Შეძლებს თუ არა დრონების დეტექტორები სწორად იდენტიფიცირებას FPV უკაბელო ავიატრანსპორტის (UAV) მოწყობილობებს?

Რატომ წარმოადგენენ FPV უპილოტო ავიატრანსპორტები ტრადიციული დრონების დეტექტორებისთვის გამოწვევას?

Უმეტესობა სტანდარტული დრონების აღმოჩენის სისტემებისთვის ძნელია პირველი პირის ხედვის (FPV) უფრენი აპარატების აღმოჩენა, რადგან ისინი სხვა საჰაერო საშუალებებისგან ძალიან განსხვავდებიან მათი მუშაობის პრინციპით. ეს პატარა მანქანები სწრაფად მოძრაობენ მიწის ზედაპირის მიდამოში, ჩვეულებრივ 50 მეტრზე ნაკლებ სიმაღლეზე რომლის გამოც ხეები, შენობები და სხვა ურბანული ელემენტები ხშირად აფერხებენ რადარის სიგნალებს. მათი აღმოჩენას კიდევე უფრო რთულად აქცევს ის ფაქტი, რომ ოპერატორები არ იყენებენ ჩვეულებრივ GPS სისტემებს ან კომუნიკაციის მოდულებს, რომლებსაც უმეტესობა დეტექტორები ძიებენ. FPV დრონები ხშირად სწრაფად მოძრაობენ, 0-დან 100 კმ/სთ-მდე აჩქარების მიღწევა 2 წამზე ნაკლებ დროში ხდება და უცებ მოხვევებს ასრულებენ, რაც თითქოს ფრინველების მოძრაობას აიმიტირებს ან შეიძლება შერევის ხმაში ჩაიფაროს. რადიოსიხშირის დეტექტორები ხშირად ვერ ართმევენ მოძრაობას, როდესაც პილოტები სწრაფად ცვლიან სიხშირეს, ხოლო კამერებიც არ არის განსაკუთრებით ეფექტური, რადგან ისინი განსაკუთრებით რთულად მუშაობენ ღამით ან როდესაც რამე ხელს უშლის ხედვას. ამ ფაქტორების ერთად მოქმედება ნიშნავს, რომ ამჟამინდელი აღმოჩენის მეთოდებში არსებობს დიდი სიცარიელეები. კვლევები აჩვენებს, რომ არსებული ტექნოლოგიები დაახლოებით 70% FPV დრონს ვერ აღმოაჩენენ სირთულეებით დატვირთულ პირობებში, მაგალითად ქალაქებში ან სამრეწველო ზონებში.

Როგორ აუმჯობესებს მიმართული დრონების დეტექტორები FPV-ის იდენტიფიკაციის სიზუსტეს

Მრავალრეჟიმიანი შეგრძნება: ვიზუალური, თერმული და RF მონაცემების გაერთიანება მიმართული დეტექციის სიმტკიცის მისაღებად

Თანამედროვე დრონების აღმოჩენის სისტემები არ ყოფნის ერთი ტიპის სენსორზე დამოკიდებულების პრობლემებს ამოხსნის მიზნით ერთდროულად იყენებენ ჩვეულებრივ კამერებს, თერმული გამოსახულების ტექნოლოგიას და რადიოსიხშირის სკანირებას. დღეს, ჩვეულებრივი კამერები დეტალურ სურათებს იღებენ, რათა ფორმებისა და ზომების ამოცნობარობა შეძლეს. თერმული კამერები დრონების ძრავებისა და ბატარეების გამოყოფილი სითბო აღიმოჩენენ, რაც მნიშვნელოვანია, რადგან არასამართლიანი დრონების ფრენების თითქმის სამი მეოთხედი ხდება ხილვადობის დაბალი დონის პირობებში, რაც მისახვედრად მიიღება განსაკუთრებით გასული წლის უკანასკნელი DHS-ის ანგარიში. ამავე დროს, ეს სისტემები პირველი პირის ხედის (FPV) კონფიგურაციების სპეციფიკურ რადიოსიხშირის სიგნალებს სკანირებენ, რათა უსაფრთხოების სპეციალისტებს დაეხმაროს დრონების ოპერატორების დამალული ადგილების დადგენაში. ამ სხვადასხვა გამოსახულების მეთოდების ერთდროულად გამოყენება სისტემას საშუალებას აძლევს ერთდროულად რამდენიმე საშუალებით დრონების აღმოჩენას, რაც შემცირებს დაგავიწყებული აღმოჩენების რაოდენობას თითქმის ნახევარით ძველი, ერთი სენსორის მქონე მიდგომებთან შედარებით. ამასთან, მაშინაც კი, როდესაც ხედის ხაზი დაბლოკილია — მაგალითად, როდესაც დრონი შენობის უკან ფრინავს — სისტემა მაინც უწყობს მონიტორინგს, ადრე დაფიქსირებული რადიოსიგნალების და თერმული კითხვების შედარების საშუალებით.

