Los drones pequeños se están convirtiendo en un gran problema. He aquí, cómo podrían ayudar a combatirlos las técnicas de redes neuronales de próxima generación.
Mucho antes de que la Armada de Estados Unidos friera un avión no tripulado iraní sobre el Estrecho de Hormuz, el Pentágono resaltaba las dificultades de defenderse de los aviones pequeños no tripulados. Cuanto más lejos los veas, mejor. Pero a medida que los drones se hacen más pequeños, la detección a distancia no es fácil.
Un equipo de investigadores de Corea del Sur y de California ha descubierto cómo detectar alteraciones increíblemente pequeñas en los retornos de los radares, que podrían indicar la presencia de pequeños drones, tal vez a tres kilómetros de distancia, lo suficiente como para dar a los aeropuertos, a la policía y a los militares una gran ayuda para detenerlos.
Los investigadores, del Instituto de Ciencia y Tecnología Daegu Gyeongbuk y de la Universidad Estatal de California en Fresno, emparejaron un conjunto activo de radares escaneados electrónicamente (radar AESA) con una herramienta de red neuronal llamada Generative Adversarial Network (GAN).
Los radares AESA, que dirigen sus múltiples haces electrónicamente en lugar de utilizar cárdanes físicos, han existido desde hace años. La verdadera innovación reside en el software de adiestramiento para la detección de objetos, incluyendo a los tan pequeños como los populares aviones teledirigidos Mavic del DJI, en las imágenes de radar.
Pero se dispone de muy pocos datos de imágenes para enseñar a un algoritmo de aprendizaje de máquina, sobre cómo ver algo tan pequeño. Lo que se necesita es un conjunto de datos de modulaciones extremadamente pequeñas en los ecos de las señales de radar.
Los investigadores utilizaron una GAN para convertir en muchos a unos pocos datos de entrenamiento disponibles. Una GAN enfrenta dos redes neuronales convencionales entre sí. Por ejemplo, una red podría aprender a reconocer un objeto – digamos, un gato – mirando muchos ejemplos ligeramente diferentes. La segunda red de una GAN invierte este proceso. Así que, si una red convencional aprende que una cierta combinación de píxeles blancos contra un fondo oscuro representa a un gato, la GAN comienza con la imagen terminada y luego aprende sobre la combinación de píxeles blancos u oscuros que llevó a la primera red a su determinación.
A medida que la segunda red realiza su trabajo, crea versiones ligeramente diferentes de los datos, que a su vez pueden utilizarse para la formación. Así es como los investigadores convirtieron su pequeño conjunto de datos mini-Doppler en algo lo suficientemente robusto como para ser útil.
«Para adiestrar a una red neural profunda, es necesario usar un gran conjunto de datos de entrenamiento, que contengan diversas características del objetivo. Si faltan los datos, se produce un problema de sobreadaptación. Se utilizaron las GAN para aumentar el conjunto de datos mediante la producción de datos falsos que tienen distribuciones similares a los datos originales. Esperamos que los datos de la GAN aumenten la diversidad de características del objetivo», dijo Youngwook Kim, profesor de ingeniería eléctrica e informática de la Universidad Estatal de California en Fresno.
«Es razonable decir que nuestro sistema puede a «detectar» a un dron de más de 3 km, sin embargo, no será real, si decimos que podemos identificar a un dron con la ayuda de una GAN en este momento. El hecho es que hemos construido una plataforma/idea para usarla para la clasificación, pero se necesitan realizar diversas pruebas en el futuro», dijo Kim.
Describen el trabajo en su artículo en la edición de junio de IEEE Geoscience and Remote Sensing Letters.
Fte. Defense One
