sizes.To predict the development of the situation when an object moves between two specified points in space, it is proposed to use the Q-Learning algorithm. It has been shown that the smallest number of steps required for moving along a specified trajectory is 18, the largest is 273 steps. In case of distortion during data transmission, the training of the neural network makes it possible to reduce the possibility of collision with obstacles by improving the accuracy and speed of information transfer between the on-board computer and operator. A system of the video support to moving objects was modeled; dependence charts of the normalized frame size at different parameter values were built. Using the charts makes it possible to determine the function of the maneuver intensity. Existing neural network learning methods such as CNN and LSTM were compared. It has been proven that the success rate reaches 74 % when using CNN only, while it amounts to 92 % at the hybrid application of CNN+LSTM. The simulation results have demonstrated the high efficiency of the developed algorithm

Решается задача создания компьютеризированной системы для обработки информации при построении траектории движения беспилотного летального аппарата (БПЛА), дистанционно пилотируемой авиационной системы (ДПАС) либо другой роботизированной системы. Для решения используются алгоритмы обучения нейронной сети, основанные на математической модели движения. Рассмотрено построение траектории между двумя заданными пунктами назначения с возможностью обхода статических и динамических преград. Заданная траектория разбивается на несколько более мелких частей. Рассмотрена возможность перестроения при изменении положения преград в пространстве. Разработан алгоритм управления полетом БПЛА при помощи проведения обучения нейронной сети для возможности обхода преград разного размера. Для прогнозирования развития ситуации при движении объекта между двумя заданными токами в пространстве предложено использовать алгоритм Q-Learning. Показано, что наименьшее количество шагов, необходимых для движения по заданной траектории – 18, наибольшее – 273. В случае искривления передачи данных, обучение нейронной сети позволяет уменьшить возможность столкновения с преградами, путем увеличения точности и скорости передачи информации между бортовым компьютером и оператором. Проведено моделирование системы для видеосопровождения движущихся объектов, создано графики зависимостей нормализированного размера кадра при разных значениях параметров. На графиках можно определить функцию интенсивности маневра. Проведено сравнение существующих методов обучения нейронной сети: CNN и LSTM. Доказано, что при использовании только CNN коэффициент успеха достигает74%, а при гибридном использовании CNN+LSTM – 92%. Результаты моделирования показывают, что алгоритм имеет высокую эффективность работы.

Вирішується задача розробки комп’ютеризованої системи для обробки інформації при побудові траєкторії руху безпілотного повітряного судна (БПС), дистанційно пілотуємої авіаційної системи (ДПАС) або іншої роботизованої системи. Для рішення використовуються алгоритми навчання нейронної мережі, засновані на математичній моделі руху. Розглядається побудова траєкторії між двома заданими пунктами призначення з можливістю обходу статичних та динамічних перешкод. Задана траєкторія розбивається на декілька більш дрібних частин. Розглянуто можливість перебудови при зміні положення перешкод у просторі. Розроблено алгоритм керування польотом БПС шляхом проведення тренування нейронної мережі для здійснення обходження перешкод різного розміру. Для прогнозування розвитку ситуації при русі об’єкту між двома заданими точками у просторі запропоновано використовуват алгоримт Q-Learning. Показано, що найменша кількість кроків, яка потрібна для руху по заданій траєкторії – 18, найбільша – 273 кроки. У випадку викривлення при передачі даних, навчання нейронної мережі дозволяє зменшити можливість зіткнення з перешкодами, шляхом підвищення точності та швидкості передачі інформації між бортовим комп’ютером та оператором. Проведено моделювання системи для відеосупроводу рухомих об’єктів, створено графіки залежності нормалізованого розміру кадру при різних значеннях параметрів. За допомогою графіків можливо визначити функцію інтенсивності маневру. Проведено порівняння існуючих методів навчання нейронної мережі: CNN та LSTM. Доведено, що при використанні тільки CNN коефіцієнт успіху досягає 74%, а при гібридному використанні CNN+LSTM – 92%. Результати моделювання показують, що алгоритм має високу ефективність роботи.