Drona wcale nie trzeba widzieć. Nowy system po prostu go podsłuchuje

Dron może być niewielki, lecieć nisko i niemal zlewać się z otoczeniem, ale dopóki komunikuje się przez radio, ro zostawia po sobie elektroniczny ślad. Naukowcy nauczyli niewielki układ FPGA rozpoznawać ten ślad na miejscu, bez wysyłania danych do dużego komputera. Zużycie energii spadło przy tym o 88,7 proc.

Wykrywanie małych bezzałogowców jest dużo trudniejsze, niż mogłoby się wydawać. Kamera musi mieć odpowiednią widoczność, radar mierzy się z bardzo niewielką powierzchnią odbicia, a mikrofony mogą mieć problem z hałasem miasta, ruchem drogowym czy wiatrem.

Jest jednak jeszcze jeden ślad. Wiele popularnych dronów cały czas komunikuje się z kontrolerem. Operator przesyła polecenia, maszyna odsyła telemetrię i obraz z kamery. Wszystko odbywa się za pomocą fal radiowych. Takiej transmisji można nasłuchiwać pasywnie. Odbiornik nie musi wysyłać własnego sygnału ani zdradzać swojej obecności. Zbiera to, co już pojawia się w eterze.

Problem polega na tym, że samo wykrycie aktywności radiowej niewiele jeszcze mówi. W mieście podobnych transmisji są tysiące. Wi-Fi, Bluetooth, telefony, urządzenia IoT i dziesiątki innych systemów korzystają z tych samych albo sąsiednich części widma. Potrzebny jest więc drugi etap: rozpoznanie, czy odebrany sygnał rzeczywiście pochodzi z drona, a jeśli tak, to z jakiego i w jakim stanie się znajduje. Właśnie tym zajmuje się UAV-NAS.

System opracowany przez badaczy z Sungkyunkwan University nie analizuje zdjęcia drona ani dźwięku jego śmigieł. Dostaje próbki sygnału radiowego zapisane w postaci I/Q. Te dwie litery opisują dwie składowe sygnału radiowego: zgodną w fazie oraz przesuniętą o 90 stopni. Dzięki ich połączeniu można zachować informacje nie tylko o sile odebranej transmisji, lecz także o jej fazie i zmianach zachodzących w czasie. To standardowa reprezentacja stosowana w cyfrowych systemach radiowych.

Dla człowieka taki zapis wygląda jak ciąg niezrozumiałych wartości. Sieć neuronowa może jednak nauczyć się wyłapywać drobne wzorce wynikające z rodzaju transmisji, zachowania urządzenia i sposobu, w jaki konkretny system radiowy komunikuje się z kontrolerem. Co ważne, UAV-NAS pracuje bezpośrednio na surowych sekwencjach I/Q. Nie potrzebuje rozbudowanego etapu wstępnego przetwarzania danych przed przekazaniem ich do modelu. Oznacza to mniej operacji, mniej pamięci i krótszą drogę między anteną odbiorczą a odpowiedzią: to jest dron.

Najciekawszym elementem projektu nie jest jednak samo zastosowanie uczenia maszynowego. Takie systemy do identyfikowania sygnałów dronów istnieją już od pewnego czasu. Problemem była ich masa obliczeniowa.

Duże sieci neuronowe świetnie wyglądają podczas testów na komputerze wyposażonym w mocny procesor lub kartę graficzną. Znacznie gorzej wypadają jednak, gdy trzeba umieścić je na słupie przy lotnisku, na pojeździe wojskowym, w przenośnym czujniku albo urządzeniu pracującym przez wiele godzin z akumulatora.

Badacze zastosowali więc Neural Architecture Search, czyli automatyczne wyszukiwanie architektury sieci neuronowej. Zamiast ręcznie projektować kolejne warstwy modelu, określa się zestaw możliwych rozwiązań, a algorytm szuka konfiguracji dającej dobry kompromis między skutecznością i kosztem obliczeń.

UAV-NAS robi to tak naprawdę w dwóch etapach. Najpierw dobierana jest ogólna konstrukcja sieci, a następnie system optymalizuje mniejsze powtarzalne bloki znajdujące się w jej wnętrzu. Efektem nie jest największa możliwa sieć, lecz taka, którą można sprawnie uruchomić na konkretnym rodzaju elektroniki.

Model trafił na platformę Xilinx KV260 wykorzystującą układ FPGA. Nazwa oznacza Field-Programmable Gate Array, czyli programowalną macierz bramek. W zwykłym procesorze sprzęt jest zaprojektowany jako uniwersalna maszyna wykonująca kolejne instrukcje programu. FPGA pozwala natomiast skonfigurować fragmenty układu tak, aby sprzęt znacznie bardziej bezpośrednio realizował konkretne operacje potrzebne w danym zadaniu.

Naukowcy nie stworzyli więc od zera nowego procesora wyłącznie do polowania na drony. Wykorzystali programowalny układ i dopasowali do niego zarówno model, jak i sposób wykonywania obliczeń. Powtarzalne elementy znalezione przez UAV-NAS można mapować na wielokrotnie wykorzystywane bloki sprzętowe. Dzięki temu nie trzeba budować ogromnego układu wykonującego wszystkie operacje jednocześnie.

Rezultat jest naprawdę szalenie ciekawy. W porównaniu z wykonywaniem tego samego rodzaju obliczeń na CPU system zmniejszył zużycie energii o 88,7 proc., zachowując pracę w czasie rzeczywistym.

Na platformie KV260 UAV-NAS osiągnął wynik F1 równy 0,83 przy klasyfikacji 13 klas. F1 jest miarą uwzględniającą jednocześnie dwie rzeczy: jak często system prawidłowo wykrywa szukane przypadki oraz jak często jego rozpoznanie jest rzeczywiście poprawne. Wartość 1 oznaczałaby wynik idealny.

Klasy mogą przy tym opisywać nie tylko rodzaj maszyny, lecz także jej stan. W analizie transmisji radiowej można rozróżniać np. drona połączonego z kontrolerem, pozostającego w zawisie czy wykonującego lot.

Przeczytaj także:

Badacze rozszerzyli też zadanie do 23 klas. Model zachował wtedy zdolność skutecznej klasyfikacji, co jest ważne z bardzo praktycznego punktu widzenia. System antydronowy, który potrafi rozpoznać wyłącznie kilka urządzeń użytych podczas pierwotnego treningu, szybko stałby się mało przydatny. Rynek zmienia się przecież bardzo szybko, a liczba konstrukcji latających w pobliżu chronionych obiektów będzie już tylko rosła.

*Grafika wprowadzająca wygenerowana przez AI