В последние десятилетия активно развивается концепция жизнеспособности, предложенная С. Биром в 1960-х годах. Жизнеспособность отличается от устойчивости способностью системы адаптироваться к изменениям и сохранять динамическое равновесие. Это понятие широко используется в различных областях: общественной, экономической, экологической, технологической, организационной и информационной. Поэтому исследование жизнеспособности актуально для научных изысканий и прикладных исследований, особенно для многорежимных сложных объектов в условиях существенной неопределенности. Многорежимные системы, проектируемые и эксплуатируемые в различных отраслях, требуют комплексного (системного) подхода к анализу и обеспечению их надежности и эффективности, а неопределенность, классифицируемая по степени, характеру и использованию информации, усложняет традиционные методы анализа. Однако отсутствие единого методологического подхода к оценке жизнеспособности затрудняет всестороннее изучение жизнеспособности данных систем. В предлагаемой публикации в ходе анализа функциональных и технологических структур многорежимных систем рассматриваются две ключевые ситуации, характеризующиеся значительной неопределенностью. В первом случае, который можно обозначить как ситуационно-параметрическую неопределенность, имеется информация о режимах работы, компонентах и их взаимодействиях, однако отсутствуют данные о частоте применения этих режимов. Во втором случае, известном как структурная неопределенность, информация о режимах, их интенсивности и частоте участия элементов доступна, однако неясно, каким образом они взаимодействуют между собой. В рамках проведения структурно-параметрического анализа и синтеза, выполненного в контексте исследуемых сценариев, был убедительно продемонстрирован значительный потенциал применения разнообразных математических инструментов для комплексной оценки живучести и жизнеспособности многорежимных систем.

Предлагается с помощью технологий искусственного интеллекта осуществить мониторинг начала скрытого периода аварий, а также контролировать начало изменения сейсмостойкости строительных объектов при маломощных землетрясениях, используя характеристики помехи как носителя диагностической информации.

Экспериментальные исследования показали, что в процессе функционирования рассматриваемых объектов возникновение скрытого периода аварий связано с тем, что при их эксплуатации в оборудованиях происходят разрушения, мелкие трещины, остаточные напряжения, усталостные повреждения, утомление, износ и стирание. В результате в этот период оценки взаимно-корреляционной функции между полезном сигналом и помехой и дисперсии помехи вибрационных сигналов представляют собой ощутимую величину. При этом нарушение таких классических условий, как нормальность закона распределения и стационарность сигналов, незначительно влияет на полученные оценки. Благодаря этому технологии искусственного интеллекта позволяют использовать оценки взаимно-корреляционной функции между полезным сигналом и помехой как надежный индикатор начала аварии. При этом для обеспечения адекватности результатов контроля шаг дискретизации необходимо определять адаптивно в реальном масштабе времени, что легко достигается путем использования частотных свойств младшего разряда отсчетов вибрационных сигналов.

Для барабанных котлов применение прогнозирующего управления ограничивается остаточной неопределенностью модели, которая вызывает выходы регулируемых переменных за допустимые пределы даже при приемлемом качестве слежения и особенно заметна при медленном дрейфе параметров объекта. Цель работы: разработать алгоритм робастного прогнозирующего управления барабанным котлом, в котором запас по ограничениям рассчитывается в реальном времени по текущему уровню неопределенности модели. Для нелинейного объекта была использована адаптивная модель Такаги—Сугено с рекурсивной оценкой параметров. Неопределенность оценивали по двум источникам: по ковариациям оцененных параметров и по скользящему окну ошибок прогноза. Объединенную оценку использовали для адаптивного сужения допустимой области выходных переменных и корректировки сглаживания управления. Предлагаемый робастный слой не требует вычисления робастно-инвариантных множеств и ориентирован на супервизорный уровень управления. В вычислительном эксперименте на эталонной модели барабанного котла были рассмотрены четыре конфигурации регулятора в сценарии длительностью 3000 шагов с трехфазным дрейфом параметров. Комбинация онлайн-адаптации модели и робастного слоя уменьшила интегральную абсолютную ошибку на 58,3 % и суммарное число выходов за допустимые пределы на 47,8 % по сравнению с номинальным регулятором; максимальное значение нарушения уменьшилось на 33,8 %. Конфигурация с одним робастным слоем обеспечила наименьшую частоту нарушений, но уступила по качеству слежения. Среднее время расчета одного шага управления составило 2,6 мс при периоде дискретизации 1 мин. Предложенный алгоритм может использоваться как вычислительно легкая надстройка над существующим прогнозирующим регулятором для повышения безопасности работы теплотехнических установок. Полученные результаты подтвердили целесообразность совместного использования онлайн-идентификации и адаптивного запаса по ограничениям; дальнейшее развитие связано с многошаговым распространением неопределенности и экспериментальной проверкой на целевом оборудовании в промышленном контуре.

