Ключевые слова: дроны, строительство, автоматизациястроительства, BIM-проектирование.

Введение

В последние годы беспилотные летательные аппараты становятся важным инструментом в промышленном строительстве. Взаимодействие дронов и систем информационного моделирования зданий (Building Information Modeling, или сокращенно BIM) позволяет в режиме реального времени собирать и анализировать данные о возводимых сооружениях, что повышает возможности контроля и саму безопасность работ​. Интеграция дронов с BIM-моделями упрощает инспекции труднодоступных элементов фасадов, оптимизирует составление геометрических моделей и автоматизирует выявление дефектов. В нынешних условиях цифровизации, создание полуавтономной или полностью автономной “материнской” станции дронов — вполне актуально, и особенно выгодно для крупных предприятий или государства. Такая станция выступает центром координации группы строительных дронов, интегрирует данные BIM и использует методы машинного обучения для адаптации маршрутов и задач в режиме реального времени. Новизна предлагаемого подхода состоит в создании комбинированной платформы, способной автономно организовывать рой дронов на строительной площадке, обеспечивая высокую точность и надежность процесса.

Концепция и архитектура локальной материнской станции

В нашем случае, материнская станция — это наземный или стационарный центр управления беспилотниками на строительной площадке. Она объединяет в себе вычислительный модуль, модули связи, зарядное и сервисное оборудование для обслуживания дронов, а также интерфейсы для интеграции с BIM и другими системами управления объектом. Вычислительный модуль должен будет включать в себя специализированный TPU (Tensor Processing Unit), на котором будет выполнятся алгоритмы машинного обучения. Модуль связи, в свою очередь, реализует обмен данными с каждым дроном по беспроводным каналам (Wi-Fi, 4G/5G, радиоканалы) в режиме реального времени. Для обеспечения точности и синхронизации доступа может использоваться локальная сеть с малой задержкой или mesh-сеть. Станция также обеспечивает подзарядку батарей, замену аккумуляторов и техническую диагностику БЛА.

Архитектура системы представлена иерархической структурой: материнская станция выполняет централизованное планирование, т. е. она распределяет задачи между дронами, а они в свою очередь оснащены собственными системами навигации и управления. При этом материнская станция в первую очередь опирается на BIM-данные и обновляет их режиме реального времени, формируя по сути цифрового двойника текущего состояния проекта.

Методы навигации и алгоритмы управления роем дронов

Навигация специализированных строительных дронов базируется на нескольких алгоритмах. По первых, используется спутниковая навигация (GPS/ГЛОНАСС). Однако стандартный GPS обеспечивает погрешность порядка метров, что недостаточно для строительных задач. Поэтому для повышения точности необходимо применить дифференциальные методы (RTK-GNSS), позволяющие достичь сантиметровой точности позиционирования. Согласно данным, RTK обеспечивает горизонтальную точность до долей сантиметра при небольшой удалённости от базовой станции​. При необходимости повышенной точности (например, при монтаже крупногабаритных панелей) могут использоваться локальные системы позиционирования: оптические трекеры, лидары, ультраширокополосные метки (UWB) или визуальные одометрические системы (SLAM).

Однако в нашем случае мы сталкиваемся с проблемой, т. к. для управления одним БЛА необходим опытный оператор, а для одновременного контроля над целым роем — не хватит даже группы таковых, т. к. люди будут действовать без необходимой синхронности. Решением можно считать био-вдохновленные алгоритмы, к примеру Boids Крейга Рейнольдса. В классическом случае Boids реализует три правила: разделение (separation, изображено на рис.1), выравнивание (alignment, изображено на рис.2) и сплоченность (cohesion, изображено на рис.3), что позволяет стае самоорганизоваться и избегать столкновений.

Рис. 1. Boids: separation (разделение)

Рис. 2. Boids: alignment (выравнивание)

Рис. 3. Boids: cohesion (сплоченность)

Новые же разработки активно используют методы машинного обучения с подкреплением для задач роевого управления. Так, Tang et al (в своей статье Enhanced multi agent coordination algorithm for drone swarm patrolling in durian orchards в журнале Scientific reports от 17 марта 2025 года) презентовали «виртуальную навигационную модель» и применили Deep RL для обучения роевого поведения, что позволило дронам эффективно адаптироваться к изменяющейся обстановке и динамически оптимизировать траектории полета в труднопроходимых средах. При этом они показали высокую стабильность полета и экономичное выполнение патрульных маршрутов. Подобные решения используют информацию об окружении, поступающую от всех дронов, для совместного планирования и перераспределения ролей в рое.

Управление роем дронов предполагает решения двух классов задач: согласование полета и распределение ролей (тасков). Для согласования полета используют алгоритмы, реализующие правила избегания столкновений и синхронизации. В Boids каждый дрон следит за соседями и корректирует траекторию: он тяготеет к центру группы, выравнивает свою скорость с соседями и избегает чрезмерного сближения.

