Оцінка ризиків ШІ-моделей геопросторового сприйняття для моніторингу об’єктів критичної енергетичної інфраструктури за допомогою роїв БпЛА

О. А. Кравчук; А. О. Тарановський; Д. П. Сінько; Г. О. Кравцов; В. Д. Самойлов

doi:10.32918/nrs.2026.2(110).07

Автор(и)

О. А. Кравчук Інститут проблем моделювання в енергетиці ім. Г. Є. Пухова НАН України, м. Київ, Україна https://orcid.org/0009-0000-6519-0333
А. О. Тарановський Інститут проблем моделювання в енергетиці ім. Г. Є. Пухова НАН України, м. Київ, Україна https://orcid.org/0009-0005-5052-8895
Д. П. Сінько Інститут проблем моделювання в енергетиці ім. Г. Є. Пухова НАН України, м. Київ, Україна https://orcid.org/0009-0009-5240-3235
Г. О. Кравцов Інститут проблем моделювання в енергетиці ім. Г. Є. Пухова НАН України, м. Київ, Україна https://orcid.org/0000-0003-1915-4897
В. Д. Самойлов Інститут проблем моделювання в енергетиці ім. Г. Є. Пухова НАН України, м. Київ, Україна https://orcid.org/0000-0001-9966-6467

DOI:

https://doi.org/10.32918/nrs.2026.2(110).07

Ключові слова:

ШІ-моделі геопросторового сприйняття, оцінка ризиків, рої БпЛА, мультиагентні системи, моніторинг інфраструктури, атомні електростанції, критична інфраструктура, метод аналізу ієрархій

Анотація

У статті розглянуто ключові аспекти оцінки ризиків під час підготовки та навчання моделей геопросторового сприйняття на основі штучного інтелекту (ШІ) в роях БпЛА, що застосовуються для моніторингу об’єктів критичної енергетичної інфраструктури і функціонують у складних геопросторових умовах. Відсутність формалізованої системи оцінки ризиків підвищує невизначеність на етапах проєктування, розгортання та експлуатації ШІ-моделей геопросторового сприйняття, які використовуються в мультиагентних ройових системах. У статті запропоновано методологічний підхід до класифікації ризиків протягом усього їхнього життєвого циклу , включно з етапами відбору та аналізу знань, навчання моделі й експлуатації. Підхід поєднує людські та технологічні чинники й передбачає використання методу аналізу ієрархій для визначення відносної значущості ризиків. Особливу увагу приділено здатності сучасних мультимодальних ШІ-систем загального призначення інтерпретувати графічні представлення геопросторових об’єктів, релевантних для моніторингу інфраструктури з використанням роїв БпЛА. Експерименти показали, що семантичне розпізнавання сцен загалом є надійним, однак просторово-геометрична реконструкція та формалізоване оцінювання невизначеності залишаються обмеженими. Отримані результати свідчать, що технологічні ризики етапу експлуатації, зокрема пов’язані з поширенням помилок у мультиагентних сценаріях функціонування роїв БпЛА, домінують у загальному профілі ризиків. Запропонована методологія формує основу для системного управління ризиками впродовж усього життєвого циклу ШІ-моделей геопросторового сприйняття у разі їх застосуванні для моніторингу об’єктів критичної енергетичної інфраструктури за допомогою роїв БпЛА, а також визначає специфіку, аспекти безпеки та обмеження їх застосування на атомних електростанціях.

Завантаження

Дані завантаження ще не доступні.

Посилання

1. Brambilla, M., Ferrante, E., Birattari, M., & Dorigo, M. (2013). Swarm robotics: A review from the swarm engineering perspective. Swarm Intelligence, 7(1), 1–41. https://doi.org/10.1007/s11721-012-0075-2.

2. Kravchuk, O. A., & Samoilov, V. D. (2024). Overview of swarm systems’ anatomy. Interaction problem. Èlektronnoe Modelirovanie, 46(2), 101–121. https://doi.org/10.15407/emodel.46.02.101.

