Байесовский сетевой подход к анализу системного риска в операциях беспилотных летательных аппаратов (БПЛА)

Почему небеса, наполненные дронами, требуют более продуманного подхода к риску

Дроны для доставки, воздушные камеры и БПЛА для экстренных служб быстро становятся частью повседневной жизни. Но каждый полёт должен безопасно преодолевать плохую погоду, плотную городскую застройку, радиопомехи и человеческие ошибки. В этой статье задаётся ключевой вопрос: когда одновременно может пойти много всего не так, какие из этих факторов действительно имеют наибольшее значение? Авторы строят количественную модель, прослеживающую, как условия на земле и в воздухе сочетаются с технологией и поведением пилота, чтобы определить, будет ли полёт дрона безопасным, успешным или опасным для людей внизу.

Рассмотрение риска БПЛА как связанной системы

Большинство существующих инструментов безопасности рассматривают отказы дронов по отдельности — например, сломанный мотор или ошибка пилота. Такой подход затрудняет анализ современных сложных операций, где погода, правила, радиосигналы, программное обеспечение и корпоративное давление взаимно влияют друг на друга. В этом исследовании авторы используют байесовскую сеть — своего рода вероятностную карту причин и следствий — чтобы захватить эту сеть влияний. Они организуют двадцать ключевых факторов в три уровня. Первый уровень описывает исходные условия, такие как погода, рельеф, качество сигнала, культура безопасности в компании, подготовка пилота и сложность миссии. Второй уровень показывает, что может пойти не так в полёте: ненадёжное оборудование, программные сбои, потеря связи и плохая ситуационная осведомлённость и решения пилота. Третий уровень отслеживает итоговые последствия: потерю управления, достижение цели миссии и уровень риска для людей на земле.

Прослеживая цепочку от условий до последствий

Чтобы сделать модель практичной без огромных наборов данных, авторы используют упрощённый способ комбинирования рисков, предполагающий, что каждая причина независимо сдвигает шансы на отказ. Они задают базовые вероятности для исходных условий на основе отчётов об авариях, нормативов и отраслевых опросов, сознательно выбирая стрессовый сценарий — например, сложный городской рельеф с возможной плохой погодой — а не идеальный день. Затем они оценивают, насколько сильно каждый фактор обычно вызывает следующий. Например, сильная непогода и плохое техническое обслуживание снижают надежность силовой установки, тогда как слабая культура безопасности и низкий опыт пилота подрывают предполётные проверки и решения в полёте. В результате получается полная вероятностная картина, показывающая, как часто каждый элемент, вероятно, находится в неблагоприятном состоянии и как эти состояния каскадно ведут к потере управления и авариям.

Что модель говорит о реальных источниках риска

При стрессовом наборе условий модель даёт отрезвляющую картину: производительность пилота оказывается одной из основных уязвимостей — более половины полётов, по прогнозу, будут сопровождаться ошибочными решениями, и почти в половине случаев снизится ситуационная осведомлённость. Эти человеческие недостатки вместе с ухудшением навигации и связи делают событие потери управления тревожно вероятным. Но при более глубоком исследовании модели — при попытке выяснить, какие рычаги наиболее сильно изменяют шансы неблагоприятных исходов — проявляется другая картина. Во всех показателях: безопасности, успеха миссии и риска для третьих лиц доминируют два фактора: погода и рельеф. Сильная непогода и сложная, заполненная препятствиями среда постоянно оказываются главными движущими силами аварий, неудач миссий и рисков для людей на земле. Технические проблемы и опыт пилота по-прежнему имеют значение, но часто выступают усилителями экологического стресса, а не его первоисточником.

Почему успех миссии — не то же самое, что безопасность

Модель также показывает, что все плохие исходы разные. Полёт может оставаться физически безопасным, но при этом не выполнить свою задачу. Здесь особенно важную роль играет помеха сигналу — например, радиошум или нарушение спутниковой навигации. Это не всегда приводит к крушению, но может повреждать данные, нарушать управление полезной нагрузкой или вынуждать досрочный возврат, что подрывает успех миссии. Иными словами, защита людей и имущества недостаточна; операторы, заинтересованные в надёжной доставке или качественном сборе данных, также должны делать свои системы устойчивыми к тонким проблемам связи и навигации, особенно в плотной городской среде.

От реактивного полёта к более умному планированию

Для неспециалистов главное вытекающее сообщение простое: для дронов место и время полёта имеют ещё большее значение, чем сам аппарат. Исследование показывает, что осторожный выбор погодных окон, траекторий полёта и мест оперирования может снижать риск эффективнее, чем упование на героические действия в полёте или лишь на всё более сложные бортовые технологии. В то же время разные цели требуют разных мер предосторожности: безопасность диктует строгий фокус на экологических ограничениях и готовности пилота, тогда как успех миссии также зависит от защиты сигналов и связей. Превращая клубок факторов в ясную количественную карту, авторы предлагают регуляторам и операторам инструмент для приоритизации вложений и политик, делающих небо, заполненное дронами, и более безопасным, и более надёжным.

Цитирование: Wang, L., Zhu, M. & Li, N. A bayesian network approach for systemic risk analysis in unmanned aerial vehicle (UAV) operations. Sci Rep 16, 13546 (2026). https://doi.org/10.1038/s41598-026-43333-x

Ключевые слова: Безопасность БПЛА, Байесовские сети, системный риск, операции дронов, неблагоприятная погода