Представьте себе рой дронов, который сам находит цель, перестраивается в полёте, подстраховывает выбывших из строя и доводит миссию до конца — без оператора, сидящего за пультом где‑то в тылу. Такой сценарий ещё недавно выглядел как научная фантастика, но сегодня он постепенно превращается в инженерный бэклог.

Для роя дронов можно придумать множество задач: искать, строить, доставлять, добывать ресурсы или автоматически заменять выбывшие аппараты во время миссии. При таких сценариях возможности роевых систем выходят далеко за рамки природных аналогий — того, как действуют муравьиные колонии, стаи птиц или волчьи стаи. Попробуем наметить эволюционный путь развития роев дронов (и роботов) и дать рабочее определение роя.

Рой — это совокупность автономных агентов, которые координируют свои действия через локальную связь для достижения общей цели, исходя из своих ограниченных возможностей.

Рынок роевых технологий

Рынок роевых дронов уже сейчас выглядит весьма динамичным. По данным Fortune Business Insights Swarm Drone Market Size, глобальный рынок swarm‑дронов в 2024 году оценивался примерно в 828,5 млн долларов, а к 2032 году может вырасти до 3,06 млрд долларов с совокупным темпом роста около 17,8 % в год. Рост обеспечивают модернизация вооружённых сил, развитие бортового ИИ, алгоритмов коллективного управления и локальных коммуникаций.

Экспоненциальный рост обеспечивают модернизация сил обороны в разных странах, развитие бортового и встроенного ИИ и средств локальной коммуникации и, судя по приоритетам оборонных программ разных стран, они будут оставаться основным драйвером рынка и в ближайшие годы. Гражданские кейсы — агро, инфраструктура, поиск и спасение — пока идут скорее следом, чем задают тон.

Уровни зрелости роя дронов/роботов

Теперь представим, как будет развиваться технология на пути к полной автономии — рой дронов/роботов, который может в тяжёлых условиях, опираясь только на внутреннюю коммуникацию и встроенный ИИ, выполнять миссию от начала до конца. Для описания такого пути удобно ввести неформальную шкалу уровней зрелости (по аналогии с TRL, Technology Readiness Level):

• TRL0 — множество дронов, каждый управляется оператором с земли.
• TRL1 — у каждого дрона заранее прописано поведение и маршрут; дроны осведомлены о соседях, но не взаимодействуют напрямую.
• TRL2 — рой управляется лидером (человеком или выделенным дроном), который знает задачу целиком, координирует движение и распределяет роли. Дроны взаимно коммуницируют для поддержания формации и подстраховки. Пример
• TRL3 — рой решает задачу автономно, используя только внутреннюю связь и коллективное принятие решений. Каждая особь адаптируется к среде и действиям других. Пример 1 Пример 2
• TRL4 — полностью распределённый рой без централизованного управления, самообучающийся и способный вырабатывать стратегию выполнения миссии в новых, непредсказуемых условиях.

Предположу, что уровни зрелости будут развиваться вслед за инвестициями и объёмом рынка, а технологическим предпринимателям останется разобраться в основных вызовах на пути достижения TRL4.

Технологии и вызовы роя дронов TRL4

Подходящий термин, вбирающий в себя всё, что связано с интеллектом роя, — Drone Swarm Intelligence: здесь будем понимать распределённую систему принятия решений, в которой коллективное поведение роя дронов возникает из простых локальных правил и взаимодействий между автономными агентами, а не задаётся централизованным управляющим модулем. Такое поведение похоже на «коллективный мозг»: каждый дрон видит лишь часть картины, но рой в целом способен решать сложные задачи в динамичной среде.

💡 Drone Swarm Intelligence — распределённая система принятия решений, в которой коллективное поведение роя дронов возникает из простых локальных правил и взаимодействий между автономными агентами и не задаётся централизованным управляющим узлом.

Drone Swarm Intelligence опирается на несколько простых локальных принципов:

• разделение (избежание столкновений / collision avoidance);
• выравнивание (согласование скорости и направления / velocity matching);
• когезия (стремление удерживаться рядом с группой / group convergence).

