Методы и алгоритмы оценки взаимоположения беспилотных воздушных судов тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Ван Чжун

• Ван Чжун
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Ван Чжун

СПИСОК СОКРАЩЕНИЙ

ВВЕДЕНИЕ

ГЛАВА 1. ОБЗОР ТЕХНОЛОГИЙ ОЦЕНКИ ВЗАИМОПОЛОЖЕНИЯ

ГРУПП БЕСПИЛОТНЫХ ВОЗДУШНЫХ СУДОВ

1.1 Исследование технологии совместной навигации групп

беспилотных воздушных судов

1.2 Обзор развития технологий совместной навигации групп

беспилотных воздушных судов

1.3 Архитектуры совместной навигации групп беспилотных воздушных судов

1.4 Ключевые технологии оценки взаимоположения групп

беспилотных воздушных судов

1.5 Технология относительной навигации

1.6 Постановка задачи исследования

Выводы по главе

ГЛАВА 2. МАТЕМАТИЧЕСКИЕ МОДЕЛИ ДАТЧИКОВ И

СТРУКТУРА СИСТЕМЫ ОЦЕНКИ ВЗАИМОПОЛОЖЕНИЯ БЕСПИЛОТНОГО ВОЗДУШНОГО СУДНА

2.1 Системы координат

2.2 Модели датчиков

2.3 Сценарий оценки взаимоположения БВС

Выводы по главе

ГЛАВА 3. РАЗРАБОТКА МЕТОДА И АЛГОРИТМОВ

ОЦЕНКИ ВЗАИМОПОЛОЖЕНИЯ БЕСПИЛОТНЫХ

ВОЗДУШНЫХ СУДОВ

3.1 Алгоритм оценки относительного состояния с использованием

критерия степени наблюдаемости и глубокого обучения

Стр.

3.2 Алгоритм совместной навигации ведущего и ведомого беспилотного воздушного судна на основе оценки

относительного состояния

3.3 Синтез алгоритмов оценивания взаимного положения

ведущего и ведомого беспилотного воздушного судна

Выводы по главе

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ

4.1 Эксперименты по реальзации алгоритмов оценки

относительного состояния

4.2 Эксперимент по совместной навигации

4.3 Комплексный эксперимент по оценке взаимоположения

ведущего и ведомого беспилотного воздушного судна

Выводы по главе

ОБЩИЕ ВЫВОДЫ И ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

СПИСОК СОКРАЩЕНИЙ

АСН-ОС Алгоритм совместной навигации на основе оценки

относительного состояния

АСЦ-ГО Алгоритм сопровождения целей на основе глубокого обучения

АПМ Алгоритм построения моделей

БВС Беспилотное воздушное судно

БИНС Бесплатформенная инерциальная навигационная система

БОВ Блок определения входных возмущений

БФ Блок формирования измерений на основе интерактивного

многомодельного алгоритма

ГНСС Глобальная навигационная спутниковая система ИММ-алгоритм Интерактивный многомодельный алгоритм

ИНС Инерциальная навигационная система

МГУА Метод группового учета аргументов

МИММ Модификация интерактивного многомодельного алгоритма

МПВ Матрица переходных вероятностей Маркова

МРТ Модуль распознавания на основе Трансформера

РФК Расширенный фильтр Калмана

СКО Среднеквадратическое отклонение

СШП Сверхширокая полоса

ФК Фильтр Калмана

ФФК Федеративный фильтр Калмана

CA Constant Acceleration Model

CT Coordinated Turn Model

CV Constant Velocity Model

DoO Degree of Observability

IMU Inertial Measurement Unit

MLP Multilayer Perceptron

MME Multiple Model Estimation

NLOS Non-Line of Sight, вне пределов видимости

RMSE Root Mean Square Error

RTK Real-Time Kinematic

TTS Time To Switch

ZV Zero velocity

ВВЕДЕНИЕ

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы оценки взаимоположения беспилотных воздушных судов»

Актуальность темы исследования

Беспилотные воздушные суда (БВС) получили широкое применение в таких областях, как грузоперевозки, охрана окружающей среды, реагирование на чрезвычайные ситуации, распыление пестицидов, световые шоу и картографирование [17, 67]. Использование БВС в указанных областях не только значительно снижает трудозатраты, но и позволяет освободить человека от выполнения рутинных, опасных и сложных задач. Таким образом, БВС играют все более важную роль в национальных экономиках.

Эффективное функционирование группы БВС невозможно без высокоточного и надёжного навигационного обеспечения. При выполнении групповых задач необходимо обеспечивать поддержание и изменение геометрической конфигурации группы в зависимости от требований миссии, условий окружающей среды и функциональных возможностей аппаратов. Поэтому точность навигационных данных, характеризующих пространственное положение БВС (далее - формацию), во многом определяет устойчивость и качество группового управления, особенно с учётом нелинейности, многоканальности и тесной взаимосвязанности динамики летательных аппаратов [10, 69].

Основным средством позиционирования БВС по-прежнему остаётся глобальная навигационная спутниковая система (ГНСС). Однако в одноточечном режиме её точность обычно не превышает метрового уровня, чего недостаточно для задач, предъявляющих требования к дециметровой и тем более сантиметровой точности. По этой причине широкое распространение получила технология RealTime Kinematic (RTK), обеспечивающая определение координат подвижного объекта с точностью от дециметров до сантиметров. Однако RTK требует значительных ресурсов для развертывания наземных станций и создания постоянного стабильного канала связи между БВС и наземными станциями, что

увеличивает стоимость. Кроме того, в сложных городских условиях, где сигналы ГНСС часто экранируются или искажаются, эффективность данной технологии снижается, и она не всегда обеспечивает надёжное высокоточное позиционирование. Поэтому для группового позиционирования БВС недостаточно полагаться только на ГНСС.

Комплексирование данных от нескольких источников обеспечивает основу для высокоточной навигации и устойчивой оценки состояния БВС. Благодаря объединению преимуществ нескольких разнородных источников информации данный подход стал важным направлением развития систем группового позиционирования. Перекрытие областей наблюдения нескольких датчиков не только расширяет пространственный охват, но и значительно повышает доступность и надёжность навигационной системы. Например, ГНСС в сочетании с инерциальной навигационной системой (ИНС) широко применяется в навигации БВС, в системе ГНСС/ИНС данные ГНСС используются для коррекции накопленных ошибок ИНС, что позволяет повысить точность определения навигационных параметров [3]; кроме того, с помощью корреляции, интеграции анализа и оценки состояния данных наблюдений из разных источников можно эффективно подавить неопределенность, тем самым повысив общую точность позиционирования [2].

