Разработка AI-системы автономной навигации дронов без GPS

Полет в туннеле, между зданиями, внутри склада или под глушилками — стандартная ситуация, когда GPS ловит 2 спутника или ноль. Дрон без внешнего позиционирования уходит в дрифт и через 10 секунд врезается в стену. Особенно критично для дорогостоящих коммерческих аппаратов. Мы решаем такие задачи на каждом втором проекте: от инспекции мостов до логистики на складах 10000 м². Разрабатываем системы автономной навигации под ключ — от выбора сенсоров до отказоустойчивого софта. Оценим вашу задачу за 3 рабочих дня.

Разработка AI-системы автономной навигации дронов: почему без GPS не обойтись?

VIO — это слияние данных с камеры и IMU. Камера даёт визуальные ориентиры, IMU — угловые скорости и ускорения. Алгоритм (например, VINS-Mono или ORB-SLAM3) оптимизирует совместную ошибку. На практике это даёт точность 5–15 см в горизонтальной плоскости при хорошем освещении. Код ниже — упрощённая иллюстрация цикла: детектируем ORB-фичи, сопоставляем, восстанавливаем движение через essential matrix и интегрируем с IMU.

import numpy as np
import cv2
from scipy.spatial.transform import Rotation

class VisualInertialOdometry:
    """
    VINS-Mono / ORB-SLAM3 логика — упрощённо.
    На практике используем готовые библиотеки с ROS2 интеграцией.
    """
    def __init__(self, camera_matrix: np.ndarray, imu_noise: dict):
        self.K = camera_matrix
        self.orb = cv2.ORB_create(nfeatures=500)
        self.matcher = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
        self.prev_frame = None
        self.prev_kp = None
        self.prev_desc = None
        # Состояние: позиция + ориентация
        self.position = np.zeros(3)
        self.rotation = np.eye(3)
        self.imu_noise = imu_noise

    def update(self, frame: np.ndarray, imu_data: dict) -> dict:
        """Обновление оценки позиции по кадру + IMU"""
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        kp, desc = self.orb.detectAndCompute(gray, None)
        if self.prev_frame is not None and desc is not None:
            matches = self.matcher.match(self.prev_desc, desc)
            matches = sorted(matches, key=lambda x: x.distance)[:100]
            if len(matches) > 20:
                pts1 = np.float32([self.prev_kp[m.queryIdx].pt for m in matches])
                pts2 = np.float32([kp[m.trainIdx].pt for m in matches])
                E, mask = cv2.findEssentialMat(pts1, pts2, self.K, method=cv2.RANSAC, prob=0.999, threshold=1.0)
                if E is not None:
                    _, R, t, _ = cv2.recoverPose(E, pts1, pts2, self.K)
                    # Интеграция движения
                    self.position += self.rotation @ t.flatten()
                    self.rotation = R @ self.rotation
        self.prev_frame = gray
        self.prev_kp = kp
        self.prev_desc = desc if desc is not None else self.prev_desc
        return {
            'position': self.position.copy(),
            'rotation': self.rotation.copy(),
            'tracked_features': len(kp) if kp else 0
        }

Как обходить препятствия без лидара?

Для indoor-полётов стереокамера (Intel RealSense D435) даёт плотную карту глубины с частотой 30 кадров/с и потребляет всего 2 Вт. LiDAR (например, Velodyne Puck) даёт точнее, но стоит $4000+ и весит 400 г — не каждый дрон поднимет. Наш стек использует стерео как базовый сенсор и опционально добавляет ToF-камеру для outdoor. Алгоритм ниже делит поле зрения на 5 секторов и вычисляет минимальное расстояние в каждом — этого достаточно для collision avoidance со скоростью до 2 м/с.

class ObstacleAvoidance:
    def __init__(self, depth_camera, safety_distance: float = 1.5):
        self.depth_cam = depth_camera
        self.safety_dist = safety_distance  # метры
        self.fov_h = 87  # градусов (RealSense D435)
        self.sectors = 5  # делим поле зрения на 5 секторов

    def compute_clear_directions(self, depth_frame: np.ndarray) -> dict:
        """Находим свободные направления полёта"""
        h, w = depth_frame.shape
        sector_width = w // self.sectors
        clearance = {}
        for i in range(self.sectors):
            sector = depth_frame[:, i*sector_width:(i+1)*sector_width]
            # Игнорируем нулевые значения (нет данных)
            valid = sector[sector > 0]
            if len(valid) == 0:
                clearance[i] = float('inf')
                continue
            # P10 — ближняя граница препятствия в секторе
            min_dist = float(np.percentile(valid, 10)) / 1000.0  # мм -> м
            clearance[i] = min_dist
        # Направление с максимальным clearance
        best_sector = max(clearance, key=clearance.get)
        angle = (best_sector - self.sectors // 2) * (self.fov_h / self.sectors)
        return {
            'clearance_by_sector': clearance,
            'best_direction_angle': angle,
            'is_path_clear': clearance[self.sectors//2] > self.safety_dist
        }