Динамичные методы с машинным обучением показывают большую адаптивность. На примере Tang et al, дроны применяют Deep RL для обучения сообща избегать препятствий и оптимизировать траектории на лету. При этом возможна как централизованная координация через материнскую станцию (где центральный контроллер выдаёт команды), так и распределённая (каждый дрон самостоятельно пересчитывает свое поведение на основе локальной инструкции). Использование нейросети позволяет учитывать сложные нелинейные зависимости: дроны могут предсказывать будущие позиции соседей и адаптировать траектории «на лету», что сказывается на движении всего роя.

Для распределения задач применяются методы оптимизации и машинного обучения. Станция собирает информацию о статусе каждого дрона (заряд батареи, загруженность CPU, местоположение, завершённые задачи) и на основе этого распределяет новые задания. Например, Intel представили прототипы систем, где для решения этих задач создаются интеллектуальные модули: например, описан «коллаборативный оптимизационный блок», который при помощи ML-подходов распределяет задачи между UAV, учитывая пропускную способность канала и надёжность сенсоров. Подобные системы динамически перераспределяют нагрузки: если один дрон быстро разряжается, станция перенаправит его задачу другому свободному аппарату (данные из Xray, на патент Intel US11635774B2).

Кроме того, в роевом управлении важны механизмы отказоустойчивости. В многоуровневой архитектуре резервные дроны могут автоматически вступать в работу при отказе или низком заряде основного аппарата, что описано, например, в подходе с Kubernetes-контроллером для системы «главный контроль — рабочие — резервные UAV». Это повышает надёжность работ на стройплощадке, где простой техники недопустим.

Интеграция с BIM и цифровыми моделями

Взаимодействие дронов с BIM-моделями является главным элементом концепции материнской станции. Цифровая модель объекта служит основой для планирования задач и обработки результатов облёта. Система материнской станции может использовать BIM для определения приоритетных зон исследования, прокладки оптимальных маршрутов полета и сравнения фактических данных с проектными спецификациями.

Сочетание дронов и BIM существенно ускоряет и удешевляет проверку строительных работ. В частности, дроны быстро собирают высококачественные изображения фасадов и внутренних пространств, а BIM интегрирует эти данные для анализа состояния конструкции. Полученные трёхмерные облака точек сливаются с исходной моделью, что позволяет автоматически выявлять несоответствия и дефекты.

Примером может служить программный плагин для Revit, который автоматически сопоставляет изображения, полученные с дронов, и BIM-компоненты. Благодаря такому инструменту инженеры получают возможность в интерфейсе цифровой модели просматривать реальное состояние каждого элемента, что ускоряет диагностику проблем и планирование ремонтов. Это направление активно развивается: в недавних работах было показано, что оптимизация полетных путей с учётом BIM-модели (например, на основе генетических алгоритмов) снижает время облёта без потери качества данных (исследования CSCEC 7th Division International Engineering Co от 29 января 2025 года).

Насколько актуально?

Введение дронов в строительство позволит повысить эффективность и безопасность отрасли. Строительство часто сопряжено с высокими рисками для здоровья (работы на высоте, труднодоступные места и т. п.) и большими затратами времени на инспекции. Автоматизация с помощью дронов позволяет сократить число источников опасности для человека, проводя обследования и инспекции удаленно. Кроме того, использование БЛА ускоряет контроль за прогрессом работ и точность съемки. Система материнской станции с машинным обучением позволит обрабатывать большие объёмы данных непосредственно на стройплощадке и мгновенно подстраивать работу роя дронов под текущие задачи.

Научная новизна этой концепции заключается в комплексном объединении нескольких передовых технологий в нечто единое и систематизированное. В отличие от разрозненных решений (отдельные беспилотники, облачный анализ, ручное управление), здесь реализуется интегрированная платформа: локальное централизованное управление с мощными вычислительными возможностями и обучаемыми алгоритмами, тесно связанное с BIM-моделями проекта. Такое сочетание — новое направление исследований, о чем говорят последние публикации, большинство которых приходится на конец 2024 и начало 2025. Применение машинного обучения непосредственно на площадке, с возможностью обучения на примере текущих данных, позволит системе становиться «умнее» с каждым разом. Это сделает системы очень автономными, способными самим определять оптимальные стратегии при возникновении новых условий (изменение графика работ, ухудшение погоды, появление непредвиденных препятствий).

Литература:

1. Google Patents [Электронный ресурс]. URL: https://patents.google.com/patent/US11635774B2/en (дата обращения: 26.09.2025).
2. MDPI. [Электронный ресурс]. URL: https://www.mediawiki.org/ wiki/MediaWiki (дата обращения: 26.09.2025).
3. Nature [Электронный ресурс]. URL: https://www.nature.com/articles/s41598–025–88145–7 (дата обращения: 26.09.2025).