Требования к качеству видеопотока при управлении беспилотными системами от первого лица

Управление беспилотными системами от первого лица предполагает передачу видеопотока от беспилотной системы к внешнему пилоту. Качество передаваемого видеопотока напрямую влияет на оценку внешним пилотом текущей полетной обстановки и формирование корректных и своевременных управляющих воздействий. В статье исследуется зависимость вероятности достижения цели функционирования беспилотной системы от значений объективных метрик качества видеопотока (SSIM, PSNR).

Актуальность работы обусловлена необходимостью определения параметров системы видеокодирования при FPV-управлении беспилотной системы в зависимости от заданной вероятности достижения цели ее функционирования.

Используемые методы: при обработке результатов натурных экспериментов были использованы методы статистического анализа, теории планирования эксперимента и теории вероятностей.

Результаты: обоснованы количественные значения требований к объективным метрикам качества передаваемого видеопотока при использовании стандартных видеокодеков для заданной вероятности достижения цели функционирования при FPV-управлении беспилотными системами различного назначения.

Новизна полученных результатов заключается в том, что требования к показателям качества передаваемого видеопотока задаются не экспертным путем, а экспериментально – на основе анализа качества передаваемого видеопотока, позволившего сформировать управление беспилотной системой, при котором были достигнуты цели ее функционирования.

Практическая значимость: определены требуемые значения показателей качества FPV-видеопотока, при которых возможно FPV-управление при заданной вероятности достижения цели функционирования беспилотной системы.

1. Chen J., Sun J., Wang G. From Unmanned Systems to Autonomous Intelligent Systems // Engineering. 2022. Vol. 12. PP. 16–19. DOI:10.1016/j.eng.2021.10.007. EDN:ZERUNX

2. Ni J., Hu J., Xiang C. A review for design and dynamics control of unmanned ground vehicle // Proceedings of the Institution of Mechanical Engineers. Part D. Journal of Automobile Engineering. 2021. Vol. 235. Vol. 4. PP. 1084–1100. DOI:10.1177/0954407020912097

3. Liu Z., Zhang Y., Yu X., Yuan C. Unmanned surface vehicles: An overview of developments and challenges // Annual Reviews in Control. 2016. Vol. 41. PP. 71–93. DOI:10.1016/j.arcontrol.2016.04.018

4. Wibisono A., Piran M.J., Song H.K., Lee B.M. A survey on unmanned underwater vehicles: Challenges, enabling technologies, and future research directions // Sensors. 2023. Vol. 23. Iss. 17. PP. 7321. DOI:10.3390/s23177321. EDN:AJQRAP

5. Laghari A.A., Jumani A.K., Laghari R.A., Nawaz H. Unmanned aerial vehicles: A review // Cognitive Robotics. 2023. Vol. 3. PP. 8–22. DOI:10.1016/j.cogr.2022.12.004. EDN:PYFLLT

6. Березкин А.А., Ченский А.А., Киричек Р.В., Захаров А.А. Исследование методов латентного сжатия видеопотока при FPV управлении беспилотными системами // Электросвязь. 2024. № 6. С. 26–36. DOI:10.34832/ELSV.2024.55.6.014. EDN:FWBEQE

7. Березкин А.А., Ченский А.А., Киричек Р.В., Захаров А.А. Исследование конфигураций нейросетевых кодеков для адаптивной системы сжатия кадров FPV-видеопотока при управлении беспилотными системами. Часть I. Методика // Электросвязь. 2024. № 9. С. 28–37. DOI:10.34832/ELSV.2024.58.9.004. EDN:MWXFXN

8. Березкин А.А., Ченский А.А., Киричек Р.В., Захаров А.А. Исследование конфигураций нейросетевых кодеков для адаптивной системы сжатия кадров FPV-видеопотока при управлении беспилотными системами. Часть II. Эксперимент // Электросвязь. 2024. № 10. С. 59–69. DOI:10.34832/ELSV.2024.59.10.009. EDN:IWGJLY

9. Krátký V., Alcántara A., Capitán J., Štěpán P., Saska M., Ollero A. Autonomous Aerial Filming With Distributed Lighting by a Team of Unmanned Aerial Vehicles // IEEE Robotics and Automation Letters. 2021. Vol. 6. Iss. 4. PP. 7580–7587. DOI:10.1109/LRA.2021.3098811. EDN:KUQTMX

10. Pirmagomedov R., Kirichek R., Blinnikov M., Koucheryavy A. UAV-based gateways for wireless nanosensor networks deployed over large areas // Computer Communications. 2019. Vol. 146. PP. 55–62. DOI:10.1016/j.comcom.2019.07.026. EDN:WTWZWC

11. Dinh T.D., Pham V.D., Kirichek R., Koucheryavy A. Flying Network for Emergencies // Proceedings of the 21st International Conference on Distributed Computer and Communication Networks (DCCN, Moscow, Russia, 17–21 September 2018). Cham: Springer International Publishing, 2018. PP. 58–70. DOI:10.1007/978-3-319-99447-5_6. EDN:XXXINF

12. Grois D., Nguyen T., Marpe D. Performance comparison of AV1, JEM, VP9, and HEVC encoders // Proceedings of the Conference on Optical Engineering + Applications “Applications of Digital Image Processing XL” (San Diego, United States, 6–10 August 2017). SPIE, 2018. Vol. 10396. PP. 68–79. DOI:10.1117/12.2283428

