Bruker maskinlæring og radar for å oppdage droner i kompliserte urbane omgivelser (2024)

Bruker maskinlæring og radar for å oppdage droner i kompliserte urbane omgivelser (1)

Se, opp i himmelen! Det er en fugl! Det er et fly! Det er ... faktisk ganske enkelt for radar å se forskjellen. Flyvende romvesener fra Krypton til tross, det er rett og slett ikke mange ting som beveger seg gjennom den stort sett tomme, vidåpne himmelen som er like stor og rask som et fly.

Men hvis radarsignaler beveger seg ned fra skyene og inn i en bys gater, er det plutselig mange objekter som kan forveksles med hverandre. Med bare avstand, hastighet og retning å gå på, kan droner enkelt "gjemmes i lett syn" på radarskjermer blant sakte bevegelige biler, syklister, en person som jogger eller til og med spinnende blader på en klimaanlegg.

Etter hvert som droner blir mer populære og mer bekymringsfulle fra et sikkerhetssynspunkt, har mange prosjekter forsøkt å konstruere systemer for å oppdage dem. I løpet av sin tid som programleder for Defense Advanced Research Projects Agency (DARPA), Jeffrey Krolik, professor i elektrisk ogdatateknikkved Duke University, lanserte et slikt prosjekt kalt "Aerial Dragnet." Ved å bruke et nettverk av droner som svever over et bybilde eller et annet stort, utviklet område med behov for forsvar, ville flere typer sensorer kikke ned i byens kløfter og plukke ut eventuelle droner. Prosjektet har nylig avsluttet vellykket med en urban test i Rossyln, Virginia, men det gjenstår utfordringer med å skille droner fra urbant «rot».

Å bruke en flåte av vennlige droner for å finne fiendtlige droner er fornuftig i en setting for en militær enhet som prøver å sikre et bredt urbant område. Men i omgivelser der beskyttelse av et anleggsmiddel som en ambassade, sykehus eller leir er målet, kreves det et system som kan opprettholde en omkrets fra en sikker avstand. Nok en gang finansiert av DARPA, vender Krolik seg til radar,maskinlæringog spesialisert maskinvare for å lage et droneovervåkingssystem med tilstrekkelig rekkevidde til at droner kan oppdages og stoppes før de når et beskyttet område i en by.

"Det finnes systemer som kan oppdage signalene som brukes til å kontrollere hyllevare droner, men de har en tendens til å være ganske dyre og det finnes allerede kommersielle droner som kan flys autonomt uten radiokontroll i det hele tatt," sa Krolik. "Vi trenger deteksjonssystemer som kan oppdage disse tingene hvor og når de er i luften, uavhengig av hvordan de blir kontrollert."

Mens en datamaskin kan trenes til å se en drone visuelt, vil et optisk system ha en svært begrenset rekkevidde. En teleskoplinse kunne brukes, men da ville synsfeltet være sterkt begrenset. I stedet tyr Krolik til den samme teknologien som snudde tidevannet mot luftfiender i andre verdenskrig – radar. Men 1940-tallsteknologien får en oppgradering fra 2020-tallet ved hjelp av en type maskinlæring kalt Deep Neural Networks (DNN).

Undervisning i radargatesmart

Kroliks idé er å sette opp en radarantenne for å skanne området i bylandskapet under overvåking. I løpet av noen dager eller uker, i fravær av droner, trener DNN seg selv til å skille mellom biler, sykler, mennesker og andre objekter ved å lære kinematikken deres, sett på som "mikro-doppler" i radarens returer, også som veiene de tar beveger seg gjennom rommet.

Bruker maskinlæring og radar for å oppdage droner i kompliserte urbane omgivelser (2)

"De fleste systemene er designet i et laboratorium for å bli tatt ut i felten," sa Krolik. "Denne lærer av miljøet sitt, fordi det meste av tiden ikke er en drone der."