3. Kravchuk, O. A., & Samoilov, V. D. (2024). Application of artificial intelligence for swarm systems management. Èlektronnoe modelirovanie, 46(6), 29–42. https://doi.org/10.15407/emodel.46.06.029.

4. Jae Jin, I., Yeong Lim, D., & Cheol Bang, I. (2023). Development of fault diagnosis for nuclear power plant using deep learning and infrared sensor equipped UAV. Annals of Nuclear Energy, 181, 109577. https://doi.org/10.1016/j.anucene.2022.109577.

5. National Institute of Standards and Technology (US). (2024). Artificial intelligence risk management framework: Generative artificial intelligence profile. National Institute of Standards and Technology (U.S.). https://doi.org/10.6028/NIST.AI.600-1.

6. Chang, Y., Cheng, Y., Manzoor, U., & Murray, J. (2023). A review of UAV autonomous navigation in GPS-denied environments. Robotics and Autonomous Systems, 170, 104533. https://doi.org/10.1016/j.robot.2023.104533.

7. Lu, Y., Xue, Z., Xia, G.-S., & Zhang, L. (2018). A survey on vision-based UAV navigation. Geo-Spatial Information Science, 21(1), 21–32. https://doi.org/10.1080/10095020.2017.1420509

8. Al-Kaff, A., Martín, D., García, F., Escalera, A. D. L., & María Armingol, J. (2018). Survey of computer vision algorithms and applications for unmanned aerial vehicles. Expert Systems with Applications, 92, 447–463. https://doi.org/10.1016/j.eswa.2017.09.033.

9. Wang, R., Ma, L., He, G., Johnson, B., Yan, Z., Chang, M., & Liang, Y. (2024). Transformers for remote sensing: A systematic review and analysis. Sensors, 24(11), 3495. https://doi.org/10.3390/s24113495.

10. Aleissaee, A. A., Kumar, A., Anwer, R. M., Khan, S., Cholakkal, H., Xia, G.-S., & Khan, F. S. (2023). Transformers in remote sensing: A survey. Remote Sensing, 15(7), 1860. https://doi.org/10.3390/rs15071860.

11. Katkuri, A. V. R., Madan, H., Khatri, N., Abdul-Qawy, A. S. H., & Patnaik, K. S. (2024). Autonomous UAV navigation using deep learning-based computer vision frameworks: A systematic literature review. Array, 23, 100361. https://doi.org/10.1016/j.array.2024.100361.

12. Wang, Z. (2024). Sensitivities and where to find them: Domain shift robustness, attacks, and training variations in visual learning [Delft University of Technology]. https://doi.org/10.4233/uuid:21e5b9c2-3e58-495c-881c-634e67ebe645.

13. Sinko, D. P., & Sinko, K. D. (2025). Analysis of the applicability of machine learning methods in solving the problem of predicting the implementation of cluster batching factors. Èlektronnoe Modelirovanie, 47(1), 22–39. https://doi.org/10.15407/emodel.47.01.022.

14. Lyu, S., Zhao, Q., Zhou, Z., Li, M., Zhou, Y., Yao, D., Cheng, G., Zhou, H., & Shi, Z. (2025). Deep Learning Based Domain Adaptation Methods in Remote Sensing: A Comprehensive Survey (arXiv:2510.15615). arXiv. https://doi.org/10.48550/arXiv.2510.15615.

15. Cao, K., Wang, S., Wei, Z., Chen, K., Chang, R., & Xu, F. (2024). Unsupervised Domain adaptation semantic segmentation of remote sensing imagery with scene covariance alignment. Electronics, 13(24), 5022. https://doi.org/10.3390/electronics13245022.

16. Wang, Y., Wen, R., Ishii, H., & Ohya, J. (2025). Multi-Weather DomainShifter: A comprehensive multi-weather transfer LLM agent for handling domain shift in aerial image processing. Journal of Imaging, 11(11), 395. https://doi.org/10.3390/jimaging11110395.