Планирование маршрута: 3D Occupancy Grid vs. RRT*

Occupancy grid — детерминированный метод: каждую ячейку (0.2 м³) помечаем как свободную или занятую. A* гарантирует кратчайший путь в дискретном пространстве. Для динамических препятствий лучше подходит RRT*, но он даёт неоптимальное по длине решение. Мы комбинируем: на этапе построения карты — occupancy grid, а для перепланирования в реальном времени — RRT* с limit на 100 итераций. Код ниже — классический A* на sparse grid.

import heapq

class OccupancyGridPlanner:
    def __init__(self, resolution: float = 0.2):
        self.resolution = resolution  # метров на ячейку
        self.grid = {}  # 3D sparse grid: (ix, iy, iz) -> occupancy

    def update_from_depth(self, depth_frame: np.ndarray, camera_pose: np.ndarray):
        """Обновляем карту препятствий"""
        # Конвертация depth в point cloud
        points = self._depth_to_pointcloud(depth_frame)
        # Трансформация в мировые координаты
        points_world = (camera_pose[:3, :3] @ points.T).T + camera_pose[:3, 3]
        for pt in points_world:
            ix, iy, iz = (int(pt[0] / self.resolution), int(pt[1] / self.resolution), int(pt[2] / self.resolution))
            self.grid[(ix, iy, iz)] = 1  # occupied

    def astar_3d(self, start: tuple, goal: tuple) -> list:
        """A* в 3D occupancy grid"""
        def heuristic(a, b):
            return np.sqrt(sum((a[i]-b[i])**2 for i in range(3)))

        heap = [(0, start)]
        came_from = {start: None}
        cost = {start: 0}

        while heap:
            _, current = heapq.heappop(heap)
            if current == goal:
                break
            for dx, dy, dz in [(1,0,0),(-1,0,0),(0,1,0), (0,-1,0),(0,0,1),(0,0,-1)]:
                neighbor = (current[0]+dx, current[1]+dy, current[2]+dz)
                if self.grid.get(neighbor, 0) == 1:
                    continue  # препятствие
                new_cost = cost[current] + 1
                if neighbor not in cost or new_cost < cost[neighbor]:
                    cost[neighbor] = new_cost
                    priority = new_cost + heuristic(neighbor, goal)
                    heapq.heappush(heap, (priority, neighbor))
                    came_from[neighbor] = current

        # Восстанавливаем путь
        path = []
        node = goal
        while node is not None:
            path.append(node)
            node = came_from.get(node)
        return list(reversed(path))

Кейс из нашей практики: автономная инспекция склада 8000 м²

Наш клиент — логистический оператор, которому требовалось ежемесячно проверять состояние стеллажей на 4 этажах. Высота стеллажей до 12 м, узкие проходы 2 м, полное отсутствие GPS. Мы разработали дрон на базе DJI F450 с кастомным полётным контроллером, оснащённым Intel RealSense D435i (глубина + IMU). Стек: ROS2 Humble + PX4 Autopilot + форк ORB-SLAM3 с EKF-фильтром для слияния с барометром.

Результат: точность локализации ±8 см по горизонтали, ±5 см по вертикали. Скорость облёта — 0.5 м/с, один ряд стеллажей (50 м) проходит за 110 секунд. Система работает без сбоев уже более года — 50+ миссий.

Процесс внедрения

1. Анализ сценария: замеры освещения, геометрии, материалов (металл/бетон — разная отражательная способность). Выбор сенсоров.
2. Прототипирование VIO: калибровка камеры+IMU, подбор параметров ORB (количество фич, threshold).
3. Обход препятствий: настройка safety_distance, интеграция depth в полётный контроллер через MAVSDK.
4. Планировщик: выбор между occupancy grid и RRT* под динамику задачи.
5. Тесты: полёт в симуляторе (Gazebo + PX4 SITL), затем реальные вылеты с дублирующим пультом.

Сроки и ориентировочная стоимость

Стоимость рассчитывается индивидуально — зависит от сложности сценария и количества итераций тестов. Окупаемость проекта обычно наступает в течение 6 месяцев за счёт снижения затрат на ручной контроль. Получите консультацию — оценим вашу задачу за 3 дня.

Что вы получаете

• Исходный код VIO-модуля с комментариями (Python/C++).
• Docker-образ с ROS2-воркспейсом для воспроизводимости.
• Калибровочные файлы камеры и IMU.
• Интеграция с полётным контроллером (PX4/ArduPilot).
• Документация по настройке и эксплуатации.
• 2 месяца поддержки после внедрения.

Почему выбирают нашу разработку?

Мы занимаемся AI-навигацией для дронов более 5 лет: 20+ реализованных проектов для складов, шахт, мостов и нефтевышек. Используем только open-source стеки (ORB-SLAM3, ROS2, PX4) — никакого vendor lock-in. Все решения тестируем в симуляторе на 100+ сценариях перед первым полётом. Свяжитесь с нами — расскажем, какие сенсоры и алгоритмы подойдут именно под вашу задачу.