Utilizzo dell’apprendimento automatico e del radar per rilevare i droni in complicati ambienti urbani

Gli ingegneri utilizzano l'apprendimento automatico e il radar per rilevare i droni in complicati ambienti urbani
I ricercatori lavorano per addestrare un algoritmo di intelligenza artificiale sull’aspetto degli uccelli al radar nei Duke Gardens. Credito: Duke University

Guarda, in cielo! È un uccello! È un aereo! È davvero abbastanza facile per i radar dire la differenza. Nonostante gli alieni volanti da Krypton, semplicemente non ci sono molte cose che si muovono attraverso i cieli per lo più vuoti e spalancati che sono grandi e veloci come un aeroplano.

Ma se i segnali radar si spostano dalle nuvole e nelle strade di una città, improvvisamente ci sono molti oggetti che possono essere scambiati l’uno per l’altro. Con solo distanza, velocità e direzione da percorrere, i droni possono essere facilmente “nascosti in bella vista” sui display radar tra auto che si muovono lentamente, ciclisti, una persona che fa jogging o persino le pale rotanti di un condizionatore d’aria.

Man mano che i droni diventano più popolari e più preoccupanti dal punto di vista della sicurezza, molti progetti hanno cercato di progettare sistemi per individuarli. Durante il suo periodo come responsabile del programma della Defense Advanced Research Projects Agency (DARPA), Jeffrey Krolik, professore di ingegneria elettrica e informatica alla Duke University, ha lanciato uno di questi progetti chiamato “Aerial Dragnet”. Utilizzando una rete di droni in bilico sopra un paesaggio urbano o un’altra vasta area sviluppata che necessita di difesa, più tipi di sensori scruterebbero i canyon della città e rileverebbero eventuali droni. Il progetto si è recentemente concluso con successo con un test urbano a Rossyln, in Virginia, ma permangono sfide nel discriminare i droni dal “disordine” urbano.

L’uso di una flotta di droni amici per trovare i droni nemici ha senso in un ambiente per un’unità militare che sta cercando di proteggere un’ampia area urbana. Tuttavia, in contesti in cui l’obiettivo è la protezione di un bene fisso come un’ambasciata, un ospedale o un accampamento, è necessario un sistema in grado di mantenere un perimetro da una distanza di sicurezza. Ancora una volta finanziato dalla DARPA, Krolik si sta rivolgendo a radar, apprendimento automatico e hardware specializzato per realizzare un sistema di sorveglianza dei droni con una portata sufficiente per consentire il rilevamento e l’arresto dei droni prima che raggiungano un’area protetta in una città.

“Esistono sistemi in grado di rilevare i segnali utilizzati per controllare i droni standard, ma tendono ad essere piuttosto costosi e ci sono già droni commerciali che possono essere pilotati autonomamente senza alcun radiocomando”, ha affermato Krolik. “Abbiamo bisogno di sistemi di rilevamento in grado di individuare queste cose ovunque e ogni volta che sono in volo, indipendentemente da come vengono controllate”.

Mentre un computer può essere addestrato per individuare visivamente un drone, un sistema ottico avrebbe una portata molto limitata. Potrebbe essere utilizzato un obiettivo telescopico, ma il suo campo visivo sarebbe notevolmente limitato. Invece, Krolik si sta rivolgendo alla stessa tecnologia che ha cambiato le sorti contro i nemici aerei nella seconda guerra mondiale 攔adar. Ma la tecnologia degli anni ’40 sta ricevendo un aggiornamento degli anni ’20 con l’aiuto di un tipo di apprendimento automatico chiamato Deep Neural Networks (DNN).

Insegnare intelligenza stradale radar

L’idea di Krolik è quella di installare un’antenna radar per scansionare l’area del paesaggio urbano sotto sorveglianza. Nel corso di pochi giorni o settimane, in assenza di droni, il DNN si allena a differenziare tra auto, biciclette, persone e altri oggetti imparando la loro cinematica, vista come “micro-doppler” nei ritorni radar, come i percorsi che prendono muovendosi nello spazio.

Gli ingegneri utilizzano l'apprendimento automatico e il radar per rilevare i droni in complicati ambienti urbani
Le configurazioni radar e video scrutano dalla finestra di un garage (a sinistra) nel tentativo di individuare un drone che vola sotto (a destra). Credito: Duke University

“La maggior parte dei sistemi sono progettati in un laboratorio per essere portati sul campo”, ha affermato Krolik. “Questo impara dal suo ambiente, perché la maggior parte delle volte un drone non è lì.”

Ad esempio, le auto seguono generalmente percorsi definiti da strade. E mentre biciclette e pedoni hanno dinamiche più variabili, le loro firme micro-Doppler sono molto distintive. Nel tempo, l’algoritmo apprende quali segnali radar sono normali per un dato spazio in modo che quando un drone vola, con un movimento dell’elica e una traiettoria molto diversi da quelli che si trovano normalmente nell’area, faccia scattare un allarme.