13. Mansri I., Doghmane N., Kouadria N., Harize S., Bekhouch A. Comparative Evaluation of VVC, HEVC, H. 264, AV1, and VP9 Encoders for Low-Delay Video Applications // Proceedings of the Fourth International Conference on Multimedia Computing, Networking and Applications (MCNA, Valencia, Spain, 19–22 October 2020). IEEE, 2020. PP. 38–43. DOI:10.1109/MCNA50957. 2020.9264275

14. Layek M.A., Thai N.Q., Hossain M.A., Thu N.T., Tuyen L.P., Talukder A. Performance analysis of H.264, H.265, VP9 and AV1 video encoders // Proceedings of the 19th Asia-Pacific Network Operations and Management Symposium (APNOMS, Seoul, Korea (South), 27–29 September 2017). IEEE, 2017. PP. 322–325. DOI:10.1109/APNOMS.2017.8094162

15. Jia Z., Li B., Li J., Xie W., Qi L., Li H., Lu Y. Towards Practical Real-Time Neural Video Compression // Proceedings of the Conference on Computer Vision and Pattern Recognition (CVPR, 11–15 June 2025, Nashville, USA). 2025. PP. 12543–12552.

16. Березкин А.А., Вивчарь Р.М., Киричек Р.В. Подход к обоснованию требований к качеству видеопотока при FPV-управлении беспилотными системами // Труды учебных заведений связи. 2024. Т. 10. № 4. С. 7–15. DOI:10.31854/1813-324X-2024-10-4-7-15. EDN:JQQCXK

17. Березкин А.А., Вивчарь Р.М., Киричек Р.В. Модель системы управления мобильными роботизированными комплексами различного назначения // Электросвязь. 2023. № 8. С. 12–18. DOI:10.34832/ELSV.2023.45.8.002. EDN:XXOJNM

18. Fardo F.A., Conforto V.H., De Oliveira F.C., Rodrigues P.S. A formal evaluation of PSNR as quality measurement parameter for image segmentation algorithms // arXiv preprint arXiv:1605.07116. 2016.

19. Nilsson J., Akenine-Möller T. Understanding SSIM // arXiv preprint. 2020. DOI:10.48550/arXiv.2006.13846

20. González N., Solera M., Ruiz F., Gijón C., Toril M. A quality of experience model for live video in first-person-view drone control in cellular networks // Computer Networks. 2023. Vol. 237. P. 110089. DOI:10.1016/j.comnet.2023.110089. EDN:NLXOYI

21. Li S., Zhang Y., Edwards S., Blythe P.T. Exploration into the needs and requirements of the remote driver when teleoperating the 5G-enabled level 4 automated vehicle in the real world-a case study of 5G connected and automated logistics // Sensors. 2023. Vol. 23. Iss. 2. P. 820. DOI:10.3390/s23020820. EDN:JJHIFE

22. Jarvis B., Toumieh C., Floreano D. First-Person View Interfaces for Teleoperation of Aerial Swarms // IEEE Robotics and Automation Letters. 2025. Vol. 10. Iss. 5. PP. 4476–4483. DOI:10.1109/lra.2025.3553062. EDN:EKKALY

23. Inam R., Schrammar N., Wang K., Karapantelakis A., Mokrushin L., Feljan A.V., Fersman E. Feasibility assessment to realise vehicle teleoperation using cellular networks // Proceedings of the 19th International Conference on Intelligent Transportation Systems (ITSC, Rio de Janeiro, Brazil, 01–04 November 2016). IEEE, 2016. PP. 2254–2260. DOI:10.1109/ITSC.2016.7795920

24. Silic M., Suznjevic M., Skorin-Kapov L. QOE Assessment of FPV Drone Control in a Cloud Gaming Based Simulation // Proceedings of the 13th International Conference on Quality of Multimedia Experience (QoMEX, Montreal, Canada, 14–17 June 2021). IEEE, 2021. PP. 175–180. DOI:10.1109/QoMEX51781.2021.9465385

25. Streijl R.C., Winkler S., Hands D.S. Mean opinion score (MOS) revisited: methods and applications, limitations and alternatives // Multimedia Systems. 2016. Vol. 22. Iss. 2. PP. 213–227. DOI:10.1007/s00530-014-0446-1. EDN:FYGVYF

26. Xu J., Xing L., Perkis A., Jiang Y. On the Properties of Mean Opinion Scores for Quality of Experience Management // Proceedings of the International Symposium on Multimedia (Dana Point, USA, 05–07 December 2011). IEEE, 2011. PP. 500–505. DOI:10.1109/ISM.2011.88

27. Ribeiro F., Florêncio D., Zhang C., Seltzer M. CrowdMOS: An approach for crowdsourcing mean opinion score studies // Proceedings of the International Conference on Acoustics, Speech and Signal Processing (ICASSP, Prague, Czech Republic, 22–27 May 2011). IEEE, 2011. PP. 2416–2419. DOI:10.1109/ICASSP.2011.5946971

28. Tommasi F., De Luca V., Melle C. Packet losses and objective video quality metrics in H.264 video streaming // Journal of Visual Communication and Image Representation. 2015. Vol. 27. PP. 7–27. DOI:10.1016/j.jvcir.2014.12.003