Рост электронной коммерции привел к значительному увеличению рыночного спроса на надёжные и экономичные логистические решения. Этот спрос высок как в центральных, так и в сельских районах, где доставка «последней мили» сталкивается с дополнительными трудностями при достижении конечных клиентов. В результате многие компании исследуют новые способы оптимизации своих логистических цепочек и сокращения сроков доставки. Потенциальным решением становятся автономные транспортные средства (как воздушные, так и наземные), обладающие способностью достигать удалённых мест и характеризующиеся меньшими эксплуатационными расходами. Несколько ключевых логистических и аэрокосмических компаний уже продемонстрировали первые разработки координируемых воздушных и наземных транспортных средств для логистических доставок.

Основная цель данного проекта заключается в разработке передовой системы, управляемой сложными алгоритмами искусственного интеллекта и глубокого обучения (DL), для достижения высокого уровня автономности и универсальности в группе воздушных и наземных транспортных средств в логистике. Мы планируем сравнивать различные подходы к диспетчеризации задач, основанные на мультиагентном глубоком обучении с подкреплением (DRL), а также на новой архитектуре GALOPP и естественном роевом интеллекте. Эти подходы позволят совместно планировать маршруты доставки группы дронов и наземных роботов, обеспечивая эффективные и скоординированные операции внутри роя. Для успешной навигации и предотвращения столкновений рой будет генерировать маршрут для каждого робота и избегать динамических препятствий при прохождении этого маршрута. Мультиагентный подход для децентрализованной локализации и навигации будет разработан для динамического поведения роя. Для стыковки роя с наземным транспортным средством в условиях визуальной окклюзии, сильного ветра и влияния земной поверхности на движение воздушных потоков, мы предложим новый подход, основанный на DRL. Наш алгоритм приземления будет включать обнаружение платформы, прогнозирование её движения и стратегии для посадки как на статические, так и на мобильные платформы. Мы будем использовать агентов DRL, начиная с моделей A2C или PPO. Предлагаемый фундаментальный подход будет основываться на гетерогенных возможностях роя, где дроны с различными ролями в рое и инструментами будут следовать разным политикам обучения для одновременной эффективной доставки в неструктурированной среде. Такой сценарий должен повысить масштабируемость и устойчивость системы по сравнению с существующими решениями.

Будет проведено несколько экспериментов по логистике с группой роботов как в помещении, так и на открытом воздухе, с постепенным увеличением количества дронов.

Проект финансирован Грантом РНФ 24-41-02039. LogiSAR: Гетерогенный рой автономных роботов с глубоким обучением для развития следующего поколения умной логистики. Конкурс РНФ-DST 2024 года «Проведение фундаментальных научных исследований и поисковых научных исследований международными научными коллективами».