«Лаборатория Касперского» представила противодроновую систему
Компания «Лаборатория Касперского» представила систему, позволяющую защищать территорию от пролета дронов. Она обнаруживает дрон с помощью камер, радара, лидара или микрофонов, распознает модель беспилотника и посылает в его сторону радиопомехи, из-за которых аппарат теряет связь с оператором и совершает посадку.
Снижение стоимости гражданских мультикоптеров в последние годы привело к резкому росту их распространенности. Это привело как к положительным результатам (например, сделало съемку с воздуха доступнее), так и к негативным (например, блокирование аэропортов). Для защиты от дронов инженеры разрабатывают различные средства борьбы, работающие на разных принципах. Один из самых распространенных методов — создание помех. Это позволяет прервать связь между дроном и оператором, а также не разрушает аппарат, потому что после блокировки сигнала он либо возвращается на место взлета, либо безопасно приземляется в месте разрыва связи (это стандартное поведение для серийно выпускаемых дронов).
Уже существуют серийные системы создания помех для дронов, причем как прицельные, так и создающие «купол» из помех, однако обычно за обнаружение аппарата и его нейтрализацию в них отвечает оператор. «Лаборатория Касперского» представила программно-аппаратный комплекс, позволяющий автоматизировать нейтрализацию дронов с помощью радиопомех.
Система состоит из программного обеспечения, которое разработала «Лаборатория Касперского», и аппаратуры, за изготовление которой отвечают сторонние компании-интеграторы. Поскольку разработчики создавали систему как модульную, она может состоять из различного оборудования, но в общем виде она состоит из модуля обнаружения, модуля распознавания и нейтрализации, а также вычислительного модуля.
Модуль обнаружения может включать в себя камеру, радар, лидар или микрофоны. Он отвечает только за обнаружение и локализацию объекта. После этого в сторону обнаруженного объекта поворачивается моторизированная станция слежения с двумя камерами. Она распознает тип объекта, и, если он оказывается дроном, распознает его модель. Это необходимо для того, чтобы подобрать частоты радиообмена между дроном и пультом оператора, на которых затем с помощью двух антенн создаются помехи. При этом система не может определять частоты сама и в случае использования нестандартной частоты (например, у самодельного беспилотника) она не сможет посадить аппарат.
Система может одновременно следить за различными объектами, но одна станция нейтрализации может вносить помехи в работу лишь одного дрона или нескольких, находящихся недалеко друг от друга, поскольку антенны в ней создают узконаправленный сигнал. Очередность работы с объектами определяется вероятностью того, что обнаруженный объект — это дрон. В будущей версии системы разработчики собираются добавить возможность выбора приоритета целей оператором.
Прототип, который компания показала на презентации, состоит из стойки с радаром и лидаром, еще одной стойки с несколькими камерами, станции создания помех и отслеживания, а также вычислительного модуля. В нынешней конфигурации аппаратного обеспечения система способна контролировать воздушное пространство в радиусе примерно километра, но инженеры отмечают, что расстояние может быть и выше в случае, к примеру, использования камеры с большим фокусным расстоянием и разрешением.
Разработчики отмечают, что стоимость продемонстрированного минимального набора составляет около ста тысяч долларов, однако цена может быть выше и зависит прежде всего от того, какое оборудование выберет заказчик. Компания также может интегрировать свое программное обеспечение на объектах, которые уже оборудованы подходящими камерами наблюдения и другим оборудованием.
О том, какие еще способы применяют для охраны объектов и борьбы с дронами, можно узнать из нашего материала «Пожужжи мне тут».