Развитие средств связи, сенсорных систем и вычислительных ресурсов БВС расширяет возможности применения совместной навигации в архитектуре «ведущий-ведомый», особенно при решении задач в сложных условиях. Обычно БВС оснащаются набором недорогих датчиков, включающим приёмник ГНСС, Inertial Measurement Unit (IMU), магнитометр, барометр, лазерный дальномер и модуль сверхширокополосной связи (СШП). Наличие нескольких измерительных каналов обеспечивает информационную избыточность, необходимую для повышения точности навигационных решений. При комплексной обработке данных ГНСС, СШП и ИНС, а также при обмене координатной информацией между аппаратами система способна сохранять надёжную оценку относительного состояния даже в условиях ухудшения качества или потери сигналов ГНСС. Это, в

свою очередь, обеспечивает непрерывность и необходимую точность движения беспилотного воздушного судна.

В практических условиях движение ведомых БВС часто представляет собой нелинейную динамику с неопределенными возмущениями и задержками в канале связи, что значительно увеличивает сложность построения моделей адаптации и оценки состояния [30, 67, 97]. Традиционные статичные модели и методы, основанные на фиксированных правилах, часто оказываются неэффективными в этом случае. Поэтому необходимо разработать более надежные алгоритмы оценки состояния, чтобы повысить точность наблюдений и устойчивость системы в условиях неопределенности за счет интеграции информации из нескольких источников и использования априорных динамических моделей. Углубленные исследования использования Ведущего БВС для наблюдения за состоянием ведомого, позиционирования на основе данных из нескольких источников и стратегий совместной навигации стали важным направлением в развитии интеллектуальных и автономных систем БВС, обеспечивая теоретическую и техническую основу для эффективного выполнения сложных задач [103].

В диссертации представлен комплекс методов и алгоритмов оценки взаимоположения БВС в структуре «ведущий-ведомый», включающий: алгоритм оценки относительного состояния с модификацией интерактивного многомодельного алгоритма (ИММ-алгоритма) и механизмами диагностики и реконструкции модели измерений, повышающий надёжность в сложных условиях наблюдения; методы взаимного позиционирования по относительным расстоянии и углам; федеративный фильтр Калмана (ФФК) с модулем псевдоизмерений и адаптивной настройкой ковариаций шумов.

Целью диссертационного исследования являлась разработка методов и алгоритмов повышения надёжности, устойчивости и эффективности навигационного комплекса БВС на основе оценки взаимного положения «ведущий-ведомый».

Для достижения цели в работе были сформулированы и решены следующие задачи:

1) Проектирование и обоснование общей архитектуры системы оценки взаимного положения БВС на базе относительных межбортовых измерений.

2) Разработка алгоритма оценки относительного состояния БВС с использованием критерия степени наблюдаемости ^оО) и модуля распознавания на основе Трансформера (МРТ).

3) Разработка метода оценки взаимного положения минимальной группы БВС на основе объединения информации ИНС и информации о расстоянии/угле.

4) Разработка адаптивного надежного федеративного фильтр Калмана для навигации групп БВС в условиях недоступности сигналов ГНСС.

Научная новизна работы заключается в следующем:

1) Построена архитектура навигации «ведущий-ведомый», объединяющая относительные измерения с инерциальными данными за счёт применения интерактивного многомодельного алгоритма (ИММ-алгоритма) с несколькими моделями движения и циклического контура «измерение-оценка-коррекция», что обеспечивает эффективное комплексирование разнородных источников.

2) Модифицирован ИММ-алгоритм за счет использования матрицы переходных вероятностей Маркова (МПВ) при выборе оценок в фильтре.

3) Разработан алгоритм оценки относительного состояния на основе критерия степени наблюдаемости и модуля распознавания на базе трансформера, который динамически корректирует и матрицу переходных вероятностей Маркова ИММ-алгоритма, и апостериорные вероятности моделей, что повышает точность при быстрых изменениях динамики положения цели.

4) Разработан алгоритм повышения надёжности измерений ведущего БВС, включающий диагностику по критерию Пирсона и построение модели измерений методом группового учёта аргументов (МГУА).

5) Разработан метод оценки взаимного положения ведущего и ведомого БВС, в котором оценка относительного состояния ведомого, вычисляемая на ведущем ИММ-фильтром, объединяется с оценками ИНС ведомого в ФФК с модулем псевдоизмерений и адаптивной настройкой ковариаций шумов, что компенсирует

дрейф ИНС и повышает точность оценки позиционирования и надёжность системы в сложных условиях наблюдения и при отсутствии ГНСС.

Достоверность и обоснованность полученных теоретических положений и практических результатов обеспечиваются строгим математическим анализом, основанным на алгоритмической обработке экспериментальных данных моделирования навигационных комплексов, а также на результатах обработки сигналов от мультимодальных датчиков. В процессе исследования использованы методы теории управления и навигации, численные методы и математическое моделирование, что позволило провести всестороннюю верификацию и количественную оценку разработанных метода и алгоритмов.

Практическая значимость результатов исследования состоит в возможности применения разработанных методов и алгоритмов при построении навигационного комплекса группы БВС в условиях ограничения или отсутствия сигналов ГНСС. Предложенные решения могут быть интегрированы в бортовое программное обеспечение для повышения точности, надежности и устойчивости позиционирования при выполнении групповых полётов в сложных условиях.

Результаты работы использованы в ООО «Нанкинская интеллектуальная технология „Шуйчжун Юй"» (КНР) и в учебном процессе кафедры систем автоматического управления МГТУ им. Н.Э. Баумана.

Методы исследования. При решении сформулированных задач использовались методы теории автоматического управления, теории навигационных систем, глубокого обучения, теории системного анализа, математического анализа, математического моделирования и программные пакеты МАТЬАВ.

Основные положения диссертационной работы, выносимые на защиту

1) Алгоритм оценки относительного состояния в конфигурации «ведущий-ведомый» на основе модели Трансформера и критерия степени наблюдаемости переменных состояния, что обеспечивает повышение точности оценки позиционирования в условиях нестационарной динамики.

2) Алгоритм оценки взаимного положения БВС с использованием информации об относительных измерениях, обеспечивающий более высокую точность и устойчивость по сравнению с существующими методами в условиях отсутствия сигналов ГНСС.

3) Навигационный комплекс на основе ФФК с модулем псевдоизмерений, адаптивной настройкой ковариаций шумов и механизмом построения моделей, повышающий точность и надёжность в сложных условиях наблюдения.

Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на следующих конференциях и научных семинарах: XXXI Санкт-Петербургская международная конференция по интегрированным навигационным системам (Санкт-Петербург, 2024 г.), Будущее машиностроения России: XVII Всероссийская конференция молодых ученых и специалистов (Москва, 2024 г.), Международная научно-практическая конференция «Индустрия 4.0» (Сочи, 2025 г.), I Международная научная конференция «Теория и реализация информационных систем» (Москва, 2025 г.), III Международный конгресс «Русский инженер» (Москва, 2025 г.).

Публикации. По теме диссертации опубликовано 14 научных работ, из них 7 статей в журналах, входящих в перечень ВАК РФ и 1 статья в международном научном издании, индексируемом в базе Scopus, общим объёмом 10,7 п.л./5,0 п.л.

Структура и объём работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из 115 наименований. Текст диссертации изложен на 142 страницах, содержит 60 рисунков и 6 таблиц.

Во введении обоснована актуальность темы, определены цели, задачи и методы исследования, отмечены научная новизна и практическая значимость, приведены сведения об апробации, внедрении результатов, публикациях, структуре и объёме диссертации.

В первой главе представлены обзор исследований в области совместной навигации групп БВС, классификация системных архитектур и текущее состояние развития ключевых технологий, а также определены основные проблемы и

технологические пути, связанные с созданием высоконадежных и высокоадаптивных навигационных систем.

Во второй главе рассмотрены используемые системы координат, математические модели инерциальных датчиков. Обоснована необходимость их использования в совместной навигации, проанализированы функциональные модули ИНС и построены модели погрешностей. В моделях процессные и измерительные шумы предполагаются гауссовыми белыми шумами, что является общепринятым допущением. Представлены методы компенсации погрешностей на основе объединения информации, полученной от различных датчиков. Разработана структура совместной навигации по принципу «ведущий-ведомый» для различных условий измерений.

В третьей главе представлены алгоритмы оценки взаимного положения БВС в структуре «ведущий-ведомый», включая метод оценки относительного состояния, алгоритмы позиционирования на основе относительных измерений, а также ФФК для повышения точности и надёжности навигации.

В четвертой главе представлены результаты моделирования для проверки правильности и работоспособности предложенных алгоритмов и методов. Выполнена верификация разработанных метода и алгоритмов в сравнении с проведенным анализом результатов моделирования.

В заключении приведены основные результаты диссертационной работы.

ГЛАВА 1. ОБЗОР ТЕХНОЛОГИЙ ОЦЕНКИ ВЗАИМОПОЛОЖЕНИЯ ГРУПП БЕСПИЛОТНЫХ ВОЗДУШНЫХ СУДОВ

1.1 Исследование технологии совместной навигации групп беспилотных воздушных судов

В последние годы технология БВС получила широкое применение в различных областях. Представленная на Рисунке 1.1 схема использования БВС в сельском хозяйстве наглядно демонстрирует интеграцию беспилотников в сложные системы мониторинга [95]. Кроме того, они активно внедряются в инспектирование электросетей, спасательные операции, а также в логистику, где на Рисунке 1.2 показан пример доставки посылок с помощью БВС. Благодаря таким преимуществам, как высокая гибкость, быстрое развертывание и относительно низкая стоимость, БВС постепенно становятся важной частью современных платформ для выполнения разнообразных задач.

Рисунок 1.1 - Применение БВС в сельском хозяйстве Однако, несмотря на то, что отдельное БВС обладает определенными способностями к автономному полету и выполнению задач, из-за ограничений в отношении грузоподъемности, продолжительности полета, вычислительных ресурсов, дальности действия датчиков и т. д., оно часто оказывается

неспособным справиться со сложными, динамичными и широкомасштабными задачами. В частности, при выполнении задач, связанных с параллельной обработкой нескольких целей, получением информации в широком диапазоне, реконструкцией задач в сложной динамичной среде и т. д., отдельное БВС затрудняется эффективно выполнить все требования задачи. Поэтому одним из актуальных вопросов в области развития технологий БВС в настоящее время является поиск путей преодоления ограничений, связанных с возможностями отдельных аппаратов, и обеспечение совместной работы нескольких БВС [6]. Например, приведенное на Рисунке 1.3 световое шоу служит ярким примером такой координации, где множество аппаратов действуют синхронно для создания сложных визуальных образов.

В этих условиях появилась технология групп БВС, которая быстро стала одним из важных направлений исследований в области интеллектуальных беспилотных систем. Суть технологии групп БВС заключается в том, что благодаря координации и кооперации между несколькими БВС они значительно превосходят традиционные одиночные аппараты по эффективности, надёжности и гибкости выполнения задач. В природе, например, при изображенной на Рисунке 1.4 миграции птиц, отдельные особи не нуждаются в центральном управлении, а лишь следуют локальным правилам и обмениваются простой информацией, что позволяет им формировать высококоординированную систему с единым поведением. Такое поведение не только обладает высокой устойчивостью и адаптивностью, но и позволяет эффективно реагировать на внешние воздействия

Рисунок 1.2 - Доставка посылок с помощью БВС

и неопределенности. В 1970-х годах физик Хакен создал теорию синергетики, согласно которой, если подсистемы внутри системы могут взаимодействовать друг с другом, то возникает синергетический эффект [71]. Вдохновленные этой теорией, исследователи начали пытаться внедрить подобные идеи распределенного управления и механизмы синергетического поведения в проектирование систем БВС, сформировав новую архитектурную модель «группы».

Рисунок 1.3 - Световые шоу: Международный фестиваль дронов в

Санкт-Петербурге

Путём разбиения задач, обмена информацией и совместного принятия решений группы БВС могут выполнять задачи, которые трудно выполнить отдельному аппарату, используя подход «простота отдельных элементов, сложность системы». Например, при спасательных работах после стихийных бедствий несколько БВС могут быстро распределиться по пострадавшей территории и совместно выполнять такие задачи, как картографирование местности, поиск и спасение людей, доставка грузов. При выполнении задач по

Рисунок 1.4 - Миграция птиц

обеспечению безопасности группа БВС может одновременно вести наблюдение за несколькими районами, выполнять распознавание и отслеживание целей, а также поддерживать согласованность действий всей системы в условиях ограниченной связи или сложной обстановки. Исследования в области группового применения БВС позволяют не только расширить функциональные возможности существующих беспилотных систем, но и способствуют дальнейшему развитию интеллектуальных методов управления и навигации. В связи с этим данное направление представляет как теоретический, так и практический интерес.