Ხელოვნური ინტელექტით დაფუძნებული კლასიფიკაცია: FPV-სპეციფიკური ფრენის დინამიკაზე განათლებული ღრმა სწავლების მოდელები

ML ალგორითმები ამცირებენ FPV-ების აღმოჩენის სიზუსტეს, მათი უნიკალური მოძრაობის მოდელების ანალიზის საშუალებით. კომერციული დრონები არ მოძრაობენ ამ ტიპის მოწყობილობების მსგავსად. FPV-ები შეძლებენ 60 მფჰ (96.6 км/სთ) სიჩქარის მიღწევას 1,5 წამზე ნაკლებ დროში, შეძლებენ მიუხედავად ვერტიკალური ლუპების შესრულებას და 15 მეტრზე დაბალ სიმაღლეზე ბარიერებს შორის მოძრაობას. ამ მოქმედებები უკვე დაფიქსირებულია საინდუსტრიო სტანდარტულ საფრთხის მონაცემთა ბაზებში. ამ ტექნოლოგიის ძირში მდებარეობს კონვოლუციური ნეირონული ქსელები, რომლებიც მუშაობენ ცხოვრებაში მიმდინარე სენსორული მონაცემებით და იყენებენ ასე წოდებულ AttnYOLO არქიტექტურას. საესენციალოდ, ისინი განსაკუთრებით აკენტებენ არაჩვეულებრივ მოძრაობას, სურათის სხვადასხვა ნაკვეთს სხვადასხვა წონით შეფასების საშუალებით. ამ მოდელების მოსწავლება მრავალი მონაცემის მოთხოვნას იწვევს. ჩვენ გამოვიყენეთ 20 000-ზე მეტი სხვადასხვა ფრენის სიტუაციის შემცველი მონაცემთა სეტები, ხოლო შედეგები თავისთავად საკმარისად მოწმობენ ეფექტურობას: ღრუბლების გარეშე ამოცნობიერების სიზუსტე შეადგენს დაახლოებით 98,8 %-ს, ხოლო სიგნალების დაბინძურების ან დრონის ნაკლებად ხილვადი ნაკვეთების შემთხვევაში ეს მაჩვენებელი მხოლოდ 96,2 %-მდე ეშვება. ამ სისტემის განსაკუთრებული განსაკუთრებულობა იმ ფაქტში მდებარეობს, რომ ის თავისთავად განახლებს და გამოსწორებს თავის შესაძლებლობებს ასე წოდებული ფედერაციული სწავლების (federated learning) საშუალებით. არ არის საჭიროება მანუალურად შევცვალოთ პარამეტრები ყოველთვის, როცა FPV-ები ცვლიან თავისი ტაქტიკას. ეს მთლიანი მიდგომა ჩვეულებრივ დრონების გამომძიებელ მოწყობილობებს აქტიურ საფრთხის შეფასების სისტემებად აქცევს, არ არის უბრალოდ დაკვირვების საშუალება.

