Машинное обучение помогает идентифицировать беспилотные летающие объекты

Это птица? Самолет? Или это дистанционно управляемый квадрокоптер, проводящий наблюдение? Людям-наблюдателям не придется угадывать — теперь, когда есть сверхчеловеческий искусственный интеллект, способный отличить дроны от других летающих объектов. Автоматизированная бдительность, благодаря компьютерному обучению, дала полиции и другим агентствам задачу обеспечения безопасности важной контрмерой, чтобы помочь им идти в ногу с роями новых беспилотных летательных аппаратов.

За последние несколько лет проблема безопасности только выросла: миллионы людей купили потребительские беспилотные летательные аппараты и иногда переправляли их в районы, где они представляют опасность для толпы на земле или более крупных воздушных судах в небе. Готовые беспилотные летательные аппараты также стали доступным и опасным оружием для исламского государства и других боевых групп в районах, раздираемых войной, таких как Ирак и Сирия.

Необходимость отслеживать и, возможно, уничтожать этих летающих злоумышленников породила рынок антидрон, который предположительно будет стоить около 2 млрд. Долл. США к середине 2020-х годов. Львиная доля этого маршрута, вероятно, пойдет в компании, которые могут наилучшим образом использовать возможности машинного обучения ИИ на основе нейронных сетей.

Но большая часть антидронной индустрии по-прежнему отстает от остальной части технологического сектора в эффективном использовании ИИ машинного обучения, говорит Дэвид Ромеро, основатель и управляющий партнер Black Sage Technologies, базирующийся в Бойсе, штат Айдахо. «С машинным обучением 90% работы выясняет, как сделать ее настолько простой, чтобы клиент не знал, как работает машинное обучение», — говорит Ромеро. «Многие компании делают это хорошо, но не в оборонном сообществе».

Он и Росс Лам, его соучредитель Black Sage, готовы воспользоваться этим открытием для желающих взять на себя гигантов оборонной промышленности. Сначала они сотрудничали в проекте, который разработал алгоритмы машинного обучения для автоматического обнаружения оленей на автомобильных дорогах на основе данных радара и инфракрасной камеры. В конце концов они поняли, что тот же подход может помочь обнаружить беспилотные летательные аппараты и другие неизвестные летающие объекты.

С момента запуска самофинансируемого запуска в 2015 году он выиграл несколько контрактов от правительства Соединенных Штатов, в том числе для вооруженных сил США, развернутых в Ираке и Афганистане, и от союзников США.

Ромеро говорит, что довольно просто применить машинное обучение к задаче автоматического обнаружения и классификации летающих объектов. Радиолокационные и инфракрасные камеры системы фиксируют информацию о скорости, размере, высоте и т. д. неидентифицированного летательного аппарата. Затем оператор-человек помогает обучать алгоритмы машинного обучения, положительно идентифицируя определенные классы дронов (ротор или неподвижное крыло), а также другие объекты, такие как птицы или пилотируемые самолеты. Для доказательства того, что он хорошо изучил свои уроки, ИИ проверяется против 20% позитивно идентифицированного набора данных — части, зарезервированной специально для перекрестной проверки.

Другая компания под названием Dedrone, первоначально основанная в Касселе, Германия, но в настоящее время штаб-квартира которой находится в Сан-Франциско, использует аналогичный подход. Когда система Dedrone устанавливается на новом сайте, люди подписывают незнакомые объекты как часть учебного процесса, который также обновляет запатентованную библиотеку DroneDNA компании. С момента своего запуска в 2014 году программное обеспечение Dedrone для машинного обучения помогло защитить события и места, такие как президентские дебаты Клинтона-Трампа, Всемирный экономический форум и CitiField, где находится бейсбольная команда New York Mets.

«Каждый раз, когда мы обновляем DroneDNA, мы обрабатываем более 250 миллионов различных изображений беспилотных летательных аппаратов, самолетов, птиц и других объектов», — говорит Майкл Дылбалла, директор по технологиям Dedrone. «За последние восемь месяцев мы аннотировали 3 миллиона изображений дронов».

Несмотря на то, что автоматизированные системы обнаружения Black Sage и Dedrone, как говорят, способны работать без помощи человека после их соответствующих этапов обучения. Такая осторожность важна на таких объектах, как аэропорты, где точность обнаружения дронов более 90 процентов по-прежнему означает случайную ложную тревогу или случай ошибочной идентификации. Тем не менее, способность интерпретировать человека может лишь дополнять непрерывную бдительность, которую системы ИИ должны будут обеспечить, поскольку количество дронов продолжает расти.