Одним из условий эффективного выполнения группой БВС задач с несколькими источниками является наличие высокоточной и надежной навигационной системы. Навигация является основой выполнения задач БВС и напрямую влияет на точность позиционирования в пространстве, планирование маршрута и эффективность выполнения задач. Для отдельного БВС часто используется комбинированная система навигации ГНСС/ИНС, сочетающая инерциальную навигационную систему и глобальную навигационную спутниковую систему, чтобы повысить точность позиционирования и избыточность системы. Кроме того, широко применяется технология дифференциальной навигации в реальном времени RTK, повышающая точность спутникового позиционирования за счет дифференциального метода и часто используется в сценариях, требующих высокой точности.

Традиционные методы навигации не всегда подходят для систем, включающих большое количество БВС. Одно из основных ограничений связано с высокой стоимостью RTK-систем и производительных интегрированных навигационных модулей. Если оснащать ими каждый аппарат, стоимость разработки и эксплуатации всей группы резко возрастает, особенно когда речь идёт о сотнях БВС. Не менее серьёзной проблемой остаётся зависимость от спутниковых сигналов. В районах с плотной высотной застройкой, в лесах, под землей и в условиях сильных электромагнитных помех, сигналы могут быть ослаблены или потеряны, что приводит к значительному снижению точности

ГНСС и RTK, а в некоторых случаях даже к невозможности навигации, что может снизить надежность работы БВС.

Чтобы преодолеть эти ограничения, методы совместной навигации привлекают все больше внимания к навигационным задачам БВС. В отличие от традиционных методов, когда каждое БВС получает и обрабатывает навигационную информацию самостоятельно, совместная навигация основана на взаимодействии информации между БВС и интегрированной обработке данных в рамках группы БВС. Это позволяет создать навигационную систему с избыточностью информации и возможностью взаимной коррекции ошибок.

Совместная навигация использует данные об относительном положении, относительной скорости, результаты взаимных наблюдений и другие доступные данные измерений между БВС. Интегрируя данные бортовых датчиков с данными взаимных измерений между БВС, можно повысить точность позиционирования и эксплуатационную надежность группы БВС. Если один из аппаратов потеряет сигнал ГНСС, его состояние может быть скорректировано с помощью информации об относительном положении и данных измерений, предоставленных соседними БВС, что позволит сохранить необходимую точность навигации и устойчивость системы.

Кроме того, метод совместной навигации может быть объединен с алгоритмами распределенной оценки состояния, оптимизации графа и объединения данных с нескольких датчиков. Такой подход расширяет возможности системы для работы в динамичных средах. Обмен информацией и совместная оценка состояния между устройствами позволяет формированию работать децентрализованно и автономно, улучшая его устойчивость к сбоям и повышая его адаптивность к внешним возмущениям. Этот подход, основанный на использовании геометрических корреляций внутри групп БВС и наблюдений за различными устройствами, рассматривается как одно из передовых направлений решения проблемы навигации групп БВС.

С ростом сложности задач, решаемых системами на базе БВС, и расширением областей их применения, традиционным методам навигации и

изолированным режимам работы отдельных устройств становится все сложнее соответствовать предъявляемым требованиям. В этих условиях групповое применение БВС рассматривается как один из наиболее эффективных подходов к решению сложных практических задач. Исследования в данной области важны не только для повышения эффективности выполнения миссий и надёжности системы, но и для развития интеллектуальных автономных систем, основанных на взаимодействии, распределении функций и координации нескольких агентов. Высокоточная, стабильная и надежная навигационная технология является основой нормальной работы групповой системы. Внедрение методов совместной навигации с механизмом объединения информации между аппаратами не только позволяет эффективно смягчить проблемы зависимости от сигнала и ограничений по стоимости, характерные для традиционных методов навигации, но и в полной мере раскрыть потенциал совместной работы групповых систем, обеспечивая прочную основу для их широкого применения в сложных условиях в будущем.

1.2 Обзор развития технологий совместной навигации групп

беспилотных воздушных судов

С глобальной точки зрения, все ведущие страны активно занимаются разработкой технологий групп БВС, вкладывая значительные ресурсы в исследования в области системного проектирования, управления формациями, объединения информации, интеллектуального принятия решений и т. д.

В США запланировано развитие систем БВС на 2005-2030 годы, уровни автономности БВС разделены на 1-10, как показано на Рисунке 1.5. «Полностью автономная группа» является наивысшим уровнем автономности БВС, и ожидается, что после 2025 года БВС будут обладать способностью к полностью автономной групповой работе [108]. Со стратегической точки зрения планируется, что малые БВС будут играть важную роль в будущих технологических системах и постепенно будут развиваться в направлении высокой интеллектуальности и группировки. Способность БВС к системной координации, автономному

сотрудничеству и интеллектуальной группировке станет ключом к повышению эффективности системы и гибкости решаемых задач.

Уровни автономного управления

Распределённое управление

Тактические цели группы

Тактическое перепланирование группы

Групповая координация

Перепланирование маршрута на борту

Адаптация к отказам и условиям полета Диагностика в реальном времени

Дистанционное управление

1955

1965

1975

1985

1995

2005

2015

2025

Рисунок 1.5 - Тенденция к автономности БВС в США [108]

Способность к групповой координации обозначена в качестве основного направления развития беспилотных систем следующего поколения. Будущие беспилотные системы должны обладать способностью к объединению информации между несколькими платформами, автономному принятию решений, координации маршрутов и совместному управлению, чтобы удовлетворить потребности все более сложных сценариев применения. Развитие соответствующих технологий также откроет более широкие возможности для применения в таких гражданских областях, как логистика, энергетические инспекции и ликвидация последствий стихийных бедствий.

Согласно «Дорожной карте развития гражданской беспилотной авиации У1.0», как показано на Рисунке 1.6, планы Китая в области совместной работы нескольких БВС предполагают поэтапное продвижение и постепенное внедрение в практику [38]. Дорожная карта предполагает, что к 2025 году будет в основном построена система БВС для доставки грузов на небольшие расстояния, которая будет обладать начальными возможностями для выполнения пассажирских или грузовых перевозок на короткие расстояния, к 2030 году технологии совместной

работы нескольких БВС, такие как управление группами, групповые операции, планирование маршрутов и распределение задач, будут интегрированы в систему и будут широко применяться, что обеспечит нормальную работу городских систем доставки на средние и короткие расстояния и транспортных систем на второстепенных маршрутах. Это означает, что Китай переходит от использования отдельных аппаратов к этапу интеллектуального развития совместной работы нескольких аппаратов и стремится создать систему групп гражданских БВС, обладающих высокой эффективностью и способностью к самостоятельной совместной работе.