For eksempel følger biler generelt stier definert av veier. Og mens sykler og fotgjengere har mer variabel dynamikk, er mikro-Doppler-signaturene deres veldig karakteristiske. Over tid lærer algoritmen hvilke radarsignaler som er normale for et gitt rom, slik at når en drone flyr forbi, med propellbevegelse og bane som er veldig forskjellig fra det som vanligvis finnes i området, vil den utløse en alarm.

Så langt fungerer det. På Dukes campus har systemet klart å klassifisere droner kontra syklister, fotgjengere, biler og andre objekter 98 prosent av tiden.

For å være tydelig, så flyr ikke Krolik og teamet hans droner over campus til alle døgnets tider. I stedet trener de algoritmen for å lære den normale trafikken rundt Science Drive-parkeringshuset og samler separat inn data fra en drone som flyr i Duke Forrest. De satte deretter dataene sammen beregningsmessig og lot DNN gå på jobb med den resulterende mashupen.

Tilkobling av et nevralt nettverk

For hjelp med drone-spotting DNN-algoritmen henvendte Krolik seg til Helen Li, Clare Boothe Luce-professor i elektro- og datateknikk ved Duke. DNN-er fungerer i hovedsak ved å skyve et vindu over et bilde på en rutenett-lignende måte, bestemme hvilken funksjon som er til stede i hvert vindu, og sende den informasjonen videre til et nytt lag med data. Prosessen gjentar seg selv til bildet er destillert til sine mest grunnleggende funksjoner som lar programmet kategorisere det.

DNN-er er uunngåelig beregningsmessig tette programmer som kan binde opp en tradisjonell CPU i langt lengre tid enn et droneovervåkingssystem ville kreve. Algoritmen kan imidlertid økes ved å dele opp oppgavene i biter som kan behandles samtidig. Et vanlig valg for maskinvare for å takle denne utfordringen er Graphics Processing Units (GPUer), som er spesialiserte prosessorer som opprinnelig er designet for å akselerere grafikkgjengivelse som også er nyttig for maskinlæring, videoredigering og spillapplikasjoner.

Men alle som noen gang har kompilert en timelang video eller mistet oversikten over tidsspilling, vet at GPU-er produserer mye varme ved å forbruke mye strøm. For å gjøre dronedeteksjonssystemet deres mer effektivt, henvendte Li seg i stedet til Field Programmable Gate Arrays (FPGAs).

Bruker maskinlæring og radar for å oppdage droner i kompliserte urbane omgivelser (3)

"Selv om en GPU er superkraftig, er den også bortkastet," sa Li. "Vi kan i stedet lage en applikasjonsspesifikk design som er helt riktig for radarsignalbehandling."

Som navnet tilsier, kan FPGA-er utformes og redesignes for å behandle visse oppgaver mer effektivt ved å koble noe av beregningen inn i selve enheten. Dette gjør at informatikere kan være kirurgiske med hvor mye beregningskraft som skal gi hvert aspekt av algoritmen.

"En FPGA kan optimaliseres for en spesifikk nevrale nettverksmodeller uten å måtte støtte noen andre modeller i forskjellige konfigurasjoner og størrelser," fortsetter Li, som bidro til å starte trenden med å bruke FPGA-er for maskinlæringsapplikasjoner. "Og der typiske koder først må gå gjennom et operativsystem og kompilatorer før de når maskinvaren, implementerer vår tilnærming i hovedsak DNN-algoritmen direkte på FPGA-kortene."

Setter listen høyt

Resultatet er et system som ikke bare oppdager droner med 98 % nøyaktighet, men et system som også bruker 100 ganger mindre energi enn et lignende GPU-basert system ville gjort, samtidig som ytelsen og hastigheten som kreves for å fungere i sanntid, opprettholdes.

Krolik og Li synes resultatene så langt er lovende, og det synes DARPA også. Etter å ha fullført den første halv million-dollar-fasen av prosjektet og presentert resultatene, ble prosjektet finansiert for en andre halv million-dollar-bevilgning over ni måneder. Utfordringen deres over den lengre tidsperioden?