FPV-შესაძლებლობის მქონე დრონების გამოვლენის რეალური ექსპლუატაციური ზღვარი

Გარემოსა და საზღვრული შეზღუდვები: დაბალი განათება, დაფარულობა და რეალური დროის გადატანის კომპრომისები

Უფრო მაღალი დონის FPV-შესაძლებლობის მქონე დეტექტორები ჯერ კიდევა განიცდიან მნიშვნელოვან ექსპლუატაციურ შეზღუდვებს წინასწარ გაუთვალისწინებელ პირობებში გამოყენების დროს. ვიზუალური დასტურის მისაღებად ჩვენ რომელ საოპტიკო სენსორებზე ვიყენებთ დამოკიდებულებას, ისინი უბრალოდ არ მუშაობენ კარგად დაბალი განათების პირობებში ან როდესაც რამე ხელს უშლის ხედვის ხაზს. თერმული სურათგადაღება დახმარებას აძლევს ღამით, მაგრამ სრულად არ შეძლებს მყარი ობიექტების გამოყენებით მიზნის დრონის ხედვას. რადიოსიგნალების (RF) დეტექცია დაიშლება ქალაქებში ყველგან არსებული სიგნალების გამო, ხოლო რადარი უბრალოდ არ აღიქვამს 250 გრამზე მსუბუქ დრონებს. ასევე არსებობს რეალური დროის დამუშავების პრობლემა. მიუხედავად იმისა, რომ საკმაოდ რთული AI სისტემები რეაგირების დროს შეამცირებენ 2–5 წამამდე, მათ სჭირდება ძლიერი სასაზღვრო კომპიუტერული აღჭურვილობა, რომელიც უმეტეს შემთხვევაში არ არის შესაძლებელი პორტატული ან ბატარეით მოძრავი მოწყობილობებისთვის. ამ ერთმანეთთან დაკავშირებული პრობლემების გამო დღეს არსებული არც ერთი დრონის დეტექტორი ვერ აღწევს 100%-იან სრულყოფილ შედეგს FPV-ის იდენტიფიკაციაში ფაქტობრივ საველე პირობებში. ამიტომ გონიერი უსაფრთხოების სპეციალისტები იციან, რომ მათ სჭირდებათ დაცულობის რამდენიმე ფენა, რომელიც სხვადასხვა სიტუაციას შეესატყოვნება, არ არის გამართლებული ყველა იმედი ერთი ტექნოლოგიური ამონახსნის გამოყენებაზე დაყოფა.

Ხშირად დასმული კითხვები

Რატომ არის FPV უპილოტო ავიატრანსპორტის საშუალებების გამოვლენა რთული?

FPV უპილოტო ავიატრანსპორტის საშუალებების გამოვლენა რთულია, რადგან ისინი ფუნქციონირებენ დაბალ სიმაღლეზე, მათ აქვთ სწრაფი და არეული მოძრაობა და ხშირად არ იყენებენ ჩვეულებრივ GPS-ს ან კომუნიკაციის სისტემებს.

Როგორ აუმჯობესებენ მოწინავე დრონების გამოვლენის საშუალებები სიზუსტეს?

Მოწინავე დრონების გამოვლენის საშუალებები იყენებენ ვიზუალური, თერმული და რადიოსიხშირის სენსორების კომბინაციას და AI-ს მიერ მოწყობილი კლასიფიკაციას გამოვლენის სიზუსტის აუმჯობესებლად.

Რა შეზღუდვები აქვს ამჟამინდელ FPV-შესაძლებლობის მქონე დრონების გამოვლენის საშუალებებს?

Ამჟამინდელი FPV-შესაძლებლობის მქონე გამოვლენის საშუალებები ხელახლა აწყდებიან რამდენიმე გამოწვევას, მათ შორის დაბალი განათების პირობები, დაფარვა, რადიოსიხშირის შეფერხება და სჭირდება ძლიერი რეალური დროის დამუშავების აპარატურა.