Список литературы диссертационного исследования кандидат наук Ван Чжун, 2026 год

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

1. Алгоритм определения параметров траекторий ИРИ в мп РЛС на основе РФК с группированием измерений / А.Е. Афиногенов [и др.] // Радиолокация, навигация, связь : Сборник трудов XXIX Международной научно-технической конференции, посвященной 70-летию кафедры радиофизики ВГУ (Воронеж, 18-20 апреля 2023 г.). В 5 т. Т. 2. Воронеж: Воронежский государственный университет, 2023. С. 221-231.

2. Алгоритм оценивания навигационного комплекса летательного аппарата авианосного базирования / Б.И. Шахтарин [и др.] // Автоматизация. Современные технологии. 2020. Т. 74. №4. С. 176-180.

3. Бабиченко А.В., Никулин А.С., Радченко И.В. Информационная интеграция инерциальной и спутниковой навигационных систем в модернизируемых бортовых комплексах высокоманевренных летательных аппаратов // Авиакосмическое приборостроение. 2008. №11. С. 18-26.

4. Бобков А.В., Алхатиб М. Автономная навигация робота с использованием фильтра частиц // XLVI Академические чтения по космонавтике : Сборник тезисов, посвященные памяти академика С.П. Королёва и других выдающихся отечественных ученых-пионеров освоения космического пространства (Москва, 25-28 января 2022 г.). В 4 т. Т. 3. М.: Издательство МГТУ им. Н. Э. Баумана, 2022. С. 424-428.

5. Быстров А.В., Радайкин А.Г., Голубев В.В. Анализ стратегии развития беспилотной авиации Российской Федерации // Проблемы и перспективы развития промышленности России : Сборник материалов XIII Международной научно-практической конференции (Москва, 20 апреля 2023 г.). М.: Общество с ограниченной ответственностью "Русайнс", 2023. С. 34-42.

6. Ван Ч., Неусыпин К.А. Исследование технологии многоагентной совместной навигации // Перспективы науки. 2025. №4(187). С. 36-40.

7. Ван Ч. Разработка методов совместной навигации беспилотных транспортных средств на основе оценки относительного состояния // Теория и реализация информационных систем : Сборник статей I международной научной конференции (Москва, 15 мая 2025 г.). М.: Издательство МГТУ им. Н.Э. Баумана, 2025. С. 82-88.

8. Ван Ч., Неусыпин К.А., Ду К. Алгоритм сопровождения маневрирующих целей на основе Трансформера // Авиакосмическое приборостроение. 2025. №3. С. 48-59.

9. Ван Ч., Неусыпин К.А., Чэнь Х. Способы использования критерия степени наблюдаемости переменных состояния в интерактивном многомодельном алгоритме // Будущее машиностроения России : Сборник докладов XVII Всероссийской конференции молодых ученых и специалистов (с международным участием) (Москва, 24-27 сентября 2024 г.). В 2 т. Т. 2. М.: Издательство МГТУ им. Н.Э. Баумана, 2025. С. 131-134.

10. Ефанов В.Н., Мизин С.В., Неретина В.В. Управление полетом БПЛА в строю на основе координации взаимодействия группы летательных аппаратов // Вестник Уфимского государственного авиационного технического университета. 2014. Т. 18. №1(62). С. 114-121.

11. Жуйян Ч., Селезнева М.С., Неусыпин К.А. Разработка нелинейного фильтра Калмана с самоорганизующимися моделями // Приборы и системы. Управление, контроль, диагностика. 2023. №4. С. 1-9.

12. Зеленский В.А., Капалин М.В. Сигма-точечный фильтр Калмана в задачах навигации беспилотных летательных аппаратов // Актуальные проблемы радиоэлектроники и телекоммуникаций : материалы Всероссийской научно-технической конференции (Самара, 19-22 апреля 2022 г.). Самара: ООО "Артель", 2022. С. 73-74.

13. Ивахненко А.Г., Мюллер Й.Я. Самоорганизация прогнозирующих моделей. Киев: Техника. 1985. 223 с.

14. Исследование точности оценивания погрешностей инерциальной навигационной системы при вертикальном перемещении летательного

аппарата / К.А. Неусыпин [и др.] // Автоматизация. Современные технологии. 2018. Т. 72. №11. С. 517-522.

15. Кай Ш., Селезнева М.С. Разработка численного критерия степени наблюдаемости переменных состояния нелинейных систем // Автоматизация. Современные технологии. 2017. Т. 71. №8. С. 351-356.

16. Ким Д.П. Теория автоматического управления. Том 2. Многомерные, нелинейные, оптимальные и адаптивные системы. М.: Физматлит. 2007. 440 с.

17. Ковалев Д.И., Туева Е.В., Кузьмик С.Р. Анализ режимов совместной навигации при роевом применении БПЛА в системах точного земледелия // Наука, технологии, общество: Экологический инжиниринг в интересах устойчивого развития территорий (НТ0^-2024) : Материалы V Всероссийской (национальной) научной конференции (Красноярск, 07-08 ноября 2024 г.). Красноярск: Общественное учреждение "Красноярский краевой Дом науки и техники Российского союза научных и инженерных общественных объединений", 2024. С. 104-115.

18. Кубатурный фильтр Калмана в задаче автономной навигации космического аппарата / В.А. Филимонов [и др.] // Ракетно-космическое приборостроение и информационные системы. 2019. Т. 6. №1. С. 17-23.

19. Кудрявцева И.А. Анализ эффективности расширенного фильтра Калмана, сигма-точечного фильтра Калмана и сигма-точечного фильтра частиц // Научный вестник Московского государственного технического университета гражданской авиации. 2016. №224 (2). С. 43-51.

20. Ле Минь Хоанг, Коновалов А.А. Слежения надводных маневрирующих целей на основе интерактивного многомодельного алгоритма // Вестник Новгородского государственного университета. 2023. №3(132). С. 394-404.

21. Лукичева И.А., Куликов А.Л. Многомодельная оценка состояния энергосистемы на основе линейных переходных моделей // Вестник Ивановского государственного энергетического университета. 2021. №1. С. 31-40.

22. Матвеев В.В., Распопов В.Я. Основы построения бесплатформенных инерциальных навигационных систем. СПб.: Электроприбор. 2009. 278 с.

23. Миллер Б.М., Рубинович Е.Я. Проблемы комплексирования оптико-электронных систем наблюдения с навигационными системами БПЛА // XII всероссийское совещание по проблемам управления ВСПУ-2014 (Москва, 16-19 июля 2014 г.). М.: Институт проблем управления им. В.А. Трапезникова РАН, 2014. С. 3657-3670.