17. Tabassi, E. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0) (NIST AI 100-1; p. NIST AI 100-1). National Institute of Standards and Technology (U.S.). https://doi.org/10.6028/NIST.AI.100-1.

18. Sui, P., Duede, E., Wu, S., & So, R. J. (2024). Confabulation: The Surprising Value of Large Language Model Hallucinations (arXiv:2406.04175). arXiv. https://doi.org/10.48550/arXiv.2406.04175.

19. Huang, L., Yu, W., Ma, W., Zhong, W., Feng, Z., Wang, H., Chen, Q., Peng, W., Feng, X., Qin, B., & Liu, T. (2025). A survey on hallucination in large language models: Principles, taxonomy, challenges, and open questions. ACM Transactions on Information Systems, 43(2), 1–55. https://doi.org/10.1145/3703155.

20. Kayhan, O. S., Vredebregt, B., & Gemert, J. C. van. (2021). Hallucination In object detection—A study in visual part verification (arXiv:2106.02523). arXiv. https://doi.org/10.48550/arXiv.2106.02523.

21. Lu, H., Su, Y., Zhang, X., Gao, L., Xue, Y., & Wang, L. (2025). VisHall3D: Monocular semantic scene completion from reconstructing the visible regions to hallucinating the invisible regions (arXiv:2507.19188). arXiv. https://doi.org/10.48550/arXiv.2507.19188.

22. Nahavandi, S., Alizadehsani, R., Nahavandi, D., Mohamed, S., Mohajer, N., Rokonuzzaman, M., & Hossain, I. (2025). A Comprehensive Review on Autonomous Navigation. ACM Computing Surveys, 57(9), 1–67. https://doi.org/10.1145/3727642.

23. Kondo, K., Tewari, C. T., Tagliabue, A., Tordesillas, J., Lusk, P. C., Peterson, M. B., & How, J. P. (2025). PRIMER: Perception-aware robust learning-based multiagent trajectory planner. https://doi.org/10.48550/arXiv.2406.10060.

24. Liu, H., Xue, W., Chen, Y., Chen, D., Zhao, X., Wang, K., Hou, L., Li, R., & Peng, W. (2024). A Survey on Hallucination in Large Vision-Language Models (arXiv:2402.00253). arXiv. https://doi.org/10.48550/arXiv.2402.00253.

25. Saaty, T. L. (2008). Decision making with the analytic hierarchy process. International Journal of Services Sciences, 1(1), 83. https://doi.org/10.1504/IJSSCI.2008.017590.

26. Saaty, T. L. (1990). How to make a decision: The analytic hierarchy process. European Journal of Operational Research, 48(1), 9–26. https://doi.org/10.1016/0377-2217(90)90057-I.

27. Google. (N.d.). Gemini (product overview). (n.d.). Retrieved February 23, 2026, from https://gemini.google/about.

28. OpenAI. (n.d.). ChatGPT (product overview / model access context). (n.d.). Retrieved February 23, 2026, from https://openai.com/chatgpt/overview.

29. Microsoft. (N.d.). Copilot in Microsoft Edge (product overview). (n.d.). Retrieved February 23, 2026, from https://www.microsoft.com/edge/features/copilot.

30. xAI. (n.d.). Grok (product overview). (n.d.). Retrieved February 23, 2026, from https://x.ai/grok.

31. Perplexity. (N.d.). Perplexity AI (product overview). (n.d.). Retrieved February 23, 2026, from https://www.perplexity.ai.

32. Kravchuk, O. (2026). Swarm-ai-risks-assessment: Experimental artifacts for “Risk Assessment of AI-Based Geospatial Perception Models in Swarm UAV Systems”. GitHub repository. https://github.com/oleksandrkravchukatpimee/swarm-ai-risks-assessment.