Automatic UAV trajectory control systems with obstacle avoidance

Антон Романович Кравчук; Андрій Геннадійович Ткачук; Фредрік Карл Торкільдсен; Даниїл Володимирович Василевський

doi:10.26642/ten-2026-1(97)-188-195

Автор(и)

Антон Романович Кравчук Державний університет «Житомирська політехніка», Україна https://orcid.org/0000-0002-8305-2492
Андрій Геннадійович Ткачук Державний університет «Житомирська політехніка», Україна https://orcid.org/0000-0003-2466-6299
Фредрік Карл Торкільдсен Авіаційна школа Лундського університету, Швеція https://orcid.org/0009-0008-9052-2406
Даниїл Володимирович Василевський Державний університет «Житомирська політехніка», Україна https://orcid.org/0009-0009-7324-7649

DOI:

https://doi.org/10.26642/ten-2026-1(97)-188-195

Ключові слова:

БПЛА, автоматичне керування, планування траєкторії, уникнення перешкод, комп’ютерний зір, багатосенсорна інтеграція, автономна навігація, інтелектуальні системи

Анотація

У статті розглянуто сучасні підходи побудови систем автоматичного керування траєкторією безпілотних літальних апаратів з уникненням перешкод. Обґрунтовано актуальність теми в умовах розширення сфер застосування БПЛА та зростання вимог до безпечної автономної навігації в середовищах із неповною апріорною інформацією, динамічними перешкодами та часовими обмеженнями на прийняття рішень. Узагальнено архітектурні, алгоритмічні та сенсорні особливості сучасних систем керування, які поєднують сприйняття середовища, локалізацію, картографування, глобальне й локальне планування, генерацію безпечної траєкторії та регулювання руху. Проаналізовано реактивні, геометричні, графові, вибіркові, оптимізаційні та прогнозні підходи, а також системи на основі SLAM/VIO і комп’ютерного зору. Показано, що реактивні та геометричні методи характеризуються високою швидкодією, але мають обмежену глобальну оптимальність. Графові та вибіркові алгоритми є ефективними у відомому середовищі, однак менш придатними до швидкозмінних сцен. Оптимізаційні та прогнозні методи забезпечують високий рівень адаптивності, проте вимагають значних обчислювальних ресурсів. Окрему увагу приділено системам комп’ютерного зору, зокрема YOLO-подібним детекторам, які розглянуто як ефективний модуль семантичного сприйняття у складі гібридних архітектур, але не як самодостатній засіб керування траєкторією. Встановлено, що найбільш перспективними для практичного впровадження є багаторівневі гібридні системи, які поєднують мультисенсорне сприйняття, SLAM/VIO, глобальне і локальне планування та методи прогнозного безпечного керування.

Посилання

Debnath, D., Vanegas, F., Sandino, J. et al. (2024), «A Review of UAV Path-Planning Algorithms and Obstacle Avoidance Methods for Remote Sensing Applications», Remote Sensing, Vol. 16, No. 21, doi: 10.3390/rs16214019.

Zhou, Y., Yan, L., Han, Y. et al. (2025), «A Survey on the Key Technologies of UAV Motion Planning», Drones,Vol. 9, No. 3, doi: 10.3390/drones9030194.

Merei, A., Mcheick, H., Ghaddar, A. and Rebaine, D. (2025), «A Survey on Obstacle Detection and Avoidance Methods for UAVs», Drones, Vol. 9, No. 3, doi: 10.3390/drones9030203.

Randieri, C. et al. (2025), «Aerial Autonomy Under Adversity: Advances in Obstacle and Aircraft Detection Techniques for Unmanned Aerial Vehicles», Drones, Vol. 9, No. 8, doi: 10.3390/drones9080549.

Xia, W., Song, F. and Peng, Z. (2025), «Dynamic Obstacle Perception Technology for UAVs Based on LiDAR», Drones, Vol. 9, No. 8, doi: 10.3390/drones9080540.