24. Модификация федеративного фильтра Калмана в схеме коррекции навигационных систем летательных аппаратов авианосного базирования / К. Шэнь [и др.] // Автоматизация. Современные технологии. 2019. Т. 73. №4. С. 177-180.

25. Модификация федеративного фильтра Калмана с помощью критерия степени наблюдаемости переменных состояния / М.С. Селезнева [и др.] // XXVI Санкт-Петербургская международная конференция по интегрированным навигационным системам : Сборник материалов (Санкт-Петербург, 27-29 мая 2019 г.). СПб.: "Концерн "Центральный научно-исследовательский институт "Электроприбор", 2019. С. 53-56.

26. Модифицированная мультимасштабная сеть YOLO для детектирования объектов дорожной сцены / Ч. Ван [и др.] // Перспективы науки. 2025. №4. С. 28-35.

27. Навигационный комплекс с повышенными характеристиками наблюдаемости и управляемости / Г.И. Джанджгава [и др.] // Авиакосмическое приборостроение. 2016. №6. С. 18-24.

28. Неусыпин К.А., Селезнева М.С., Кай Ш. Исследование качественных характеристик наблюдаемости переменных состояния линейных нестационарных моделей инерциальных навигационных систем // Мехатроника, автоматизация, управление. 2018. Т. 19, №5. С. 346-354.

29. Облегченная модифицированная сеть YOLO для детектирования объектов дорожной сцены / Ч. Ван [и др.] // Инженерный вестник Дона. 2025. №8(128). С. 173-180.

30. Оптимизация максимальной горизонтальной скорости беспилотного воздушного судна с учетом ветровых возмущений и вариаций плотности воздуха на основе улучшенного генетического алгоритма / Ч. Ван [и др.] // Авиакосмическое приборостроение. 2025. №8. С. 13-22.

31. Разработка алгоритма построения моделей для коррекции навигационных систем в автономном режиме / Г.И. Джанджгава [и др.] // Авиакосмическое приборостроение. 2015. №8. С. 30-38.

32. Разработка надежного алгоритма совместного позиционирования ведущих-ведомых беспилотных воздушных судов на основе относительного оценивания состояния / Ч. Ван [и др.] // Авиакосмическое приборостроение. 2025. №12. С. 14-27.

33. Распоряжение Правительства РФ от 21.06.2023 N 1630-р (ред. от 21.10.2024) Об утверждении Стратегии развития беспилотной авиации Российской Федерации на период до 2030 года и на перспективу до 2035 года и плана мероприятий по ее реализации. 2024. URL. https://legalacts.ru/doc/rasporjazhenie-pravitelstva-rf-ot-21062023-n-1630-r-ob-utv erzhdemi/?ysdid=mdwdg3lr2254201442. (дата обращения: 01.05.2025).

34. Рязанов А.А. Трансформация малой авиации КНР в «экономику низких высот» // Индустриальная экономика. 2024. №S2. С. 130-138.

35. Селезнева М.С. Разработка алгоритмов комплексирования навигационных систем летательных аппаратов: диссертация на соискание ученой степени кандидата технических наук. Москва. 2017. 125 с.

36. Системы позиционирования для оптико-электронных систем наблюдения и ориентации / В.А. Солдатенков [и др.] // Вестник Московского государственного университета леса - Лесной вестник. 2009. №6. С. 52-57.

37. Способы использования критерия степени наблюдаемости переменных состояния в федеративном фильтре Калмана / А.В. Пролетарский [и др.] // Приборы и системы. Управление, контроль, диагностика. 2018. №8. С. 9-18.

38. Уведомление о запросе комментариев по поводу «Дорожной карты развития гражданской беспилотной авиации V1.0» // caac.gov.cn: Администрация

гражданской авиации Китайской Народной Республики. 2022. URL. http://www.caac. gov.cn/big5/www.caac. gov.cn/PHONE/HDJL/YJZJ/202208/t202 20822_215048.html (дата обращения: 01.05.2025).

39. Улучшенный генетический алгоритм с гарантированной глобальной сходимостью: теоретическое обоснование и экспериментальная верификация / Ч. Ван [и др.] // Авиакосмическое приборостроение. 2025. №8. С. 37 -48.

40. Чжан Л., Селезнева М.С. Модификация федеративного фильтра Калмана в схеме коррекции навигационных систем беспилотного летательного аппарата // Инженерная физика. 2020. №1. С. 40-50.

41. Чжан Л. Алгоритмы коррекции с повышенными характеристиками наблюдаемости и управляемости для навигационного комплекса летательных аппаратов авианосного базирования : диссертация на соискание ученой степени кандидата технических наук. Москва. 2021. 114 с.

42. Чэнь Х., Ван Ч., Неусыпин К.А. Коррекция навигационной системы на основе самообучающегося кубатурного фильтра Калмана с использованием квадратного корня // Будущее машиностроения России : Сборник докладов XVII Всероссийской конференции молодых ученых и специалистов (с международным участием) (Москва, 24-27 сентября 2024 г.). В 2 т. Т. 2. М.: Издательство МГТУ им. Н.Э. Баумана, 2025. С. 173-176.

43. Шэнь К. Неусыпин К.А. Исследование критериев степеней наблюдаемости, управляемости и идентифицируемости линейных динамических систем // Мехатроника, автоматизация, управление. 2016. Т. 17. №11. С. 723-731.

44. A hierarchical reinforcement learning framework for multi -UAV combat using leader-follower strategy / J. Pang [et al.] // Knowledge-Based Systems. 2025. Vol. 316. Art. No. 113387.

45. A novel cooperative navigation method applied to single-leader mode with insufficient observation information / Y. Pang [et al.] // IEEE Transactions on Industrial Informatics. 2024. Vol. 20. No. 10. P. 12231-12240.

46. A quality evaluation algorithm of target tracking model based on observability / Z. Wang [et al.] // 31st Saint Petersburg International Conference on Integrated Navigation Systems. 2024. P. 52-55.

47. Abu Bakr M., Lee S. Distributed multisensor data fusion under unknown correlation and data inconsistency // Sensors. 2017. Vol. 17. No. 11. Art. No. 2472.

48. Ackerson G., Fu K. On state estimation in switching environments // IEEE transactions on automatic control. 1970. Vol. 15. No. 1. P. 10-17.

49. Adaptive cubature Kalman filter with the estimation of correlation between multiplicative noise and additive measurement noise / G. Quanbo [et al.] // Chinese Journal of Aeronautics. 2022. Vol. 35. No.5. P. 40-52.

