Мельчайшие подробности движения беспилотного летательного аппарата в воздухе могут невольно выявить местонахождение пилота-беспилотника, что может позволить властям сбить беспилотник до того, как, скажем, у него появится возможность нарушить воздушное движение или вызвать аварию. И это возможно, не требуя дорогих массивов радиотриангуляционных и сигнально-локационных антенн.
Так говорит группа израильских исследователей, которые обучили алгоритм отслеживания беспилотного искусственного интеллекта, чтобы определить местонахождение оператора беспилотного летательного аппарата с точностью, превышающей 80%. Сейчас они исследуют, может ли алгоритм также раскрыть уровень опыта пилота и даже, возможно, его личность.
Гера Вайс, профессор компьютерных наук в Университете имени Бен-Гуриона в Негеве в Беэр-Шеве, Израиль, сказал, что алгоритм, разработанный его командой, частично основан на конкретной местности вокруг аэропорта или другого места с высоким уровнем безопасности.
После тестирования нейронных сетей, включая плотные сети и сверточные нейронные сети , исследователи обнаружили, что своего рода рекуррентная нейронная сеть, называемая сетью Gated-Recurrent Unit (GRU), лучше всего работает для отслеживания дронов. «Периодические сети хороши в этом», сказал Вайс. «Они рассматривают последовательность данных — не только в пространстве, но и во времени».
Так, по его словам, специалист по безопасности в аэропорту, например, будет нанимать злоумышленников в белых шапках, чтобы запускать беспилотники из разных мест вокруг аэропорта. Затем группа безопасности записывала точные движения беспилотника на радиолокационных системах аэропорта.
В конечном счете, алгоритм GRU будет затем обучаться на этих данных, зная в этом случае местоположение пилота и специфические детали схем полета беспилотника.
В зависимости от конкретной местности в любом аэропорту, например, пилот, управляющий беспилотником возле камуфляжного участка леса, может беспрепятственно видеть взлетно-посадочную полосу. Но это место может также находиться на большом расстоянии, что может сделать оператора более склонным к ошибкам в точном слежении за дроном. Принимая во внимание, что пилот, работающий ближе к взлетно-посадочной полосе, может не совершать тех же ошибок отслеживания, но также может столкнуться с большими слепыми зонами из-за своей близости, скажем, к парковке или контрольной башне.
И в каждом случае, по его словам, простая геометрия может также показать важные подсказки о местонахождении пилота. Когда дрон находится достаточно далеко, движение по линии прямой видимости пилота может быть более трудным для обнаружения, чем движение, перпендикулярное его линии обзора. Это также может стать существенным фактором в алгоритме искусственного интеллекта, работающем для определения местоположения пилота по определенной схеме полета беспилотника.
Таким образом, сумма этих различных специфических для местности и не зависящих от местности эффектов может быть гигантским пальцем, указывающим на оператора. Это приложение AI также не будет затронуто какими-либо ретрансляционными вышками или другими механизмами подмены сигнала, которые пилот мог установить.
Вайс сказал, что его группа проверила их алгоритм слежения за беспилотниками, используя беспилотный летательный аппарат Microsoft Research и симулятор автономного транспортного средства AirSim . Группа представила свою текущую работу на четвертом Международном симпозиуме по кибербезопасности, криптологии и машинному обучению в университете Бен-Гуриона в начале этого месяца.
Их сегодняшним достижением может похвастаться 73-процентной точностью определения местоположения пилотов-дронов. Вайс сказал, что за несколько недель, прошедших с момента публикации этого результата, они теперь повысили точность до 83 процентов.
Теперь, когда исследователи доказали концепцию алгоритма, сказал Вейсс, они надеются затем протестировать его в реальных условиях аэропорта. «Ко мне уже обращались люди, у которых есть разрешение на полет», — сказал он. «Я профессор университета. Я не тренированный пилот. Теперь люди, у которых есть возможность летать на дронах, могут провести этот физический эксперимент ».
Вайс сказал, что пока неясно, насколько независим от их алгоритма. Может ли нейронная сеть, обучения на данной местности, окружающей один аэропорт, быть эффективно развернута в другом аэропорту или в другом необученном районе того же аэропорта? Другой открытый вопрос, по его словам, заключается в том, можно ли также изменить алгоритм: можно ли использовать модели полета беспилотника вокруг не нанесенной на карту местности для обнаружения особенностей местности?
Вайс сказал , что они надеются решить эти вопросы в области исследований будущего, наряду с возможными применениями серии из последних выводов , которые пытаются уровни квалификации оператора скорости от данных отслеживания движения.
Одна находка даже заходит так далеко, что позволяет точно определить и классифицировать идиосинкразии в навыках пилотирования — так что, возможно, однажды повторных операторов дронов можно будет идентифицировать как по «отпечатку пальца» (технике пилотирования), которыми обладает оператор и оставляет их в небе.
Источник: https://spectrum.ieee.org/
По Марк Андерсон
Фотография: ото: Мариян Мурат / фото альянса / Getty Images
