Розробка AI-системи автономної навігації дронів без GPS

Політ у тунелі, між будівлями, всередині складу або під глушилками — стандартна ситуація, коли GPS ловить 2 супутники або нуль. Дрон без зовнішнього позиціонування йде в дрифт і через 10 секунд врізається в стіну. Особливо критично для дорогих комерційних апаратів. Ми вирішуємо такі завдання на кожному другому проєкті: від інспекції мостів до логістики на складах 10000 м². Розробляємо системи автономної навігації під ключ — від вибору сенсорів до відмовостійкого софту. Оцінимо ваше завдання за 3 робочі дні.

Розробка AI-системи автономної навігації дронів: чому без GPS не обійтися?

VIO — це злиття даних з камери та IMU. Камера дає візуальні орієнтири, IMU — кутові швидкості та прискорення. Алгоритм (наприклад, VINS-Mono або ORB-SLAM3) оптимізує спільну помилку. На практиці це дає точність 5–15 см у горизонтальній площині при хорошому освітленні. Код нижче — спрощена ілюстрація циклу: детектуємо ORB-фічі, зіставляємо, відновлюємо рух через essential matrix та інтегруємо з IMU.

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

class VisualInertialOdometry:
    """
    VINS-Mono / ORB-SLAM3 логіка — спрощено.
    На практиці використовуємо готові бібліотеки з ROS2 інтеграцією.
    """
    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
        # Стан: позиція + орієнтація
        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:
        """Оновлення оцінки позиції 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)
                    # Інтеграція руху
                    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
        }

Як обходити перешкоди без лідара?

Для indoor-польотів стереокамера (Intel RealSense D435) дає щільну карту глибини з частотою 30 кадрів/с і споживає всього 2 Вт. LiDAR (наприклад, Velodyne Puck) дає точніше, але коштує $4000+ і важить 400 г — не кожен дрон підніме. Наш стек використовує стерео як базовий сенсор і опціонально додає ToF-камеру для outdoor. Алгоритм нижче ділить поле зору на 5 секторів і обчислює мінімальну відстань у кожному — цього достатньо для collision avoidance зі швидкістю 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  # метри
        self.fov_h = 87  # градусів (RealSense D435)
        self.sectors = 5  # ділимо поле зору на 5 секторів

    def compute_clear_directions(self, depth_frame: np.ndarray) -> dict:
        """Знаходимо вільні напрямки польоту"""
        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]
            # Ігноруємо нульові значення (немає даних)
            valid = sector[sector > 0]
            if len(valid) == 0:
                clearance[i] = float('inf')
                continue
            # P10 — ближня границя перешкоди в секторі
            min_dist = float(np.percentile(valid, 10)) / 1000.0  # мм -> м
            clearance[i] = min_dist
        # Напрямок з максимальним 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
        }

Планування маршруту: 3D Occupancy Grid vs. RRT*

Occupancy grid — детермінований метод: кожну комірку (0.2 м³) позначаємо як вільну або зайняту. A* гарантує найкоротший шлях у дискретному просторі. Для динамічних перешкод краще підходить RRT*, але він дає неоптимальне по довжині рішення. Ми комбінуємо: на етапі побудови карти — occupancy grid, а для перепланування в реальному часі — RRT* з limit на 100 ітерацій. Код нижче — класичний A* на sparse grid.

import heapq

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

    def update_from_depth(self, depth_frame: np.ndarray, camera_pose: np.ndarray):
        """Оновлюємо карту перешкод"""
        # Конвертація depth в point cloud
        points = self._depth_to_pointcloud(depth_frame)
        # Трансформація в світові координати
        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  # перешкода
                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

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

Кейс з нашої практики: автономна інспекція складу 8000 м²

Наш клієнт — логістичний оператор, якому потрібно було щомісяця перевіряти стан стелажів на 4 поверхах. Висота стелажів до 12 м, вузькі проходи 2 м, повна відсутність GPS. Ми розробили дрон на базі DJI F450 з кастомним польотним контролером, оснащеним Intel RealSense D435i (глибина + IMU). Стек: ROS2 Humble + PX4 Autopilot + форк ORB-SLAM3 з EKF-фільтром для злиття з барометром.

Результат: точність локалізації ±8 см по горизонталі, ±5 см по вертикалі. Швидкість обльоту — 0.5 м/с, один ряд стелажів (50 м) проходить за 110 секунд. Система працює без збоїв вже більше року — 50+ місій.

Процес впровадження

1. Аналіз сценарію: виміри освітлення, геометрії, матеріалів (метал/бетон — різна відбивна здатність). Вибір сенсорів.
2. Прототипування VIO: калібрування камери+IMU, підбір параметрів ORB (кількість фіч, threshold).
3. Обхід перешкод: налаштування safety_distance, інтеграція depth в польотний контролер через MAVSDK.
4. Планувальник: вибір між occupancy grid та RRT* під динаміку завдання.
5. Тести: політ у симуляторі (Gazebo + PX4 SITL), потім реальні вильоти з дублюючим пультом.

Терміни та орієнтовна вартість

Вартість розраховується індивідуально — залежить від складності сценарію та кількості ітерацій тестів. Окупність проєкту зазвичай настає протягом 6 місяців за рахунок зниження витрат на ручний контроль. Отримайте консультацію — оцінимо ваше завдання за 3 дні.

Що ви отримуєте

• Вихідний код VIO-модуля з коментарями (Python/C++).
• Docker-образ з ROS2-воркспейсом для відтворюваності.
• Калібрувальні файли камери та IMU.
• Інтеграція з польотним контролером (PX4/ArduPilot).
• Документація з налаштування та експлуатації.
• 2 місяці підтримки після впровадження.

Чому обирають нашу розробку?

Ми займаємося AI-навігацією для дронів більше 5 років: 20+ реалізованих проєктів для складів, шахт, мостів та нафтових вишок. Використовуємо лише open-source стеки (ORB-SLAM3, ROS2, PX4) — жодного vendor lock-in. Всі рішення тестуємо в симуляторі на 100+ сценаріях перед першим польотом. Зв'яжіться з нами — розповімо, які сенсори та алгоритми підійдуть саме під ваше завдання.