Wang, D., Mu, L., Wang, B. et al. (2025), «UAV Obstacle Avoidance Algorithm Based on Model Predictive Control and Control Barrier Functions», IFAC-PapersOnLine, Vol. 59, No. 20, рр. 405–410, doi: 10.1016/j.ifacol.2025.11.184.

Shi, J., Zhou, Y., Wang, L. et al. (2026), «Trajectory Planning and Tracking for UAVs with Deep Reinforcement Learning and Adaptive Nonlinear MPC», Expert Systems with Applications, Vol. 289, doi: 10.1016/j.eswa.2025.129158.

Akanbi, I., Ngqondi, T. and Ismail, Y. (2025), «Event-Based Vision Application on Autonomous Unmanned Aerial Vehicle: A Systematic Review of Prospects and Challenges», Sensors, Vol. 26, No. 1, doi: 10.3390/s26010081.

Liao, Y., Wu, Y., Zhao, S. and Zhang, D. (2024), «Unmanned Aerial Vehicle Obstacle Avoidance Based Custom Elliptic Domain», Drones, Vol. 8, No. 8, doi: 10.3390/drones8080397.

Li, Y., Zhang, P., Wang, Z. et al. (2024), «Multi-UAV Obstacle Avoidance and Formation Control in Unknown Environments», Drones, Vol. 8, No. 12, doi: 10.3390/drones8120714.

Zhang, P. et al. (2024), «Enhanced Multi-UAV Formation Control and Obstacle Avoidance through an Improved Adaptive Artificial Potential Field», Drones, Vol. 8, No. 9, doi: 10.3390/drones8090514.

Ahmadi, B. et al. (2025), «Enhanced Dynamic Obstacle Avoidance for UAVs Using Event Camera and Ego-Motion Compensation», Drones, Vol. 9, No. 11, doi: 10.3390/drones9110745.

Cocoma-Ortega, J.A. and Martinez-Carranza, J. (2019), «A CNN-based Drone Localisation Approach for Autonomous Drone Racing», 11th International Micro Air Vehicle Competition and Conference.

Arshad, M.A., Khan, S.H., Qamar, S. et al. (2022), «Drone Navigation Using Region and Edge Exploitation-Based Deep CNN», IEEE Access, Vol. 10, рр. 95441–95450.

Habash, R.I. et al. (2025), «Recent Real-Time Aerial Object Detection Approaches, Performance, Optimization, and Efficient Design Trends for Onboard Performance: A Survey», Drones.

Meng, W. et al. (2025), «Advances in UAV Path Planning: A Comprehensive Review of Methods, Challenges, and Future Directions», Drones, Vol. 9, No. 5, doi: 10.3390/drones9050376.

«Collision Prevention», PX4 Guide, [Online], available at: https://docs.px4.io/main/en/computer_vision/collision_prevention

ArduPilot Flight Features, «Simple Object Avoidance», [Online], available at: https://ardupilot.org/copter/docs/common-simple-object-avoidance.html

Katkuri, A.V.R., Madan, H., Khatri, N. et al. (2024), «Autonomous UAV navigation using deep learning-based computer vision frameworks: A systematic literature review», Array, Vol. 23, doi: 10.1016/j.array.2024.100361.

Reid, I., «Discrete-time Kalman filter», Estimation II, University of Oxford, [Online], available at: https://www.robots.ox.ac.uk/~ian/Teaching/Estimation/LectureNotes2.pdf

Tedrake, R., «Underactuated Robotics: Trajectory Optimization», MIT, [Online], available at: https://underactuated.mit.edu/trajopt.html

Kravchuk, A., Tkachuk, A., Dobrzhanskyi, O. et al. (2025), «Analysis of autonomous UAV navigation methods in GPS dead zones», Technical Engineering, No. 1 (95), рр. 235–242, doi: 10.26642/ten-2025-1(95)-235-242.