| 21 мая 2021 г. — 9:28 PT
Обнаружение дронов в густонаселенных городских центрах представляет серьезные проблемы – когда это не полное невозможно. Но один исследователь из Университета Дьюка думает, что он на пути к решению этой проблемы, сочетая старую радарную технологию с самообучающимися компьютерами.
Определение потенциальных угроз безопасности городов со стороны дронов
Радар хорошо справляется с идентификацией самолетов в воздухе и отличием их от, скажем, дельтапланов. То же самое касается дружественных самолетов от вражеских. Напротив, он начинает испытывать трудности, когда направлен вниз, на оживленные городские улицы. Он неплохо справляется с автомобилями и автобусами, но если добавить к этому бегунов, скейтбордистов или велосипедистов, движущихся с нерегулярными траекториями и скоростями, ситуация становится запутанной.
Тем временем дроны могут выглядеть как стационарные объекты или вращающиеся лопасти вентиляторов кондиционеров среди этого визуального хаоса. Не выделяясь, они как бы становятся невидимыми для технологий наблюдения. И это представляло бы проблему безопасности, если бы кто-то решил использовать летательный аппарат в деструктивных целях.
Так почему бы не использовать сети дружественных дронов с улучшенным ИИ для обнаружения потенциально враждебных аппаратов? Это уже делалось раньше, но такой подход обычно ограничивается относительно небольшой зоной или одним охраняемым объектом. Расширение обнаружения на широкие городские территории оказывается гораздо сложнее.
Вот тут-то и появляется профессор электротехники и компьютерной инженерии Университета Дьюка Джеффри Кролик. Он разрабатывает систему, способную обнаруживать активность дронов на значительно широкой территории, используя радар и программу машинного обучения Deep Neural Networks (DNN).
Главный трюк, по его словам, заключается в том, чтобы сначала научить компьютеры идентифицировать и различать различные объекты, обычно присутствующие в зоне, предназначенной для защиты, чтобы потом они могли быть сбиты с толку при появлении дронов.
Ошибочное определение дронов и птиц
Кролик проводил испытания на территории кампуса Дьюка в местах, где изначально дроны отсутствовали. Радарные данные поступают в компьютер, позволяя программе DNN изучать кинематику обнаруженных объектов. Их так называемые микро-доплеровские сигнатуры и отличительные траектории позволяют компьютерам в конечном итоге их различать. Например, автомобили обычно движутся по дорогам с постоянной скоростью, в то время как велосипеды и люди движутся более разнообразно, но характерно.
Как только компьютер с DNN сохранил базу данных обычных объектов, вводится дрон, который программа немедленно распознает и сигнализирует об аномалии. До сих пор компьютер с 98%-ной точностью отделял дроны от всего остального.
«Большинство систем разрабатываются в лаборатории для использования в полевых условиях», — рассказал Кролик Wral TechWire. «Эта система учится на своей среде, потому что большую часть времени дрона там нет».
Следующая проблема, с которой столкнулся Кролик, заключалась в том, что, при взгляде через скорость и направление радарного сигнала, птицы могли выглядеть очень похоже на дроны. Это означало, что пришлось вернуться к чертежной доске, изучая пернатых, и позволить DNN занести различные виды птиц в базу данных компьютера. После того, как это было сделано, Кролик снова представил дронов на сцене как заметное отклонение.
До сих пор машины сумели отличить эти два типа летающих тел с 97%-ной точностью. Однако менее ясно, могут ли компьютеры отличить малиновку от воробья по их пению.
Фото: Университет Дьюка