moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2025.48.1.019 1806 Система комплексирования сенсорных данных в бортовых системах управления беспилотными авиационными системами Sensor data integration system in onboard control systems of unmanned aerial systems 0009-0002-1048-3766 Гулютин Николай Николаевич Guliutin Nikolai Nikolaevich gulyutin@gmail.com aff-1 0009-0004-5732-9971 Ермиенко Надежда Александровна Ermienko Nadezhda Aleksandrovna Nadukako@yandex.ru aff-2 0000-0002-5976-5847 Антамошкин Олеслав Александрович Antamoshkin Oleslav Aleksandrovich Oleslav@mail.ru aff-3 Сибирский федеральный университет Siberian Federal University Сибирский федеральный университет Siberian Federal University Сибирский федеральный университет Siberian Federal University 01 01 2026 1 1 10.26102/2310-6018/2025.48.1.019 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

Современные беспилотные авиационные системы (БАС) играют ключевую роль в различных отраслях, включая мониторинг окружающей среды, геодезию, сельское и лесное хозяйство. Одним из важнейших факторов их успешного применения является интеграция данных от различных сенсоров, таких как глобальные навигационные спутниковые системы, инерциальные навигационные системы, лидары, камеры и тепловизоры. Комплексирование данных позволяет существенно повысить точность, надежность и функциональность систем управления. В статье рассматриваются методы интеграции данных, включающие традиционные алгоритмы, такие как фильтры Калмана и его расширенные версии, а также современные подходы, основанные на моделях глубокого обучения, включая FusionNet и Deep Sensor Fusion. Экспериментальные исследования показали, что обучаемые модели превосходят традиционные алгоритмы, обеспечивая увеличение точности навигации до 40 % и улучшение устойчивости к помехам и внешним воздействиям. Предложенные подходы демонстрируют потенциал для расширения применения БАС в задачах автономной навигации, картографии и мониторинга, особенно в сложных условиях эксплуатации. Перспективы дальнейшего развития включают использование гиперспектральных сенсоров и создание адаптивных методов интеграции для повышения эффективности работы беспилотных систем.

Modern unmanned aerial systems (UAS) play a key role in various industries, including environmental monitoring, geodesy, agriculture, and forestry. One of the most critical factors for their successful application is the integration of data from various sensors, such as global navigation satellite systems, inertial navigation systems, lidars, cameras, and thermal imagers. Sensor data fusion significantly enhances the accuracy, reliability, and functionality of control systems. This paper explores data integration methods, including traditional algorithms like Kalman filters and their extended versions, as well as modern approaches based on deep learning models, such as FusionNet and Deep Sensor Fusion. Experimental studies have shown that learning-based models outperform traditional algorithms, achieving up to a 40 % improvement in navigation accuracy and enhanced resilience to noise and external disturbances. The proposed approaches demonstrate the potential to expand UAS applications in autonomous navigation, cartography, and monitoring, particularly in challenging operational environments. Future development prospects include the implementation of hyperspectral sensors and the development of adaptive data integration methods to further improve the efficiency and effectiveness of unmanned systems.

