VIDEO: Mornarica uvježbava AI za rušenje dronova laserom

Kako bi se suprotstavili brzo rastućim prijetnjama koje predstavlja proliferacija jeftinih autonomnih sustava bez posade (UAS) ili bespilotnih letjelica, istraživači i suradnici američke Mornaričke poslijediplomske škole (NPS) primjenjuju AI za automatizaciju kritičnih dijelova sustava praćenja koji koriste laserski oružani sustavi (LWS).

Poboljšanjem klasifikacije cilja, procjene položaja, odabira i održavanja cilja, sposobnost LWS-a da procijeni i neutralizira neprijateljski UAS uvelike se povećava, kao što možete vidjeti u ovom videu.
 

Sustav praćenja LWS-a prati slijed zahtjevnih koraka kako bi se uspješno uključio u protivnički UAS. Kada ih provodi ljudski operater, ti koraci mogu biti dugotrajni, osobito kada se suočavate s brojnim dronovima u roju. Dodajte izazove protivničkih projektila i raketa koje putuju hipersoničnim brzinama, pa napori da se uspostavi odgovarajuća obrana postaju još kompliciraniji i hitniji.
 

Usmjerena energija i umjetna inteligencija smatraju se ključnim tehnološkim područjima. Automatizirajući i ubrzavajući slijed za ciljanje bespilotnih letjelica s LWS-om uz AI, istraživački tim iz NPS-a, Naval Surface Warfare Center Dahlgren Divisiona, Lockheed Martina, Boeinga i Air Force Research Laboratorya (AFRL) razvio je pristup prema kojem operater u petlji nadzire sustav za praćenje umjesto da ga ručno kontrolira.

“Obrana od jednog drona nije problem. Ali ako postoji više bespilotnih letjelica, tada slanje projektila presretača od milijun dolara postaje vrlo skup kompromis jer su bespilotne letjelice vrlo jeftine,” kaže profesor Brij Agrawal, s NPS Odjela za strojarstvo i zrakoplovno inženjerstvo, koji vodi NPS tim. “Mornarica ima nekoliko LWS-ova koji se razvijaju i testiraju. LWS su jeftini za paljenje, ali skupi za izgradnju. Ali jednom kada se izgradi može nastaviti pucati, po cijeni koja je usporediva s nekoliko dolara po metku.”

Kako bi postigli ovu razinu automatizacije, istraživači su generirali dva skupa podataka koji su sadržavali tisuće slika dronova i zatim primijenili obuku umjetne inteligencije na skupove podataka. To je proizvelo AI model koji je validiran u laboratoriju, a zatim prebačen na testiranje na terenu sa svojim LWS sustavom praćenja.

Financirano od strane Ureda za tranziciju zajedničke usmjerene energije (DE-JTO) i Ureda za pomorska istraživanja (ONR), ovo istraživanje bavi se naprednim AI aplikacijama i tehnologijama usmjerene energije.

Tijekom tipičnog sukoba s neprijateljskom bespilotnom letjelicom, radar čini početnu detekciju, a zatim se podaci o kontaktu šalju LWS-u. Operater LWS-a koristi svoj infracrveni senzor, koji ima široko vidno polje, kako bi započeo praćenje drona. Sljedeće, veliko povećanje i usko vidno polje njegova visokoenergetskog laserskog (HEL) teleskopa nastavlja praćenje dok njegova zrcala s brzim upravljanjem održavaju fiksiranje drona.

S videozaslonom koji prikazuje sliku drona u daljini, operater ga uspoređuje s referentnom metom kako bi klasificirao tip drona i identificirao njegove jedinstvene ciljne točke. Svaki tip drona ima različite karakteristike, a njegove ciljne točke su lokacije na kojima je taj dron najosjetljiviji na dolaznu lasersku vatru.

Zajedno s određivanjem tipa drona i cilja, operater mora identificirati položaj drona ili relativnu orijentaciju prema LWS-u, potrebnu za lociranje njegovih ciljnih točaka. Operater gleda sliku drona na ekranu kako bi odredio kamo usmjeriti LWS i zatim ispaljuje lasersku zraku.