Fugler.

"Som det viser seg, når du bare ser på hastigheten og peilingen til et flygende objekt, kan en fugl se mye ut som endrone", sa Krolik. "Med hjelp fra ansatte ved Duke Gardens har vi samlet inn radardata om et bredt utvalg av fugler rundt hagens andedammen. Så langt har vår DNN-algoritme vært i stand til å skille fugler fra droner med over 97 % nøyaktighet. Nå må vi sette alt sammen for å oppdage droner kontra fugler, biler og fotgjengere i en virkelig urban setting. Det har vært veldig gøy å jobbe med Helen og resten av teamet, og vi har resten av sommeren til å finne ut av det."

Levert avDuke University School of Nursing

Sitering: Bruk av maskinlæring og radar for å oppdage droner i kompliserte urbane omgivelser (2021, 12. mai) hentet 29. juli 2023 fra https://techxplore.com/news/2021-05-machine-radar-drones-complicated-urban.html

Dette dokumentet er underlagt opphavsrett. Bortsett fra enhver rettferdig handel for formålet med private studier eller forskning, kan ingen del reproduseres uten skriftlig tillatelse. Innholdet er kun gitt for informasjonsformål.

Bruker maskinlæring og radar for å oppdage droner i kompliserte urbane omgivelser (2024)

FAQs

Hvordan oppdage en drone? ›

Akustiske sensorer kan være et bedre valg for å oppdage uønskede droner, ettersom de kan programmeres for å gjenkjenne lydsignaturene til bestemte dronetyper. RF-skannere kan fange droner ved å sjekke det elektromagnetiske spekteret: de gjenkjenner dronetransmisjoner.

Hvordan registrere drone? ›

For å fly drone i Norge må du registrere deg på flydrone.no. Her forklarer vi hvordan du registrerer deg. Unntak for registrering gjelder bare hvis du flyr en drone under 250 gram uten kamera eller hvis dronen er tydelig merket som leketøy. Gå til flydrone.no for å registrere deg og ta nettkurs og eksamen.

Er det lov å kjøre drone over privat eiendom? ›

Endringer i lovverk og regelverk kan ha skjedd etter den tid. Se spørsmål og svar som ligner for nyere spørsmål. Det er ikke noe forbud mot å fly drone over andres tomt/eiendom. Det gjelder også om dronen tar bilde eller film.

Kan du fly dronen din utenfor synsrekkevidde i åpen kategori? ›

I det nåværende regelverket kan man fly utenfor synsrekkevidde, det kan man ikke i åpen kategori fra nyttår, der er alle flyvninger VLOS. Dersom du vil fly utenfor synsrekkevidde må du i spesifikk kategori.

Kan drone spores? ›

Knut Roar Wiig i Nordic Unmanned bekrefter at droner generelt kan spores når de flyr, og for å finne piloten som opererer dronen.

Kan du fly i kontrollert luftrom som en CTR drone? ›

Droneoperatører vil komme i kontakt med kontrollert luftrom i forbindelse med kontrollsonene rundt de større flyplassene (CTR). Disse er avmerket på flykart. Det er viktig å forstå hva som er kontrollert luftrom siden det kreves en klarering (tillatelse fra flygeleder) for å fly inn i kontrollert luftrom.

Hvor mye koster det å registrere drone? ›

Dagens RO1-registrering koster 350 kroner i året.

Hvem må ha drone sertifikat? ›

16 år er aldersgrensen for å fly drone. Piloten kan være yngre hvis man har med seg en person som er 16 år eller eldre. Begge må ha bestått kurs og eksamen hvis dronen er tyngre enn 250 gram. Hvis dronen er under 250 gram trenger man ikke ha bestått kurs og eksamen.

Når må du ha drone sertifikat? ›

De fleste som skal fly drone må registrere seg hos Luftfartstilsynet. Du kan slippe unna registrering hvis dronen er under 250 gram og ikke har kamera, eller at den er CE-merket som leketøy. Så for alle praktiske formål kan du regne med å måtte registrere deg på flydrone.no, ta et nettkurs og en eksamen.