Эти базовые правила задаются на уровне отдельного агента, но в совокупности порождают сложное коллективное поведение без явного «сценария» на весь рой. В экспериментах с моделированием плотных роев такие подходы позволяют почти полностью покрывать заданное пространство и сводить количество столкновений к нулю за считанные секунды при итеративном применении правил.

Из беглого обзора нескольких свежих статей на тему Swarm Intelligence можно сделать вывод, что для разделения (collision avoidance) исследователи применяют спайковые нейросети с модуляцией подкреплением (RSNN): в экспериментах рой из 5 дронов выучивает безопасные стратегии за считанные шаги и может летать в ограниченном пространстве более часа без столкновений.

Выравнивание скоростей и направлений (velocity matching) достигается глубоким обучением с подкреплением (DRL/PPO) на основе данных от дальномеров LiDAR: дроны учатся координировать свои траектории без явной межагентной коммуникации, поддерживая когерентность движения роя.

Когезия формации обеспечивается графовыми нейросетями (GNN), которые моделируют топологию связей между дронами и обучаются сохранять расстояния и связность группы в условиях возмущений и отказов.

Communication-Free Collective Navigation for a Swarm of UAVs via LiDAR-Based Deep Reinforcement Learning, 2026

В работе описывают использование LiDAR-based управления движением роя и выделяют следующие моменты:

• Применяется deep reinforcement learning (DRL) с алгоритмом Proximal Policy Optimization (PPO) для обучения дронов-последователей.
• Дроны учатся балансировать поведение flocking (cohesion + separation) и избегание препятствий, используя только данные LiDAR без межагентной коммуникации.
• В системе используется неявная архитектура «лидер–ведомый»: только лидер знает цель, ведомые координируются через выученное реактивное поведение.
• Метрика выравнивания (alignment, AL) измеряет когерентность движения роя через косинусное сходство скоростей отдельных дронов и средней скорости роя (значения, близкие к 1, означают хорошее выравнивание).
• Валидация проведена в реальных экспериментах с 5 дронами в помещении и на открытом воздухе — это первая LiDAR-based система для коллективной навигации без коммуникации.

Nature-inspired self-organizing collision avoidance for drone swarms, 2022

Ссылка:

• Используется reward-modulated spiking neural network (RSNN) — спайковая нейросеть с модуляцией подкреплением для онлайн‑обучения избеганию столкновений в реальном времени.
• Децентрализованное обучение: каждый дрон учится автономно на основе локальных наблюдений без централизованного контроля.
• В симуляции 5 дронов выучивают безопасные стратегии за 5–10 шагов, 25 дронов — за 10–15 шагов.
• В реальных экспериментах рой из 5 квадрокоптеров летал в ограниченном пространстве более 1 часа без единого столкновения.
• RSNN показала лучшую производительность и стабильность по сравнению с LSTM и полносвязными нейросетями в задачах онлайн‑обучения.

Learning Resilient Formation Control of Drones With Graph Neural Networks, 2024

В работе описывают использование GNN для управления движением роя и выделяют следующие моменты:

• Используются Graph Neural Networks (GNN) для моделирования топологии роя и обучения устойчивому формационному контролю.
• GNN естественным образом кодируют связи между дронами (граф соседства), позволяя каждому агенту учитывать состояния соседей для поддержания когезии формации.
• Сети обучаются через обучение с подкреплением, где reward зависит от расстояния до желаемой позиции в формации и сохранения связности графа.
• Подход демонстрирует устойчивость к отказам отдельных дронов и динамическим возмущениям.
• Применим для миссий типа поиск и спасение, экологический мониторинг, промышленные инспекции.

Ключевая особенность роевого управления — децентрализация. Вместо традиционной иерархии командования каждый агент действует автономно по локальной политике, используя ограниченную информацию от ближайших соседей, но при этом вносит вклад в достижение общей цели. Такая архитектура требует устойчивых протоколов обмена, толерантности к задержкам и потере связи, а также алгоритмов, которые гарантируют стабильное коллективное поведение даже при частичных отказах.

🛸 P. S. Спасибо, что дочитали! В знак благодарности за труд поделитесь этой статьёй и подпишитесь на наш канал t.me/deepheads. А ещё зайдите на нашу страничку продуктов и сервисов.