БПЛА проти БПЛА: Як штучний інтелект змінює хід війни

Дослідники з Харківського національного університету імені В.Н. Каразіна представили революційний підхід до управління групами безпілотних літальних апаратів (БПЛА) за допомогою передових алгоритмів машинного навчання. Розроблена методика Multi-Agent Deep Deterministic Policy Gradient (MADDPG) демонструє унікальні можливості адаптивного керування роями БПЛА в складних динамічних середовищах.

Основна мета дослідження полягала у вивченні потенціалу штучного інтелекту для ефективного управління групами безпілотників у складних сценаріях, зокрема в умовах протидії та обмежених просторових середовищах. Науковці використали нестандартний підхід — модифіковане середовище відомої відеогри Pac-Man, де кожен агент виконує специфічні завдання, імітуючи реальні бойові або розвідувальні місії.

У експериментальній моделі Pac-Man представляв цільовий БПЛА, а примари (Ghosts) — групу протидії. Дослідники створили три різні лабіринти з різним рівнем складності: від відкритої місцевості до щільної забудови, що максимально наближено імітує реальні умови бойових дій або розвідувальних операцій.

Ключова перевага розробленої методики — поєднання децентралізованої автономії окремих БПЛА з централізованим навчанням. Це дозволяє групі безпілотників швидко адаптуватися до мінливих умов, приймати колективні рішення та ефективно протидіяти супротивнику.

Експерименти показали вражаючі результати. БПЛА, керовані штучним інтелектом, демонстрували значно вищу ефективність порівняно з традиційними алгоритмами управління. Зокрема, в умовах високої щільності перешкод БПЛА на основі MADDPG знижували успішність руху цільового БПЛА на 40−57%.

Науковці особливо підкреслюють потенціал розробки для різних сфер: від militar y операцій до цивільного використання. Зокрема, такі технології можуть бути корисними в таких галузях, як:

Військова розвідка
Моніторинг надзвичайних ситуацій
Пошуково-рятувальні операції
Екологічний моніторинг
Сільське господарство

Важливим аспектом дослідження є також вивчення кібербезпеки та захисту від електронної протидії. Вчені наголошують на необхідності подальшого вдосконалення методики, зокрема розширення можливостей тривимірного моделювання та інтеграції систем захисту від антидронних технологій.

Серед авторів дослідження — Артем Новіков, Сергій Яковлев та Іван Гущин з Харківського національного університету імені В.Н. Каразіна та Лодзинського політехнічного університету. Дослідження демонструє високий потенціал українських науковців у сфері штучного інтелекту та робототехніки.

Подальші напрямки досліджень включатимуть порівняння ефективності MADDPG з іншими алгоритмами машинного навчання, такими як Expectimax, Alpha-Beta Pruning та Monte Carlo Tree Search. Науковці планують розширити функціональність моделі, додавши більш складні сценарії взаємодії та системи кібербезпеки.