Utilisation de l’apprentissage automatique et du radar pour détecter les drones dans des environnements urbains complexes

Les ingénieurs utilisent l'apprentissage automatique et le radar pour détecter les drones dans des environnements urbains complexes

Les chercheurs travaillent pour former un algorithme d’IA à quoi ressemblent les oiseaux au radar dans les jardins du duc. Crédit: Duke University

Regarde, là-haut dans le ciel! C’est un oiseau! C’est un avion! C’est… en fait assez facile pour le radar de faire la différence. Malgré les extraterrestres qui volent de Krypton, il n’y a tout simplement pas beaucoup de choses qui se déplacent dans les cieux pour la plupart vides et grands ouverts qui sont aussi grands et rapides qu’un avion.

Mais si les signaux radar descendent des nuages ​​vers les rues d’une ville, il y a soudainement de nombreux objets qui peuvent être confondus. Avec seulement la distance, la vitesse et la direction à parcourir, les drones peuvent facilement être «cachés à la vue» sur les écrans radar parmi les voitures qui se déplacent lentement, les cyclistes, une personne qui fait du jogging ou même les pales en rotation d’une unité de climatisation.

Alors que les drones deviennent plus populaires et plus inquiétants du point de vue de la sécurité, de nombreux projets ont cherché à concevoir des systèmes pour les repérer. Pendant son temps en tant que directeur de programme de la Defense Advanced Research Projects Agency (DARPA), Jeffrey Krolik, professeur de génie électrique et informatique à l’Université Duke, a lancé un tel projet appelé «Aerial Dragnet». En utilisant un réseau de drones planant au-dessus d’un paysage urbain ou d’une autre grande zone développée nécessitant une défense, plusieurs types de capteurs scrutaient les canyons de la ville et repéraient les drones. Le projet s’est récemment conclu avec succès par un test urbain à Rossyln, en Virginie, mais des défis subsistent pour distinguer les drones du «fouillis» urbain.

Utiliser une flotte de drones amis pour trouver des drones ennemis est logique dans le cadre d’une unité militaire qui tente de sécuriser une vaste zone urbaine. Cependant, dans les contextes où l’objectif est de protéger une immobilisation telle qu’une ambassade, un hôpital ou un campement, un système capable de maintenir un périmètre à partir d’une distance de sécurité sûre est nécessaire. Une fois de plus financé par la DARPA, Krolik se tourne vers le radar, l’apprentissage automatique et le matériel spécialisé pour créer un système de surveillance par drone avec une portée suffisante pour permettre aux drones d’être détectés et arrêtés avant qu’ils n’atteignent une zone protégée dans une ville.

« Il existe des systèmes capables de détecter les signaux utilisés pour contrôler les drones du commerce, mais ils ont tendance à être assez chers et il existe déjà des drones commerciaux qui peuvent voler de manière autonome sans aucune radiocommande », a déclaré Krolik. «Nous avons besoin de systèmes de détection capables de détecter ces choses où et quand elles sont en vol, quelle que soit la façon dont elles sont contrôlées.

Alors qu’un ordinateur peut être formé pour repérer visuellement un drone, un système optique aurait une portée très limitée. Une lentille télescopique pourrait être utilisée, mais son champ de vision serait alors fortement limité. Au lieu de cela, Krolik se tourne vers la même technologie qui a inversé la tendance contre les ennemis aériens de la Seconde Guerre mondiale: le radar. Mais la technologie des années 1940 bénéficie d’une mise à niveau des années 2020 à l’aide d’un type d’apprentissage automatique appelé Deep Neural Networks (DNN).

Enseigner l’intelligence de la rue radar

L’idée de Krolik est de mettre en place une antenne radar pour balayer la zone du paysage urbain sous surveillance. En quelques jours ou semaines, en l’absence de drones, le DNN s’entraîne à différencier les voitures, les vélos, les personnes et les autres objets en apprenant également leur cinématique, vue comme «micro-Doppler» dans les retours radar. comme les chemins qu’ils empruntent se déplaçant dans l’espace.

Les ingénieurs utilisent l'apprentissage automatique et le radar pour détecter les drones dans des environnements urbains complexes

Les configurations radar et vidéo regardent depuis une fenêtre de parking (à gauche) pour tenter de repérer un drone volant en dessous (à droite). Crédit: Duke University

«La plupart des systèmes sont conçus dans un laboratoire pour être emportés sur le terrain», a déclaré Krolik. « Celui-ci apprend de son environnement, car la plupart du temps, il n’y a pas de drone. »

Par exemple, les voitures suivent généralement des chemins définis par des routes. Et si les vélos et les piétons ont une dynamique plus variable, leurs signatures micro-Doppler sont très distinctives. Au fil du temps, l’algorithme apprend quels signaux radar sont normaux pour un espace donné, de sorte que lorsqu’un drone vole, avec un mouvement d’hélice et une trajectoire très différents de ce que l’on trouve normalement dans la zone, il déclenche une alarme.

