看天上!這是一只鳥!這是一架飛機!雷達實際上很容易分辨出差異。盡管從K星飛來的外星人，在幾乎空曠的，敞開的天空中移動的東西很少，就像飛機一樣大而又快。但是，如果雷達信號從云層向下移動并進入城市的街道，突然之間就會有很多物體可能會被誤認為彼此。僅需保持距離，速度和方向，無人機就可以很容易地“隱藏在視野中”在雷達顯示器上緩慢移動的汽車，騎自行車的人，慢跑的人甚至是空調(diào)單元的旋轉(zhuǎn)葉片中。

從安全的角度來看，隨著無人機變得越來越流行和令人擔憂，許多項目都在尋求對系統(tǒng)進行工程設計以發(fā)現(xiàn)它們。在擔任國防高級研究計劃局(DARPA)項目經(jīng)理期間，杜克大學電氣與計算機工程教授Jeffrey Krolik發(fā)起了一個名為“空中Dragnet”的項目。通過將無人機網(wǎng)絡懸停在城市景觀或其他需要防御的大型發(fā)達地區(qū)之上，多種類型的傳感器將向下窺探城市的峽谷，并挑選出任何無人機。該項目最近在弗吉尼亞州的羅西恩(Rossyln)進行了城市測試，并成功結(jié)束了該項目。

對于試圖保護廣闊市區(qū)的單位而言，使用友好的無人駕駛飛機群尋找敵方無人機是很有意義的。但是，在以固定資產(chǎn)(例如使館，醫(yī)院或營地)為目標的保護環(huán)境中，需要一種能夠在安全的隔離距離范圍內(nèi)保持周邊的系統(tǒng)。再次由DARPA資助，Krolik轉(zhuǎn)向雷達，機器學習和專用硬件，以制造一種無人駕駛監(jiān)視系統(tǒng)，該系統(tǒng)具有足夠的范圍，可以在無人機到達城市保護區(qū)之前對其進行檢測和停止。

“存在可以檢測用于控制現(xiàn)成無人機的信號的系統(tǒng)，但它們往往非常昂貴，并且已經(jīng)有可以完全自動飛行而無需任何無線電控制的商用無人機，” Krolik說。“我們需要能夠在任何時候，無論何時何地載有這些東西的偵察系統(tǒng)，而不論它們?nèi)绾问艿娇刂啤?rdquo;

雖然可以訓練計算機在視覺上發(fā)現(xiàn)無人機，但光學系統(tǒng)的射程非常有限?？梢允褂每缮炜s鏡頭，但是這樣會大大限制其視場。取而代之的是，Krolik轉(zhuǎn)向了能夠扭轉(zhuǎn)第二次世界大戰(zhàn)中的空中敵人(雷達)的技術(shù)。但是，借助于一種稱為“深度神經(jīng)網(wǎng)絡”(DNN)的機器學習，1940年代的技術(shù)正在得到2020年代的升級。

教學雷達街頭智慧

Krolik的想法是安裝雷達天線以掃描受監(jiān)視的城市景觀區(qū)域。在幾天或幾周的時間里，在沒有無人機的情況下，DNN會通過學習其運動學來訓練自己，以區(qū)分汽車，自行車，人和其他物體，在雷達回波中也被視為“微多普勒”就像他們沿著空間移動的路徑一樣。

雷達和視頻設置從停車場的窗戶向下看(左)，以試圖發(fā)現(xiàn)下方飛行的無人機(右)。學分：杜克大學

Krolik說：“大多數(shù)系統(tǒng)都是在實驗室設計的，可以帶到現(xiàn)場。” “這是從環(huán)境中學習的，因為大多數(shù)時候無人機都不在那兒。”

例如，汽車通常遵循道路定義的路徑。而且，盡管自行車和行人具有更多可變的動力，但它們的微多普勒簽名卻非常有特色。隨著時間的流逝，該算法會了解給定空間中哪些雷達信號正常，以便當無人機飛過且螺旋槳的運動和軌跡與該區(qū)域的正常情況非常不同時，它將觸發(fā)警報。