Hva er straffen for å fly drone? ›

Ulovlig droneflyging kan straffes med bøter inntil 12 000 kroner og eventuelt inndragning av drone, skrev politiet mandag kveld.

Hvem har ansvar for at en drone er forsikret? ›

Det er droneoperatøren/dronepiloten som er ansvarlig for at dronen hen opererer er forsikret med ansvarsforsikring. Droneforsikringen står på eieren av dronen, men følger dronen så lenge eieren har registrert dronen og kriteriene om forsikring er fulgt.

Hvor er det ulovlig å fly drone? ›

Som hovedregel er bruk av droner forbudt i nasjonalparkene og de store landskapsvernområdene. Dette er både av hensyn til dyrelivet, og av hensyn til friluftsliv og forstyrrelser. Reglene om droner i verneområder skiller ikke mellom flygning for rekreasjon/hobby eller kommersielt bruk.

Kan man fly drone i mørket? ›

Skal du fly når det er mørkt ute, må dronen være utstyrt med et grønt blinkende lys. Piloten skal påse at dette er aktivert under flyging, og det skal være synlig fra bakken. Det grønne lyse synliggjør at det er en drone og ikke et bemannet luftfarttøy.

Hvor mye vind tåler drone? ›

Dronen løfter seg til en maksimal høyde på 4000 meter og tåler vind på opptil ti meter per sekund, slik at bildene dine er stabile selv når du flyr langs en vindfull kyst eller høyt over en alpin skog.

Hvor mye tjener en Dronepilot? ›

– Startlønnen for en fersk pilot er 540 000 kroner i året.

Hva er reglene for drone? ›

De fleste som skal fly drone må registrere seg hos Luftfartstilsynet. Du kan slippe unna registrering hvis dronen er under 250 gram og ikke har kamera, eller at den er CE-merket som leketøy. Så for alle praktiske formål kan du regne med å måtte registrere deg på flydrone.no, ta et nettkurs og en eksamen.

Hva er definisjonen på en drone? ›

Drone er et ubemannet luftfartøy som kan kontrolleres med fjernstyring eller fly autonomt ved hjelp av programvare, sensorer og GPS. Droner finnes i størrelser fra små personlige droner (PRS) eller Nano-UAV-er (UAV = «Unmanned Air/Aerial Vehicle») til fly med vingespenn på over 40 meter.

Hva er spesifikk kategori drone? ›

Spesifikk er en operatørkategori som dekker droneflyging med middels risiko. Kategorien tillater blant annet flyging utenfor synsrekkevidde (BVLOS) og flying over 120 m. Dersom man ikke kan operere i samsvar regelverket i åpen kategori, vil man mest trolig havne i denne kategorien.

Hva innebærer C merkingen på dronen? ›

Droner opp til 25 kg kan flys i underkategori A3. De fleste dronene skal fram til da være C-merket. Droner merket med C0 og C1 kan flys i A1, C2 kan flys i A2 og C3 og C4 kan flys i A3. Hvis du ikke kan fly i åpen kategori, kan du søke om å fly i spesifikk kategori med en gammel drone.

References

Top Articles
Latest Posts
Article information

Author: Corie Satterfield

Last Updated:

Views: 5883

Rating: 4.1 / 5 (42 voted)

Reviews: 89% of readers found this page helpful

Author information

Name: Corie Satterfield

Birthday: 1992-08-19

Address: 850 Benjamin Bridge, Dickinsonchester, CO 68572-0542

Phone: +26813599986666

Job: Sales Manager

Hobby: Table tennis, Soapmaking, Flower arranging, amateur radio, Rock climbing, scrapbook, Horseback riding

Introduction: My name is Corie Satterfield, I am a fancy, perfect, spotless, quaint, fantastic, funny, lucky person who loves writing and wants to share my knowledge and understanding with you.