Jusqu’à présent, ça marche. Sur le campus de Duke, le système a réussi à classer les drones par rapport aux cyclistes, piétons, voitures et autres objets 98% du temps.

Pour être clair, Krolik et son équipe ne font pas voler des drones sur le campus à toute heure du jour et de la nuit. Au lieu de cela, ils entraînent l’algorithme pour apprendre le trafic normal autour du parking de Science Drive et collecter séparément les données d’un drone volant à Duke Forrest. Ils ont ensuite rassemblé les données de manière informatique et ont laissé le DNN travailler sur le mashup résultant.

Câblage d’un réseau neuronal

Pour obtenir de l’aide sur l’algorithme DNN de détection de drones, Krolik s’est tourné vers Helen Li, professeur Clare Boothe Luce en génie électrique et informatique à Duke. Les DNN fonctionnent essentiellement en faisant glisser une fenêtre sur une image en forme de grille, en déterminant quelle caractéristique est présente dans chaque fenêtre et en transmettant ces informations à une nouvelle couche de données. Le processus se répète jusqu’à ce que l’image soit distillée dans ses fonctionnalités les plus élémentaires qui permettent au programme de la catégoriser.

Les DNN sont inévitablement des programmes denses en calcul qui peuvent immobiliser un processeur traditionnel beaucoup plus longtemps qu’un système de surveillance par drone ne le nécessiterait. L’algorithme, cependant, peut être accéléré en divisant les tâches en morceaux qui peuvent être traités simultanément. Les unités de traitement graphique (GPU), qui sont des processeurs spécialisés conçus à l’origine pour accélérer le rendu graphique, sont également utiles pour l’apprentissage automatique, le montage vidéo et les applications de jeu.

Mais quiconque a déjà compilé une vidéo d’une heure ou perdu le fil du temps de jeu sait que les GPU produisent beaucoup de chaleur en consommant beaucoup d’énergie. Pour rendre son système de détection de drone plus efficace, Li s’est plutôt tourné vers les FPGA (Field Programmable Gate Arrays).

Les ingénieurs utilisent l'apprentissage automatique et le radar pour détecter les drones dans des environnements urbains complexes

Une maquette de ce à quoi pourrait ressembler une antenne radar détectant un drone en milieu urbain. Crédit: Duke University

« Bien qu’un GPU soit super puissant, il est également un gaspillage », a déclaré Li. « Nous pouvons à la place créer une conception spécifique à l’application qui convient parfaitement au traitement du signal radar. »

Comme leur nom l’indique, les FPGA peuvent être conçus et repensés pour traiter certaines tâches plus efficacement en câblant une partie du calcul dans l’appareil lui-même. Cela permet aux informaticiens d’être chirurgicaux avec la puissance de calcul nécessaire pour fournir chaque aspect de l’algorithme.

«Un FPGA peut être optimisé pour un modèle de réseau neuronal spécifique sans avoir à prendre en charge d’autres modèles dans différentes configurations et tailles», poursuit Li, qui a contribué à lancer la tendance à l’utilisation de FPGA pour les applications d’apprentissage automatique. « Et là où les codes typiques doivent d’abord passer par un système d’exploitation et des compilateurs avant d’atteindre le matériel, notre approche implémente essentiellement l’algorithme DNN directement sur les cartes FPGA. »

Mettre la barre haute

Le résultat est un système qui détecte non seulement les drones avec une précision de 98%, mais un système qui consomme également 100 fois moins d’énergie qu’un système similaire basé sur GPU, tout en maintenant les performances et la vitesse nécessaires pour travailler en temps réel.

Krolik et Li pensent que les résultats à ce jour sont prometteurs, et la DARPA le pense aussi. Après avoir achevé la première phase d’un demi-million de dollars du projet et présenté ses résultats, le projet a été financé pour une deuxième subvention d’un demi-million de dollars sur neuf mois. Leur défi au cours de cette longue période?

Des oiseaux.

« En fait, lorsque vous ne regardez que la vitesse et le relèvement d’un objet volant, un oiseau peut ressembler beaucoup à un drone », a déclaré Krolik. «Avec l’aide du personnel de Duke Gardens, nous avons collecté des données radar sur une grande variété d’oiseaux autour de l’étang aux canards du jardin. Jusqu’à présent, notre algorithme DNN a été en mesure de différencier les oiseaux des drones avec une précision de plus de 97%. Maintenant, nous devons tout mettre ensemble pour détecter les drones par rapport aux oiseaux, aux voitures et aux piétons dans un environnement vraiment urbain. Cela a été très amusant de travailler avec Helen et le reste de l’équipe, et nous avons le reste de l’été pour le comprendre. en dehors. »


Système radar IA capable de repérer des drones miniatures à 3 kilomètres


Fourni par la Duke University School of Nursing

Citation: Utilisation de l’apprentissage automatique et du radar pour détecter les drones dans des environnements urbains complexes (2021, 12 mai) récupéré le 12 mai 2021 sur https://techxplore.com/news/2021-05-machine-radar-drones-complicated-urban.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.