Аннотация: Исследуется интеллектуальная система мониторинга и адаптации маршрута беспилотных летательных аппаратов (БПЛА) на основе нейросетевого анализа объектов риска. Рассматриваются алгоритмы автономной навигации, обеспечивающие анализ внешней среды и оперативную корректировку траектории полёта с учётом потенциальных угроз. Оцениваются возможности применения машинного зрения, нейросетевых алгоритмов, методов предобработки данных, детектирования объектов, семантической сегментации, алгоритмов траекторного планирования, предиктивного управления и адаптивной оптимизации маршрутов для идентификации препятствий, движущихся объектов и зон ограничения полётов. Анализируется роль интеллектуальных систем управления в архитектуре БПЛА, их влияние на повышение автономности, устойчивости и эффективности выполнения задач в динамически изменяющихся условиях. Предлагаемые решения ориентированы на снижение рисков, связанных с нештатными ситуациями, за счёт внедрения адаптивных стратегий управления полётом. Применяются методы системного анализа, компьютерного зрения и машинного обучения, включая свёрточные нейросети, алгоритмы предобработки изображений, фильтрации и сегментации данных, а также анализ сенсорных показателей. Оценка эффективности реализована посредством моделирования траекторий движения, тестирования алгоритмов идентификации угроз и анализа параметров устойчивости маршрутов БПЛА. Научная новизна заключается в разработке интегрированной системы интеллектуальной корректировки маршрута БПЛА, основанной на применении нейросетевых методов классификации объектов и адаптивных алгоритмов планирования траекторий. Разработаны механизмы предиктивного анализа рисков, обеспечивающие автоматическую корректировку маршрута при обнаружении препятствий, неблагоприятных погодных условий и зон ограниченного доступа. Предложенная архитектура управления сочетает технологии машинного зрения, анализа потоков данных и автоматизированного принятия решений, а также использует методы динамической маршрутизации, алгоритмы корректировки полёта в реальном времени и стратегии предотвращения столкновений. Такой подход обеспечивает повышение уровня автономности работы дронов. Разработанные алгоритмы интеллектуальной навигации могут быть внедрены в современные системы автономного управления БПЛА, обеспечивая адаптацию к динамическим условиям и повышение эффективности выполнения задач в различных сферах, включая оборонные и промышленные применения.

Abstract: The study examines an intelligent monitoring and route adaptation system for unmanned aerial vehicles (Drones) based on neural network risk analysis. The research considers autonomous navigation algorithms that enable environmental analysis and real-time trajectory correction in response to potential threats. The possibilities of applying computer vision, neural network algorithms, data preprocessing methods, object detection, semantic segmentation, trajectory planning algorithms, predictive control, and adaptive route optimization are assessed for identifying obstacles, moving objects, and restricted flight zones. The role of intelligent control systems for drones is analyzed, along with their impact on enhancing autonomy, resilience, and operational efficiency in dynamically changing environments. The proposed solutions are aimed at risk mitigation associated with emergency situations through the implementation of adaptive flight control strategies. The study employs methods of systems analysis, computer vision, and machine learning, including convolutional neural networks, image preprocessing algorithms, data filtering and segmentation, as well as sensor data analysis. The effectiveness assessment is carried out through trajectory modeling, testing of threat identification algorithms, and analysis of UAV route stability parameters. The scientific novelty lies in the development of an integrated system for intelligent UAV route correction based on neural network object classification methods and adaptive trajectory planning algorithms. Mechanisms for predictive risk analysis have been developed, ensuring automatic route adjustment upon detecting obstacles, adverse weather conditions, and restricted-access zones. The proposed control architecture integrates computer vision technologies, data stream analysis, and automated decision-making while using dynamic routing methods, real-time flight correction algorithms, and collision avoidance strategies. This approach enhances the level of UAV autonomy. The developed intelligent navigation algorithms can be implemented in modern autonomous UAV control systems, enabling adaptation to dynamic conditions and increasing the efficiency of task execution across various domains, including defense and industrial applications.