Finora sta funzionando. Nel campus di Duke, il sistema è stato in grado di classificare con successo droni rispetto a ciclisti, pedoni, automobili e altri oggetti il ​​98% delle volte.

Per essere chiari, Krolik e il suo team non stanno pilotando droni attraverso il campus a tutte le ore del giorno e della notte. Invece, addestrano l’algoritmo per apprendere il traffico normale intorno al parcheggio di Science Drive e raccolgono separatamente i dati da un drone che vola a Duke Forrest. Quindi mettono insieme i dati in modo computazionale e lasciano che il DNN vada a lavorare sul mashup risultante.

Cablaggio di una rete neurale

Per chiedere aiuto con l’algoritmo DNN per avvistare i droni, Krolik si è rivolto a Helen Li, la professoressa Clare Boothe Luce di ingegneria elettrica e informatica alla Duke. I DNN funzionano essenzialmente facendo scorrere una finestra su un’immagine in modo simile a una griglia, determinando quale caratteristica è presente in ciascuna finestra e trasmettendo tali informazioni a un nuovo livello di dati. Il processo si ripete finché l’immagine non viene distillata nelle sue caratteristiche più basilari che consentono al programma di classificarla.

I DNN sono inevitabilmente programmi ad alta densità di calcolo che possono vincolare una CPU tradizionale per molto più tempo di quanto richiederebbe un sistema di sorveglianza dei droni. L’algoritmo, tuttavia, può essere accelerato suddividendo le attività in parti che possono essere elaborate contemporaneamente. Una scelta comune per l’hardware per affrontare questa sfida sono le unità di elaborazione grafica (GPU), che sono processori specializzati originariamente progettati per accelerare il rendering grafico, utili anche per l’apprendimento automatico, l’editing video e le applicazioni di gioco.

Ma chiunque abbia mai compilato un video di un’ora o perso la cognizione del tempo giocando sa che le GPU producono molto calore consumando molta energia. Per rendere più efficiente il loro sistema di rilevamento dei droni, Li si è invece rivolto a Field Programmable Gate Arrays (FPGA).

Gli ingegneri utilizzano l'apprendimento automatico e il radar per rilevare i droni in complicati ambienti urbani
Un mockup di come potrebbe apparire un’antenna radar che rileva un drone in un ambiente urbano. Credito: Duke University

“Sebbene una GPU sia super potente, è anche uno spreco”, ha affermato Li. “Possiamo invece realizzare un progetto specifico per l’applicazione che sia perfetto per l’elaborazione del segnale radar”.

Come suggerisce il nome, gli FPGA possono essere progettati e riprogettati per elaborare determinate attività in modo più efficiente collegando parte del calcolo al dispositivo stesso. Ciò consente agli informatici di essere chirurgici con quanta potenza di calcolo fornire ogni aspetto dell’algoritmo.

“Un FPGA può essere ottimizzato per un modello di rete neurale specifico senza dover supportare altri modelli in diverse configurazioni e dimensioni”, continua Li, che ha contribuito ad avviare la tendenza all’utilizzo di FPGA per applicazioni di apprendimento automatico. “E laddove i codici tipici devono prima passare attraverso un sistema operativo e compilatori prima di raggiungere l’hardware, il nostro approccio implementa essenzialmente l’algoritmo DNN direttamente sulle schede FPGA”.

Alzare l’asticella

Il risultato è un sistema che non solo individua i droni con una precisione del 98%, ma un sistema che consuma anche 100 volte meno energia rispetto a un sistema simile basato su GPU, il tutto mantenendo le prestazioni e la velocità necessarie per lavorare in tempo reale.

Krolik e Li pensano che i risultati finora siano promettenti e lo pensa anche DARPA. Dopo aver completato la prima fase del progetto da mezzo milione di dollari e aver presentato i risultati, il progetto è stato finanziato per una seconda sovvenzione da mezzo milione di dollari in nove mesi. La loro sfida per quel lungo periodo di tempo?

Uccelli.

“A quanto pare, quando guardi solo la velocità e il rilevamento di un oggetto volante, un uccello può assomigliare molto a un drone”, ha detto Krolik. “Con l’aiuto del personale dei Duke Gardens, abbiamo raccolto dati radar su un’ampia varietà di uccelli intorno allo stagno delle anatre del giardino. Finora, il nostro algoritmo DNN è stato in grado di differenziare gli uccelli dai droni con una precisione superiore al 97%. Ora dobbiamo mettere insieme tutto per rilevare droni contro uccelli, automobili e pedoni in un ambiente veramente urbano. È stato molto divertente lavorare con Helen e il resto del team, e abbiamo il resto dell’estate per capirlo fuori.”


Leave a Reply