Velike udaljenosti i atmosferski uvjeti između LWS-a i drona mogu nepovoljno utjecati na kvalitetu slike, čineći sve te identifikacije zahtjevnijima i dugotrajnijima za provođenje.

Nakon svih ovih priprema, operater ne može jednostavno pomaknuti kompjuterizirani križić preko zaslona na nišansku točku i pritisnuti gumb za paljbu kao da se radi o kinetičkom oružanom sustavu, poput protuzrakoplovnog topa ili projektila presretača.

Iako se laseri kreću brzinom svjetlosti, oni ne uništavaju dron trenutno kao što se laseri prikazuju u znanstveno-fantastičnim filmovima. Što je laser snažniji, to više energije isporučuje u određenom vremenu. Da bi zagrijao dron dovoljno da izazove katastrofalnu štetu, laser mora pucati cijelo vrijeme.

Ako se dron neprestano kreće, tada će laserska zraka lutati duž njegove površine ako se neprestano ne usmjerava. U tom će slučaju energija lasera biti raspoređena preko velikog područja umjesto koncentrirana u jednoj točki. Ovaj proces neprekidnog ispaljivanja laserske zrake na jednu točku naziva se održavanje nišanske točke.

Istraživački tim NPS-a dovršio je 2016. izgradnju istraživačkog testnog bloka za kontrolu laserskog snopa visoke energije HBCRT, koji je osmišljen kako bi ponovio funkcije LWS-a, poput  30-kilovatnog, XN-1 laserskog oružanog sustava  kojim se upravljalo na brodu USS Ponce (LPD 15) od 2014. do 2017. godine.

Upočetku je HBCRT  korišten u NPS-u za proučavanje tehnika adaptivne optike  za ispravljanje aberacija uzrokovanih atmosferskim uvjetima koji degradiraju kvalitetu laserske zrake ispaljene iz LWS-a. Kasnije je dodavanje najsuvremenijih deformabilnih zrcala koje je napravio Northrup Grumman omogućilo  istraživačima NPS-a da istraže daljnje utjecaje duboke turbulencije .

Istraživanja zastavnika američke mornarice Raymonda Turnera i Ravena Heatha, aeronautičkog inženjera 2023., doprinijela su uvelike ovom istraživanju. Turner je pomogao integrirati algoritme umjetne inteligencije u HBCRT za odabir i održavanje ciljnih točaka, a Heath je upotrijebio duboko učenje za istraživanje procjene ključnih točaka ciljne inteligencije.
Sada se HBCRT također koristi za izradu kataloga slika drona za izradu skupova podataka iz stvarnog svijeta za obuku umjetne inteligencije.

HBCRT ima HEL teleskop promjera 30 cm, fino praćenje i infracrveni senzor srednje valne duljine (MWIR) za praćenje kursa. Laserska zraka od 1 kilovata (otprilike milijun puta snažnija od laserskog pokazivača) može pucati iz teleskopa.

Generira je zasebna vanjska jedinica i zatim usmjerava u teleskop, koji zatim projicira lasersku zraku na metu.
S kratkovalnom infracrvenom (SWIR) kamerom za praćenje, teleskop može snimati slike drona koji je kilometrima daleko. Iako je neophodno, repliciranje pogleda udaljenog drona u malom laboratoriju je nemoguće.

Kako bi riješili ovu dilemu, istraživači su montirali 3D ispisane minijaturne modele dronova od titana koje je proizveo AFRL u sustav RIAB koji točno replicira dron koji leti kilometrima daleko od teleskopa pomoću velikog paraboličnog zrcala i drugih optičkih komponenti. U ovom istraživanju korišten je minijaturni model drona Reaper. Kada teleskop snimi SWIR sliku modela drona, teleskopu se čini kao da vidi pravi dron Reaper u punoj veličini.

Model drona pričvršćen je na kocku s motorima koji mogu mijenjati položaj duž tri rotacijske osi leta: nagib (x), nagib (y) i skretanje (z). To omogućuje teleskopu da u stvarnom vremenu promatra promjene u smjeru prema kojem je model drona okrenut.

