Аннотация. Беспилотные летательные аппараты (БПЛА) стали ключевыми инструментами для решения региональных проблем в Казахстане, стране, характеризующейся огромным географическим разнообразием, экстремальными климатическими условиями и инфраструктурными требованиями в отдаленных районах. Однако развертывание БПЛА в уникальных операционных условиях Казахстана, отмеченных экстремальными температурами (-40 °C до +45 °C), непредсказуемыми порывами ветра (15–20 м/с в Алматинской и Костанайской областях) и частым ухудшением сигнала GPS в горной местности, создает значительные технические и логистические проблемы. Физическое тестирование алгоритмов управления БПЛА в этих условиях не только непомерно дорого, но и ограничено правилами безопасности, непредсказуемостью окружающей среды и огромным масштабом операционных зон. Для устранения этих барьеров в данной статье предлагается разработка казахстанской платформы моделирования БПЛА, предназначенной для имитации экологических и операционных реалий страны с высокой точностью. Платформа, созданная на основе операционной системы робота (ROS Noetic) и Gazebo 11, объединяет три новых компонента: (1) физическая динамика БПЛА, откалиброванная с использованием полевых данных, полученных от казахстанских сельскохозяйственных и спасательных БПЛА, включая массу (1,5 кг), тензор инерции и профили тяги ротора; (2) синтетические модели датчиков (LiDAR, IMU, RGB-камеры) с профилями шума, адаптированными к региональным условиям, таким как погрешности дальности LiDAR, вызванные пылью (±0,15 м) и дрейф IMU в зависимости от температуры (0,2°/час при +40°C); и (3) модели возмущений окружающей среды, полученные из метеорологических наборов данных, предоставленных Казгидрометом, национальным метеорологическим агентством Казахстана, включая динамику степного ветра (порывы до 18 м/с) и вероятностную потерю сигнала GPS (коэффициенты потери 25–35% в горах Тянь-Шаня). Модульная архитектура платформы поддерживает тестирование алгоритмов адаптивного управления, включая Model Predictive Control (MPC) для подавления возмущений ветра, стратегии координации роя для поисково-спасательных миссий и системы отказоустойчивости на основе обучения с подкреплением (RL), в сценариях, отражающих реальные проблемы Казахстана. Практические примеры демонстрируют его эффективность: в моделируемых сценариях сильного ветра (порывы 18 м/с) децентрализованный алгоритм координации роя достиг 88% успеха миссии по поддержанию формации над горами Тянь-Шаня, в то время как адаптивный ПИД-регулятор уменьшил ошибки отслеживания траектории на 35% в условиях дрейфа датчика +40 °C. Перекрестная проверка с полевыми данными с БПЛА DJI Matrice 300, развернутого в Туркестанском регионе, подтвердила 94% корреляцию между моделируемой и реальной траекторией RMSE (0,12 м против 0,15 м), при этом прогнозы потребления энергии отклонялись менее чем на 3% от наблюдаемых значений.
Ключевые слова: Моделирование БПЛА, интеграция Gazebo-ROS, алгоритмы адаптивного управления, моделирование окружающей среды Казахстана, роевая робототехника, эмуляция датчиков, цифровые двойники.