50. Adaptive transition probability matrix-based parallel IMM algorithm / G. Xie [et al.] // IEEE Transactions on Systems, Man, and Cybernetics: Systems. 2019. Vol. 51. No. 5. P. 2980-2989.

51. Adaptive-robust fusion strategy for autonomous navigation in GNSS-challenged environments / K. Shen [et al.] // IEEE Internet of Things Journal. 2023. Vol. 11. No.4. P. 6817-6832.

52. Ali W., Li Y., Raja M.A.Z., Ahmed N. Generalized pseudo Bayesian algorithms for tracking of multiple model underwater maneuvering target // Applied Acoustics. 2020. Vol. 166. Art. No. 107345.

53. Alqudsi Y., Makaraci M. UAV swarms: research, challenges, and future directions // Journal of Engineering and Applied Science. 2025. Vol. 72. Art. No.12.

54. An adaptive IMM algorithm for a PD radar with improved maneuvering target tracking performance / W. Xu [et al.] // Remote Sensing. 2024. Vol. 16. No. 6. Art. No. 1051.

55. An improved IMM algorithm based on maneuvering-adaptive model set / J. Guo [et al.] // 2016 CIE International Conference on Radar (RADAR). 2016. P. 1 -5.

56. Ayabakan T., Kerestecioglu F. Fault tolerant indoor positioning based on federated Kalman filter // Journal of Signal Processing Systems. 2024. Vol. 96. No.4. P. 273-285.

57. Belfadel D., Haessig D., Chibane C. Range-only EKF-Based relative navigation for UAV swarms in GPS-denied zones // IEEE Access. 2024. Vol. 12. P. 154832-154842.

58. Blom H.A., Bar-Shalom Y. The interacting multiple model algorithm for systems with Markovian switching coefficients // IEEE transactions on Automatic Control. 1988. Vol. 33. No. 8. P. 780-783.

59. Bonnin-Pascual F., Ortiz A. UWB-based self-localization strategies: A novel ICP-based method and a comparative assessment for noisy-ranges-prone environments // Sensors. 2020. Vol. 20. No. 19. Art. No. 5613.

60. Cao Z., Chen G. Research on collaborative multi-UAV localization method based on combination navigation information // Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science. 2024. Vol. 238. No. 21. P. 10426-10438.

61. Cheng L, Liu K. INS/UWB fusion localization algorithm in indoor environment based on variational Bayesian and error compensation // Journal of the Franklin Institute. 2024. Vol. 361. No.17. Art. No. 107204.

62. Cheng L., Song J., Zhao W. A hybrid EKF/WUFIR filter for indoor localization integrating INS and UWB data // IEEE Transactions on Network Science and Engineering. 2025. Vol. 12. No. 3. P. 2266-2276.

63. Distributed estimation over a low-cost sensor network: A Review of state-of-the-art / S. He [et al.] // Information Fusion. 2020. Vol. 54. P. 21-43.

64. Distributed Kalman filtering over sensor networks with transmission delays / H. Yang [et al.] // IEEE Transactions on Cybernetics. 2020. Vol. 51. No. 11. P. 5511-5521.

65. Distributed Relative Pose Estimation for Multi-UAV Systems Based on Inertial Navigation and Data Link Fusion / K. Li [et al.] // Drones. 2025. Vol. 9. No. 6. Art. No. 405.

66. Easthope P.F., Heys N.W. Multiple-Model Target-Oriented Tracking System // Signal and Data Processing of Small Targets 1994. 1994. Vol. 2235. P. 624-635.

67. Enabling resilient UAV swarms through multi-hop wireless communications / D. Clerigues [et al.] // EURASIP Journal on Wireless Communications and Networking. 2024. Vol. 2024. Art. No.39.

68. Federated Kalman filter with the state variables observability degree criterion / L. Zhang [et al.] // AIP Conference Proceedings. 2023. Vol. 2549. No. 1. Art. No. 150009.

69. Feedback Linearization and Adaptive Sliding Mode Control System for UAV / Z. Wang [et al.] // 31st Saint Petersburg International Conference on Integrated Navigation Systems. 2024. P. 56-59.

70. Ground target tracking with variable structure IMM estimator / T. Kirubarajan [et al.] // IEEE Transactions on Aerospace and Electronic Systems. 2002. Vol. 36. No.1. P. 26-46.

71. Haken H. Synergetics // Physics Bulletin. 1977. Vol. 28. No.9. P. 412.

72. Hoang G.M. Cooperative multisensor localization for connected vehicles: Doctoral dissertation. Paris. 2018. 268 P.

73. Improved Adaptive Federated Kalman Filtering for INS/GNSS/VNS Integrated Navigation Algorithm / X. Wu [et al.] // Applied Sciences. 2023. Vol. 13. No. 9. Art. No. 5790.

74. Jilkov V.P., Li X.R. Online Bayesian estimation of transition probabilities for Markovian jump systems // IEEE Transactions on signal processing. 2004. Vol. 52. No. 6. P. 1620-1630.

75. Jwo D.J., Chung F.C., Yu K.L. Interacting multiple model particle filters for GPS/INS integration // Applied Mechanics and Materials. 2013. Vol. 284. P. 2255-2260.

76. Kalman R.E. A new approach to linear filtering and prediction problems // J. Basic Eng. 1960. Vol. 82. No. 1. P. 35-45.

77. Learning lane graph representations for motion forecasting / M. Liang [et al.] // European Conference on Computer Vision. 2020. P. 541-556.

78. Li X.R. Multiple-model estimation with variable structure. II. Model-set adaptation // IEEE Transactions on Automatic Control. 2000. Vol. 45. No. 11. P. 2047-2060.

79. Li X.R., Jilkov V.P. Survey of maneuvering target tracking. Part I. Dynamic models // IEEE Transactions on aerospace and electronic systems. 2003. Vol. 39. No. 4. P. 1333-1364.

80. Li X.R., Jilkov V.P. Survey of maneuvering target tracking. Part V. Multiple -model methods // IEEE Transactions on Aerospace and Electronic Systems. 2005. Vol. 41. No. 4. P. 1255-1321.

81. Li X.R., Leondes C.T. Hybrid estimation techniques // Control and Dynamic Systems: Advances in Theory and Applications. 1996. Vol. 76: P. 213-287.

82. Liang X., Wen C. Sequential Fusion Least Squares Method for State Estimation of Multi-Sensor Linear Systems Under Noise Cross-Correlation // Symmetry. 2025. Vol. 17. No.6. Art. No. 948.

83. Lin H., Sun S. Globally optimal sequential and distributed fusion state estimation for multi-sensor systems with cross-correlated noises // Automatica. 2019. Vol. 101. P. 128-137.