Istraživači NPS-a stvorili su dva velika reprezentativna skupa podataka za obuku umjetne inteligencije kako bi proizveli model umjetne inteligencije za automatizaciju klasifikacije meta, procjenu položaja, odabir točaka ciljanja i održavanje točaka ciljanja. Obuka umjetne inteligencije koristila je konvolucijske neuronske mreže s dubokim učenjem, što je tehnika strojnog učenja koja se temelji na razumijevanju neuroputeva u ljudskom mozgu.

Svaki dio podataka u skupu podataka sadržavao je sliku drona Reaper od 256x256 piksela u jedinstvenoj pozi s pripadajućom oznakom poze. Lockheed Martin koristio se računalnom generacijom za stvaranje sintetičkog skupa podataka koji je sadržavao 100.000 slika.

“Ako treniramo samo na čistim slikama, neće uspjeti. To je ograničenje”, kaže Agrawal. “Trebamo puno podataka s različitim pozadinama, intenzitetom sunca, turbulencijama i više. Zato je pri korištenju umjetne inteligencije potrebno puno rada za stvaranje podataka. I što više podataka imate, veća je vjernost.”

Za model umjetne inteligencije generirana su tri različita scenarija obuke umjetne inteligencije i uspoređena kako bi se utvrdilo koji je scenarij bio najbolji. Prvi scenarij koristio je samo sintetički skup podataka, drugi je koristio i sintetičke i skupove podataka iz stvarnog svijeta, a treći je koristio samo skup podataka iz stvarnog svijeta.

Budući da su velike veličine skupova podataka i njihovih pojedinačnih dijelova podataka zahtijevale ogromne količine računalne snage za AI obuku, istraživači su koristili NVIDIA DGX radnu stanicu s četiri Tesla V100 GPU-a. NPS upravlja brojnim NVIDIA radnim stanicama. U prosincu 2024., kako bi nastavio unapređivati ​​tehnologije temeljene na umjetnoj inteligenciji,  NPS je sklopio partnerstvo s tvrtkom NVIDIA kako bi postao jedan od njenih tehnoloških centara za umjetnu inteligenciju .

Budući da LWS gleda 3D dron koji leti daleko kao 2D slike u infracrvenom spektru, značajke oblika drona učinkovito nestaju u silueti. Na primjer, silueta drona koji leti direktno frontalno izgledala bi isto kao da leti u sasvim suprotnom smjeru.

Istraživači su riješili dvosmislenost poze za AI model uvođenjem radarskog praćenja. Praćenje podataka s radara može otkriti približava li se dron, povlači li se ili kreće na neki drugi način. 

Općenito, model umjetne inteligencije iz scenarija koji koristi samo skup podataka iz stvarnog svijeta imao je najbolje rezultate stvarajući najmanju količinu pogreške. Stvaranje više podataka pod dodatnim uvjetima i drugih vrsta dronova također će se nastaviti u NPS-u. 

"Sada imamo model koji radi u stvarnom vremenu unutar našeg sustava za praćenje", kaže Eric Montag, znanstvenik za slike u Dahlgrenu i vođa grupe koja je razvila LWS sustav za praćenje koji trenutno koristi High Energy Laser Expeditionary (HELEX), a to je LWS postavljen na zemaljski demonstrator.

Kada dođe do testiranja na terenu, HELEX će započeti praćenje prema radarskim znakovima i koristiti procjenu poze za automatski odabir ciljne točke. Sustav praćenja HELEX-a bit će poluautonoman. 

Osim LWS-a, ovo istraživanje također otvara druge mogućnosti za korištenje u cijeloj floti. Sustavi za praćenje na drugim platformama također bi mogli vidjeti potencijalnu korist od ove vrste automatizacije omogućene umjetnom inteligencijom.

"U vrijeme kada brodska obrana može biti ugrožena masivnim valovima bespilotnih letjelica, projektila i raketa, skok u učinkovitosti određivanja prijatelja ili neprijatelja i angažiranja neprijateljskih prijetnji, mogao bi biti preokret u donošenju prednosti u donošenju odluka", navodi američka ratna mornarica.