РАЗРАБОТКА И ВНЕДРЕНИЕ АЛГОРИТМА ОПТИМИЗАЦИИ МАРШРУТОВ БПЛА

Данное исследование посвящено разработке и внедрению алгоритма оптимизации маршрута для беспилотных летательных аппаратов (БПЛА). Цель состоит в том, чтобы создать систему, которая может быть использована для автоматизации процесса сбора и анализа данных с беспилотных летательных аппаратов в экологических и сельскохозяйственных приложениях. Система построена с использованием Python, QGroundControl и коммуникационного протокола MAVLink. Разработанная система направлена на оптимизацию маршрутов полета беспилотных летательных аппаратов с целью повышения эффективности задач экологического мониторинга и картографирования. Она автоматизирует процесс сбора и анализа данных, позволяя получать более точную и своевременную информацию о состоянии окружающей среды и сельскохозяйственных угодий. Результаты тестирования системы демонстрируют ее высокую эффективность в реальных условиях. Выводы из этого исследования позволяют предположить, что предложенный алгоритм оптимизации маршрутов может быть успешно применен в различных экологических и сельскохозяйственных ситуациях. Предлагается дальнейшее развитие системы для расширения ее возможностей и использования в других областях.

1. Mangewa, Lazaro J., Patrick, A. Ndakidemi, and Linus K. Munishi. Integrating UAV technology in an ecological monitoring system for community wildlife management areas in Tanzania. Sustainability, 11 (21), 6116 (2019). URL: https://www.mdpi.com/2071-1050/11/21/6116.

2. Zhang, Haidong, et al. A review of unmanned aerial vehicle low-altitude remote sensing (UAV-LARS) use in agricultural monitoring in China. Remote Sensing, 13 (6), 1221 (2021). URL: https://www.mdpi.com/2072-4292/13/6/1221.

3. Mabhaudhi, T., Chibarabada, T.P., Modi, A.T. Prospects of improving agricultural and water productivity through unmanned aerial vehicles (UAVs). Agriculture, 10 (7), 256 (2020). URL: https://www.mdpi.com/2077-0472/10/7/256.

4. Xu, Y., Lan, Y., Zheng, X., & Zhang, H. Progress in agricultural unmanned aerial vehicles (UAVs) applied in China and prospects for Poland. Agriculture, 12 (3), 397 (2022). URL: https://www.mdpi.com/2077-0472/12/3/397.

5. Toscano, F., Fiorentino, C., Capece, N., Erra, U., Travascia, D., Scopa, A., ... & D’Antonio, P. Unmanned Aerial Vehicle for Precision Agriculture: A Review. IEEE Access (2024). URL: https://ieeexplore.ieee.org/abstract/document/10531194.

6. Yuan, S., Li, Y., Bao, F., Xu, H., Yang, Y., Yan, Q., ... & Lin, J. Marine environmental monitoring with unmanned vehicle platforms: Present applications and future prospects. Science of The Total Environment, 858, 159741 (2023). URL: https://www.sciencedirect.com/science/article/abs/pii/S0048969722068413

7. Motlagh, N.H., Kortoçi, P., Su, X., Lovén, L., Hoel, H.K., Haugsvær, S.B., ... & Tarkoma, S. Unmanned aerial vehicles for air pollution monitoring: A survey. IEEE Internet of Things Journal (2023). URL: https://ieeexplore.ieee.org/abstract/document/10167736

8. QGroundControl. URL: https://qgroundcontrol.com (access date: 05.04.2025).

9. SwarMown. URL: https://github.com/uavkz/SwarMown/tree/dependabot/pip/django-3.2.24/mainapp (access date: 18.03.2025).

10. Django. URL: https://github.com/django/django (access date: 12.04.2025).

11. DEAP. URL: https://github.com/DEAP/deap (access date: 05.04.2025).

12. SCOOP. URL: https://github.com/ScoopInstaller/Scoop (access date: 18.03.2025).

13. Argparse. URL: https://github.com/python/cpython/blob/3.12/Lib/argparse.py (access date: 15.03.2025).