 интеграция сенсорных данных беспилотные авиационные системы фильтр Калмана FusionNet Deep Sensor Fusion автономная навигация устойчивость к помехам sensor data integration unmanned aerial systems Kalman filter FusionNet Deep Sensor Fusion autonomous navigation resilience to disturbances Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Гулютин Н.Н. Применение беспилотных летательных аппаратов в задачах лесного здоровья. В сборнике: Решетневские чтения: Материалы XXVI Международной научно-практической конференции, посвященной памяти генерального конструктора ракетно-космических систем академика М.Ф. Решетнева: Часть 2, 09–11 ноября 2022 года, Красноярск, Россия. Красноярск: Сибирский государственный университет науки и технологий имени академика М.Ф. Решетнева; 2022. С. 305–307. Watts A.C., Ambrosia V.G., Hinkley E.A. Unmanned Aircraft Systems in Remote Sensing and Scientific Research: Classification and Considerations of Use. Remote Sensing. 2012;4(6):1671–1692. https://doi.org/10.3390/rs4061671 Balestrieri E., Daponte P., De Vito L., Lamonaca F. Sensors and Measurements for Unmanned Systems: An Overview. Sensors. 2021;21(4). https://doi.org/10.3390/s21041518 Антамошкин О.А. Проектирование высоконадежных систем реального времени. Труды МАИ. 2011;(45). URL: https://trudymai.ru/published.php?ID=25347 Chekmarev S.A., Khanov V.Kh., Antamoshkin O.A. Modification of fault injection method via on-chip debugging for processor cores of systems-on-chip. In: 2015 International Siberian Conference on Control and Communications (SIBCON), 21–23 May 2015, Omsk, Russia. IEEE; 2015. https://doi.org/10.1109/SIBCON.2015.7147267 Montañez O.J., Suarez M.J., Fernandez E.A. Application of Data Sensor Fusion Using Extended Kalman Filter Algorithm for Identification and Tracking of Moving Targets from LiDAR–Radar Data. Remote Sensing. 2023;15(13). https://doi.org/10.3390/rs15133396 Chen W., Zhou C., Shang G., Wang X., Li Z., Xu C., Hu K. SLAM Overview: From Single Sensor to Heterogeneous Fusion. Remote Sensing. 2022;14(23). https://doi.org/10.3390/rs14236033 Guliutin N., Antamoshkin O. Enhancing unmanned aerial vehicle capabilities: integrating YOLO algorithms for diverse industrial applications. In: Hybrid Methods of Modeling and Optimization in Complex Systems (HMMOCS-II 2023): Proceedings of the II International Workshop: Volume 59, 28–30 November 2023, Krasnoyarsk, Russia. EDP Sciences; 2024. https://doi.org/10.1051/itmconf/20245903012 Гулютин Н.Н., Ермиенко Н.А. Применение ансамблей деревьев решения в задачах дистанционного зондирования Земли с беспилотных летательных аппаратов. В сборнике: Региональные проблемы дистанционного зондирования Земли: Материалы XI Международной научной конференции, 10–13 сентября 2024 года, Красноярск, Россия. Красноярск: Сибирский федеральный университет; 2024. С. 77–80. Wong C.-C., Feng H.-M., Kuo K.-L. Multi-Sensor Fusion Simultaneous Localization Mapping Based on Deep Reinforcement Learning and Multi-Model Adaptive Estimation. Sensors. 2024;24(1). https://doi.org/10.3390/s24010048 Zhang R., Shao Z., Huang X., Wang J., Li D. Object Detection in UAV Images via Global Density Fused Convolutional Network. Remote Sensing. 2020;12(19). https://doi.org/10.3390/rs12193140 Caballero-Martin D., Lopez-Guede J.M., Estevez J., Graña M. Artificial Intelligence Applied to Drone Control: A State of the Art. Drones. 2024;8(7). https://doi.org/10.3390/drones8070296 Dudczyk J., Czyba R., Skrzypczyk K. Multi-Sensory Data Fusion in Terms of UAV Detection in 3D Space. Sensors. 2022;22(12). https://doi.org/10.3390/s22124323 Zhang Z., Zhu L. A Review on Unmanned Aerial Vehicle Remote Sensing: Platforms, Sensors, Data Processing Methods, and Applications. Drones. 2023;7(6). https://doi.org/10.3390/drones7060398 Stuart M.B., McGonigle A.J.S., Willmott J.R. Hyperspectral Imaging in Environmental Monitoring: A Review of Recent Developments and Technological Advances in Compact Field Deployable Systems. Sensors. 2019;19(14). https://doi.org/10.3390/s19143071

The authors declare that there are no conflicts of interest present.