Обеспечение устойчивости коммуникационной структуры роботизированных роев при ограниченном радиусе связи требует разработки эффективных механизмов адаптации топологии взаимодействий между агентами. В условиях динамически изменяющейся среды традиционные подходы с фиксированной топологией оказываются недостаточно надежными, что требует адаптивных решений, работающих без глобальной информации о сети. Работа посвящена исследованию метода динамического управления графом связности на основе показателя локальной k-связности узлов, характеризующего минимальное число агентов, удаление которых приводит к изоляции данного узла от остальной сети. Предложен алгоритм выбора управляющих агентов по критерию степенной центральности с учетом структуры связных компонент графа, реализованный в модульной программной среде для воспроизводимого тестирования на моделях двойного интегратора и квадрокоптеров. Вычисления выполняются децентрализованно на основе локальных измерений, что минимизирует нагрузку на каналы связи и обеспечивает масштабируемость при росте численности группы. Экспериментальное исследование на системах размером от 10 до 100 агентов показало, что применение адаптивного подхода повышает вероятность сохранения связности с 64 до 88 % при наличии 20 % вредоносных агентов в разреженных топологиях; среднее значение локальной k-связности увеличивается с 2,3 до 3,8 для топологии k ближайших соседей при k = 3. Анализ вычислительной сложности подтвердил масштабируемость метода, время обновления графа составило 15...45 мс для систем, содержащих до 100 агентов, при частоте дискретизации 20 Гц. Низкие задержки расчета топологии позволяют встраивать алгоритм в контуры реального времени бортовых контроллеров микроБПЛА и наземных платформ. В перспективе метод может быть дополнен моделями задержек передачи данных и кинематическими ограничениями реальных роботов для перехода к полевым испытаниям. Результаты вносят вклад в теорию децентрализованного управления распределенными системами и обеспечивают основу для проектирования отказоустойчивых архитектур роботизированных роев.

Рассматривается автономный программно-аппаратный комплекс «Рой дронов» для мониторинга и контроля территорий на основе принципов мультиагентного управления группой так называемых умных дронов, способных к коллективному принятию решений и проведению переговоров для согласованного планирования и оптимизации совместных действий, без участия оператора.

В ходе решения задачи мониторинга и контроля появления заданных мобильных объектов программные агенты умных дронов самостоятельно распределяют между собой участки территории и строят полетные задания. При обнаружении заданного объекта программные агенты коллективно, непосредственно в ходе полета, решают и договариваются между собой путем переговоров в реальном времени, кто из дронов будет сопровождать объект, а кто будет перестраивать свои полетные задания, чтобы продолжать мониторинг с учетом оставшейся без наблюдения территории. Представлены мультиагентные модели, методы и средства решения задачи и сопутствующие технологии  навигации и распознавания образов. Рассмотрены функции и архитектура созданного лабораторного образца программно-аппаратного комплекса для управления группой дронов, в котором обнаружение и распознавание мобильных объектов вызывает адаптивное изменение планов и маршрутов полетов дронов в реальном времени.

Обсуждаются результаты проведенных экспериментов и преимущества разработанной мультиагентной технологии для безлюдного управления группами умных дронов, а также дальнейшие шаги для создания промышленного образца программно-аппаратного комплекса.

Описываются подходы к реализации и результаты разработки метода управления квадрокоптером посредством жестов руки в рамках фреймворка ROS2. Предложенный метод предназначен для обеспечения интуитивного взаимодействия оператора с беспилотным летательным аппаратом в условиях, при которых использование традиционных пультов управления недоступно или нецелесообразно. В качестве источника входных данных применяется видеопоток с камеры глубины Intel RealSense D435i, обеспечивающей точное определение пространственных координат ключевых точек кисти руки. Верхнеуровневые функции управления — активация и деактивация двигателей, взлет и посадка — реализуются посредством заранее определенных статических жестов. Классификация жестов выполняется на основе анализа взаимного расположения ключевых точек в плоскости изображения с применением модели полносвязного перцептрона, включающей два скрытых слоя с 168 и 546 нейронами соответственно. Данная архитектура обеспечивает оптимальный баланс между скоростью вычислений и точностью распознавания. Непрерывное управление квадрокоптером реализуется посредством вычисления углов крена, тангажа, рыскания и значения тяги на основе анализа положения руки в трехмерном пространстве с использованием внутренних параметров камеры глубины. Для предотвращения эффекта шарнирного замка при углах, близких к 90°, введено ограничение диапазона допустимых отклонений. Сглаживание управляющих сигналов осуществляется посредством комбинации скользящего среднего с размером окна 5 и экспоненциального сглаживания с коэффициентом a = 0,5, что обеспечивает высокую отзывчивость системы и эффективное подавление аномальных значений. Все параметры фильтрации определены экспериментально. Точность классификации жестов превышает 99 %, время обработки кадра составляет не более 33 мс (~30 FPS), что полностью исключает запаздывание управляющих воздействий. Экспериментальные полеты в среде симулятора Gazebo с использованием модели квадрокоптера DJI Tello подтвердили работоспособность предложенного метода и продемонстрировали его перспективность для решения задач интерактивного управления беспилотными летательными аппаратами.