到目前為止，它正在工作。在杜克大學的校園中，該系統(tǒng)能夠成功地將無人駕駛飛機與騎自行車的人，行人，汽車和其他物體進行分類的概率為98%。

需要明確的是，Krolik和他的團隊并非白天和黑夜都在校園內(nèi)飛行無人機。取而代之的是，他們訓練算法來學習科學大道停車場周圍的正常交通情況，并分別從在福雷斯特公爵(Duke Forrest)上飛行的無人機收集數(shù)據(jù)。然后，他們以計算方式將數(shù)據(jù)放在一起，然后讓DNN進行最終的混搭工作。

硬連接神經(jīng)網(wǎng)絡

為了幫助發(fā)現(xiàn)無人機的DNN算法，Krolik求助于杜克大學電氣與計算機工程系Clare Boothe Luce教授Helen Li。DNN本質(zhì)上是通過以類似于網(wǎng)格的方式在圖像上滑動窗口，確定每個窗口中存在哪個功能并將該信息傳遞到新的數(shù)據(jù)層來工作的。該過程會重復進行，直到將圖像提煉成其最基本的功能(使程序可以對其進行分類)為止。

DNN不可避免地是計算密集型程序，它們占用傳統(tǒng)CPU的時間比無人機監(jiān)視系統(tǒng)所需的時間長得多。但是，可以通過將任務分解為可以同時處理的片段來加快算法的運行速度。應對這一挑戰(zhàn)的硬件的常見選擇是圖形處理單元(GPU)，它們是專用于加速圖形渲染的專用處理器，該處理器對機器學習，視頻編輯和游戲應用也很有用。

但是任何曾經(jīng)編寫了一個小時的視頻或失去時間游戲記錄的人都知道，GPU通過消耗大量電能來產(chǎn)生大量熱量。為了使他們的無人機檢測系統(tǒng)更高效，Li改為求助于現(xiàn)場可編程門陣列(FPGA)。

雷達天線在城市環(huán)境中檢測無人駕駛飛機的樣機可能看起來像。學分：杜克大學

Li說：“盡管GPU超級強大，但也很浪費。” “相反，我們可以進行針對雷達信號處理的特定應用設計。”

顧名思義，通過將一些計算硬連接到設備本身，可以對FPGA進行設計和重新設計，以更有效地處理某些任務。這使計算機科學家可以外科手術(shù)，以多少運算能力來提供算法的各個方面。

Li繼續(xù)說道：“可以針對特定的神經(jīng)網(wǎng)絡模型優(yōu)化FPGA，而不必支持其他不同配置和大小的模型。” Li繼續(xù)推動了將FPGA用于機器學習應用的趨勢。“而且在到達硬件之前，典型代碼首先必須經(jīng)過操作系統(tǒng)和編譯器的地方，我們的方法實質(zhì)上是直接在FPGA板上實現(xiàn)DNN算法。”

設定較高的標準

結(jié)果是，該系統(tǒng)不僅能夠以98%的精度定位無人機，而且所消耗的能源也比基于GPU的系統(tǒng)少100倍，同時還能保持實時工作所需的性能和速度。

Krolik和Li認為到目前為止的結(jié)果是有希望的，而DARPA也是這樣。在完成了項目的前五十萬美元階段并展示了其結(jié)果之后，該項目獲得了為期九個月的第二筆五十萬美元的贈款。他們在那段較長的時間里面臨的挑戰(zhàn)?

鳥類。

“事實證明，當您只看飛行物體的速度和方位時，鳥看起來就很像無人機，” Krolik說。“在杜克花園的工作人員的幫助下，我們已經(jīng)收集了花園鴨塘周圍各種鳥類的雷達數(shù)據(jù)。到目前為止，我們的DNN算法已經(jīng)能夠以97%以上的精度區(qū)分鳥類與無人機?，F(xiàn)在，我們必須將所有這些因素放在一起，以在真正的城市環(huán)境中檢測無人機，鳥類，汽車和行人的情況，與Helen和其他團隊一起工作非常有趣，我們還有整個夏天的時間來解決這個問題出去。”

　　免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權(quán)請聯(lián)系刪除！