84. Liu W.Q., Wang X.M., Deng Z.L. Robust centralized and weighted measurement fusion Kalman estimators for uncertain multisensor systems with linearly correlated white noises // Information Fusion. 2017. Vol. 35. P. 11-25.

85. Lovell T.A. Application of genetic algorithms to state estimation of tethered systems // Computer methods in applied mechanics and engineering. 2003. Vol. 192. No. 15. P. 1799-1819.

86. Ma X., Zhou P., He X. Advances in Multi-Source Navigation Data Fusion Processing Methods // Mathematics. 2025. Vol.13. No. 9. Art. No. 1485.

87. Misra S., Deb P.K., Saini K. Dynamic Leader Selection in a Master-Slave Architecture-Based Micro UAV Swarm // 2021 IEEE Global Communications Conference (GLOBECOM). 2021. P. 1-6.

88. Mission-oriented miniature fixed-wing UAV swarms: A multilayered and distributed architecture / Z. Liu [et al.] // IEEE Transactions on Systems, Man, and Cybernetics: Systems. 2020. Vol. 52. No. 3. P. 1588-1602.

89. Moon S., Youn W., Bang H. Novel deep-learning-aided multimodal target tracking // IEEE Sensors Journal. 2021. Vol. 21. No. 18. P. 20730-20739.

90. Navigation System UWB-INS Based on Attention-LSTM / Z. Wang [et al.] // Science Prospects. 2025. No. 10(193). P. 139-143.

91. Observability analysis and adaptive information fusion for integrated navigation of unmanned ground vehicles / K. Shen [et al.] // IEEE Transactions on Industrial Electronics. 2019. Vol. 67. No. 9. P. 7659-7668.

92. Oh S.M. Multisensor fusion for autonomous UAV navigation based on the Unscented Kalman Filter with Sequential Measurement Updates // 2010 IEEE Conference on Multisensor Fusion and Integration. 2010. P. 217-222.

93. Online aggregate modeling of time-varying multiphysics field-coupling MEMS gyro Bias / N. Tang [et al.] // IEEE/ASME Transactions on Mechatronics. 2025. Vol. 30. No. 6. P. 6220-6231.

94. Particle filtering / P.M. Djuric [et al.] // IEEE signal processing magazine. 2003. Vol. 20. No. 5. P. 19-38.

95. Rametta C., Schembra G. Designing a softwarized network deployed on a fleet of drones for rural zone monitoring // Future Internet. 2017. Vol. 9. No.1. Art. No. 8.

96. Range-based collaborative relative navigation for multiple unmanned aerial vehicles using consensus extended Kalman filter / B. Gong [et al.] // Aerospace science and technology. 2021. Vol. 112. Art. No. 106647.

97. Robust multi-model estimation for reliable relative navigation based on observability and abnormity analysis / K. Shen [et al.] // IEEE Transactions on Intelligent Transportation Systems. 2023. Vol. 24. No. 5. P. 5144-5158.

98. Schubert R., Wanielik G. Unifying Bayesian networks and IMM filtering for improved multiple model estimation // 2009 12th International Conference on Information Fusion. 2009. P. 810-817.

99. Shen J., Wang S., Zhan X. Multi-UAV cluster-based cooperative navigation with fault detection and exclusion capability // Aerospace Science and Technology. 2022. Vol. 124. Art. No. 107570.

100. Simulation of flight control of two uavs based on the "master-slave" model / M. Pyvovar [et al.] // Conference on Integrated Computer Technologies in Mechanical Engineering-Synergetic Engineering. 2021. P. 902-907.

101. Study on angle-only relative navigation for unmanned aerial vehicle formation in GPS-denied environment / Z. Zheng [et al.] // Proceedings of the Institution of Mechanical Engineers, Part G: Journal of Aerospace Engineering. 2023. Vol. 237. No. 10. P. 2252-2265.

102. Tao S. Review on Target Tracking Algorithm Based on Deep Learning // 2023 International Conference on Data Science, Advanced Algorithm and Intelligent Computing (DAI 2023). 2024. P. 283-296.

103. The development of distributed cooperative localization algorithms for multi-UAV systems in the past decade / Z. Zhang [ et al.] // Measurement. 2025. Vol. 256. Art. No. 118040.

104. The unscented particle filter / R. Van Der Merwe [et al.] // Advances in neural information processing systems. 2000. Vol. 13.

105. Two-Level Hierarchical-Interaction-Based Group Formation Control for MAV/UAVs / H. Wang [et al.] // Aerospace. 2022. Vol. 9. No. 9. Art. No. 510.

106. UWB Relative Pose Constraints for Lidar-Imu Odometry Ground-Air Collaborative Positioning System / Zheng P. [et al.] // Available at SSRN 5125871.

107. UWB-Inertial Fusion Localization Algorithm Based on Error-State Kalman Filter in GNSS-Denied Environments / X. Wen [et al.] // International Conference on Guidance, Navigation and Control. 2024. P. 239-248.

108. Valavanis K.P., Vachtsevanos G.J. Handbook of Unmanned Aerial Vehicles. New York: Springer Publishing Company, Incorporated, 2014. 3022 P.

109. Wan E.A., Van Der Merwe R. The unscented Kalman filter for nonlinear estimation // Proceedings of the IEEE 2000 adaptive systems for signal processing, communications, and control symposium. 2000. P. 153-158.

110. Wang Z. Improved IMM Algorithm based on Deep Learning for Maneuvering Target Tracking // 2025 International Russian Smart Industry Conference (SmartIndustry Con). 2025. P. 878-882.

111. Woods J.O., Christian J.A. Lidar-based relative navigation with respect to non-cooperative objects // Acta Astronautica. 2016. Vol. 126. P. 298-311.

112. Xu D., Cheng S., Bao S. Interacting multiple model algorithm based on adaptive transition probability // Acta Electronica Sinica. 2017. Vol. 45. No.9. P. 2113-2120.

113. Yang J., Guo Y., Tang K. A Single-Anchor Cooperative Positioning Method Based on Optimized Inertial Measurement for UAVs // Drones. 2023. Vol. 7. No. 9. Art. No. 577.

114. Zhang W.A., Shi L. Sequential fusion estimation for clustered sensor networks // Automatica. 2018. Vol. 89. P. 358-363.

115. Zhu X., Lai J.; Chen S. Cooperative Location Method for Leader -Follower UAV Formation Based on Follower UAV's Moving Vector // Sensors 2022. Vol. 22. No. 19. Art. No. 7125.