• Фелагерева Евгения Юрьевна, Кубанский государственный университет (Краснодар, Россия)
• Рудоман Нэлли Радиковна, Кубанский государственный университет (Краснодар, Россия)
• Новиков Александр Дмитриевич, Кубанский государственный университет (Краснодар, Россия)

В статье рассматривается задача устойчивого сопровождения воздушных объектов в видеопотоке, с акцентом на предсказание их траектории при наличии шумов измерений и кратковременных потерь детекции. Целью исследования является разработка гибридного метода трекинга, объединяющего классический фильтр Калмана и рекуррентную нейронную сеть типа GRU для повышения точности и устойчивости прогноза движения объектов. Предлагаемый подход основывается на использовании фильтра Калмана для оценки текущего состояния объекта, заданного вектором координат ограничивающей рамки YOLO и скоростями [с_х,с_у, w, h, v_x, v_y], и нейросетевой модели GRU, которая обучается предсказывать изменение скорости Δv_x,Δv_y на основе последовательности предыдущих состояний. В отличие от традиционных методов, где модель движения задается априорно, в предлагаемой работе динамика движения частично извлекается из данных. Предсказания GRU интегрируются в модель фильтра Калмана через механизм адаптивного сглаживания с коэффициентом α, что позволяет гибко регулировать вклад нейросетевого прогноза в итоговую оценку состояния. Основное содержание работы включает описание архитектуры гибридной модели, методики подготовки обучающего датасета, а также алгоритма интеграции нейросетевых предсказаний в процесс фильтрации. Особое внимание уделено задаче долгосрочного прогноза – до 30 кадров вперед – что является критически важным для систем активного сопровождения и управления. Научная новизна работы заключается в предложении способа комбинирования GRU и фильтра Калмана через адаптивное сглаживание управляющего воздействия, что позволяет учитывать нелинейные и нестационарные характеристики движения объектов без отказа от интерпретируемости классической модели. В отличие от существующих решений, предлагаемый метод обеспечивает более стабильную работу в условиях шумных измерений и пропусков детекций. В результате проведенных экспериментов показано, что предложенный подход повышает точность предсказания траектории на 16,57% и снижает накопление ошибки при многошаговом прогнозировании по сравнению с классическим фильтром Калмана и базовыми нейросетевыми моделями на 21%. Разработанный метод может быть применен в задачах детекции и сопровождения беспилотных летательных аппаратов, системах видеонаблюдения и автономной навигации.

фильтр Калмана, GRU (Gated Recurrent Unit – управляемый рекуррентный блок), БПЛА (беспилотный летательный аппарат), позиционирование

2026-09-03