Методика UE5-симуляції автономних роїв бпла: багатоагентне навчання та оцінка стійкості зв'язку в умовах надзвичайних ситуацій
DOI:
https://doi.org/10.31548/Ключові слова:
БПЛА, рій автономних агентів, Unreal Engine 5, аварійно-рятувальні сценарії,, порушення зв’язку, мультиагентне навчання, телеметріяАнотація
У статті розглянуто підхід до побудови пілотного симуляційного середовища Unreal Engine 5 для дослідження поведінки рою безпілотних літальних апаратів у задачах реагування на надзвичайні ситуації. Актуальність роботи пов’язана з тим, що під час пошуку людей, огляду зруйнованих споруд та пошкоджених територій і обходу перешкод зв’язок між апаратами може бути нестабільним, а централізовані схеми керування можуть втрачати ефективність. Метою дослідження є розроблення спрощеної UE5-орієнтованої методики, яка дає змогу задавати сценарії місії, моделювати втрату пакетів, затримку та короткі періоди порушення зв’язку, а також збирати телеметричні дані для порівняння підходів до керування. Методика базується на модульній архітектурі плагіна, що включає Scenario Runner, Agent Framework, Communication Stress Injector, Role Manager і Telemetry Logger. Для первинного аналізу запропоновано чотири сценарії: покриття відкритої зони, пошук цілей у міському середовищі, обхід перешкод у коридорі руїн і змішану місію пошуку з поверненням. Результатом дослідження є структура даних, набір метрик і симуляційний приклад оцінювання успішності місії, часу виконання, кількості зіткнень, якості зв’язку та відновлення після стресового вікна. Запропонований підхід не замінює польові випробування, але створює основу для ранньої перевірки ідей і підготовки подальшої апаратної валідації.
Отримано: 20.03.2026. Доопрацьовано: 03.06.2026. Прийнято: 22.06.2026.
Посилання
1. Rashid, T., Samvelyan, M., Schroeder, C., Farquhar, G., Foerster, J., & Whiteson, S. (2018). QMIX: Monotonic value function factorisation for deep multi-agent reinforcement learning. In Proceedings of the 35th International Conference on Machine Learning (pp. 4295-4304). PMLR.
2. Yu, C., Velu, A., Vinitsky, E., Wang, Y., Gao, Y., Wu, Y., & Wang, J. (2022). The surprising effectiveness of PPO in cooperative multi-agent games. arXiv. https://arxiv.org/abs/2103.01955
3. Gronauer, S., & Diepold, K. (2022). Multi-agent deep reinforcement learning: A survey. Artificial Intelligence Review, 55, 895-943. https://doi.org/10.1007/s10462-021-09996-w
4. Zhao, X., Yang, R., Zhong, L., & Hou, Z. (2024). Multi-UAV path planning and following based on multi-agent reinforcement learning. Drones, 8(1), 18. https://doi.org/10.3390/drones8010018
5. Liu, B., Wang, S., Li, Q., Zhao, X., Pan, Y., & Wang, C. (2023). Task assignment of UAV swarms based on deep reinforcement learning. Drones, 7(5), 297. https://doi.org/10.3390/drones7050297
6. Kong, X., Zhou, Y., Li, Z., & Wang, S. (2023). Multi-UAV simultaneous target assignment and path planning based on deep reinforcement learning. Frontiers in Neurorobotics, 17, 1302898. https://doi.org/10.3389/fnbot.2023.1302898
7. Phadke, A., Medrano, F. A., & Chu, T. (2023). Increasing operational resiliency of UAV swarms. Aerospace Research Communications, 1. https://doi.org/10.3389/arc.2023.12420
8. Phadke, A., Medrano, F. A., & Chu, T. (2022). Towards resilient UAV swarms. Drones, 6(11), 340. https://doi.org/10.3390/drones6110340
9. Zhang, X., & Liu, J. (2024). Research on UAV swarm network modeling and resilience assessment methods. Sensors, 24(1), 11. https://doi.org/10.3390/s24010011
10. Bai, G., Li, Y., Fang, Y., Zhang, Y. A., & Tao, J. (2020). Network approach for resilience evaluation of a UAV swarm by considering communication limits. Reliability Engineering & System Safety, 193, 106602. https://doi.org/10.1016/j.ress.2019.106602
11. Wang, X., Zhao, Z., Yi, L., Ning, Z., Guo, L., Yu, F. R., & Guo, S. (2024). A survey on security of UAV swarm networks: Attacks and countermeasures. ACM Computing Surveys, 57. https://doi.org/10.1145/3703625
12. Liu, C., Zhang, Y., Niu, G., Jia, L., Xiao, L., & Luan, J. (2022). Towards reinforcement learning in UAV relay for anti-jamming maritime communications. Digital Communications and Networks. https://doi.org/10.1016/j.dcan.2022.08.009
13. Epic Games. (2026). Unreal Engine 5 Documentation. https://dev.epicgames.com/documentation/en-us/unreal-engine
14. Epic Games. (2026). Networking and Multiplayer in Unreal Engine. https://dev.epicgames.com/documentation/en-us/unreal-engine/networking-and-multiplayer-in-unreal-engine
15. Epic Games. (2026). Artificial Intelligence in Unreal Engine. https://dev.epicgames.com/documentation/en-us/unreal-engine/artificial-intelligence-in-unreal-engine
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Енергетика і автоматика
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution-NonCommercial 4.0 International License.
Усі матеріали поширюються на умовах ліцензії Creative Commons Attribution 4.0 International Public License, що дозволяє іншим розповсюджувати рукопис із визнанням авторства роботи та першої публікації в цьому журналі.