Григорий Копиев
Он показал лучшее время на трассе, обойдя соперников на полсекунды
Инженеры разработали автопилот для гоночного дрона, управляющий беспилотником на уровне лучших людей-пилотов. Алгоритм под названием Swift, полученный с помощью метода обучения с подкреплением, способен управлять гоночным квадрокоптером, полагаясь только на данные бортовых сенсоров. В реальных полетах на тестовой трассе для дрон-рейсинга Swift смог превзойти трех профессиональных пилотов-чемпионов, выиграв у них 15 гонок из 25 и пройдя трассу с минимальным временем, которое на полсекунды меньше лучшего результата пилота-человека. Статья опубликована в журнале Nature. При поддержке Angie — первого российского веб-сервера Дрон-рейсинг — вид спорта, в котором мультикоптеры на высокой скорости проходят трассу, состоящую из последовательности ворот, через которые нужно пролететь за минимально возможное время. При этом управление происходит от первого лица, с помощью камеры и видеоочков. Современные дроны обладают очень высокой маневренностью и подвижностью: они могут резко менять направление движения, ускоряться, замедляться и совершать перевороты, а во время гонки они разгоняются до скоростей свыше 100 километров в час и подвержены перегрузкам, превышающим их собственный вес в пять раз. Это делает их пилотирование непростой задачей и требует хорошей подготовки и высокой скорости реакции оператора. Инженеры давно работают над созданием автопилота, который мог бы управлять дроном на уровне профессиональных пилотов. Помимо участия в дрон-рейсинге такая способность может пригодиться и в обычной жизни — мультикоптеры обладают невысокой энергоэффективностью, поэтому способность быстро летать и успешно маневрировать в окружении большого числа препятствий напрямую связана с успешностью выполнения задач. Инженеры под руководством Давида Скарамузза (Davide Scaramuzza) из Цюрихского университета уже имеют опыт разработки эффективных алгоритмов управления для дронов. К примеру, ранее они создали автопилот, способный управлять квадрокоптером на скорости от 3 до 7 метров в секунду в лесу между деревьев, полагаясь только на данные с бортовых сенсоров. В своей новой работе инженеры представили алгоритм под названием Swift. Он способен эффективно управлять гоночным квадрокоптером на уровне профессионального пилота дрон-рейсинга. Swift состоит из двух основных модулей: системы восприятия, которая переводит изображение от бортовой камеры дрона и данные от инерционного измерительного блока IMU в низкоразмерное представление, а также системы управления, которая принимает на вход низкоразмерное представление, созданное системой восприятия, и генерирует управляющие команды для электромоторов дрона. В модуль системы восприятия также входит алгоритм, вычисляющий текущее положение дрона в пространстве на основе данных камеры и инерционно-измерительного блока. Эта информация через фильтр Калмана объединяется с данными об относительном положении гоночных ворот, обнаруженных предварительно обученным нейросетевым детектором объектов в видеопотоке, после чего передается на вход системы управления, которая состоит из двух скрытых слоев, по 128 нейронов в каждом. Система управления тренировалась в симуляции с использованием модельно-свободного глубокого обучения с подкреплением. Этот метод обучения использует метод проб и ошибок, чтобы максимизировать величину параметра вознаграждения. В данном случае вознаграждение было максимальным в случае, если дрон следовал в сторону центра ближайших ворот таким образом, чтобы следующие ворота оставались в поле зрения камеры. Чтобы учесть различия между симуляцией и реальной динамикой полета, в процессе обучения информацию симулятора дополнили данными из реального мира, записанными с помощью системы захвата движений. Оценку автопилота провели на трассе для дрон-рейсинга, состоящей из семи ворот, установленных на квадратной площадке с длиной стороны 30 метров. Длина маршрута через все ворота составляла 75 метров. Алгоритм соревновался с тремя профессиональными пилотами Алексом Вановером (Alex Vanover), Томасом Битматтой (Thomas Bitmatta) и Марвином Шэппером (Marvin Schaepper). Все участники использовали гоночные дроны с одинаковыми характеристиками. Перед испытательными соревнованиями у пилотов была неделя для знакомства с трассой. В соревнованиях каждый из пилотов стартовал одновременно с дроном под управлением автопилота. Победителем становился тот, кто быстрее пролетит через все ворота на трассе в правильном порядке три раза. По результатам Swift смог выиграть у своих соперников в совокупности 15 гонок из 25, а также установил рекорд трассы, пролетев ее быстрее на полсекунды, чем остальные участники. https://www.youtube.com/watch?v=fBiataDpGIo&t=1s Инженеры разрабатывают гоночные автопилоты и для автомобилей. Например, инженеры из подразделения искусственного интеллекта компании Sony создали алгоритм автопилота GT Sophy, который с помощью обучения с подкреплением научился проходить за минимальное время трассы в гоночном автосимуляторе Gran Turismo Sport. В настоящих киберспортивных соревнованиях GT Sophy не только показала лучшее время в одиночных заездах, но и смогла победить команду лучших игроков в совместных гонках, набрав больше всего очков.