Olha lá no céu! É um passaro! É um avião! É … realmente muito fácil para o radar perceber a diferença. Apesar dos alienígenas voadores de Krypton, simplesmente não há muitas coisas se movendo pelos céus quase totalmente vazios e abertos que são tão grandes e rápidos quanto um avião.
Mas se os sinais de radar descem das nuvens para as ruas de uma cidade, de repente há muitos objetos que podem ser confundidos uns com os outros. Com apenas distância, velocidade e direção para prosseguir, os drones podem ser facilmente “escondidos à vista de todos” em telas de radar entre carros que se movem lentamente, ciclistas, uma pessoa correndo ou até mesmo as lâminas giratórias de um aparelho de ar condicionado.
À medida que os drones se tornam mais populares e mais preocupantes do ponto de vista de segurança, muitos projetos têm procurado desenvolver sistemas para identificá-los. Durante seu tempo como gerente de programa da Agência de Projetos de Pesquisa Avançada de Defesa (DARPA), Jeffrey Krolik, professor de engenharia elétrica e de computação na Duke University, lançou um projeto chamado “Aerial Dragnet”. Usando uma rede de drones pairando sobre uma paisagem urbana ou outra grande área desenvolvida que precisa de defesa, vários tipos de sensores espiariam para dentro dos cânions da cidade e identificariam quaisquer drones. O projeto foi recentemente concluído com sucesso com um teste urbano em Rossyln, Virgínia, mas os desafios permanecem em distinguir os drones da “desordem” urbana.
Usar uma frota de drones amigos para encontrar drones inimigos faz sentido em um cenário para uma unidade militar que está tentando proteger uma ampla área urbana. No entanto, em ambientes onde a proteção de um ativo fixo, como uma embaixada, hospital ou acampamento é o objetivo, é necessário um sistema que possa manter um perímetro a partir de uma distância segura. Mais uma vez financiado pela DARPA, Krolik está recorrendo ao radar, aprendizado de máquina e hardware especializado para fazer um sistema de vigilância de drones com alcance suficiente para permitir que os drones sejam detectados e parados antes que cheguem a uma área protegida em uma cidade.
“Existem sistemas que podem detectar os sinais usados para controlar drones prontos para uso, mas eles tendem a ser muito caros e já existem drones comerciais que podem voar de forma autônoma sem qualquer controle de rádio”, disse Krolik. “Precisamos de sistemas de detecção que possam detectar essas coisas onde e quando estiverem no ar, independentemente de como estão sendo controladas.”
Enquanto um computador pode ser treinado para localizar visualmente um drone, um sistema óptico teria um alcance muito limitado. Uma lente telescópica poderia ser usada, mas seu campo de visão seria muito restrito. Em vez disso, Krolik está recorrendo à mesma tecnologia que virou a maré contra os inimigos aéreos na Segunda Guerra Mundial: o radar. Mas a tecnologia da década de 1940 está recebendo uma atualização da década de 2020 com a ajuda de um tipo de aprendizado de máquina chamado Deep Neural Networks (DNN).
Ensinando inteligência de radar
A ideia de Krolik é instalar uma antena de radar para escanear a área da paisagem urbana sob vigilância. Ao longo de alguns dias ou semanas, na ausência de drones, o DNN se treina para diferenciar carros, bicicletas, pessoas e outros objetos aprendendo sua cinemática, vista também como “micro-Doppler” nos retornos do radar. como os caminhos que eles percorrem movendo-se pelo espaço.
“A maioria dos sistemas são projetados em um laboratório para serem levados para o campo”, disse Krolik. “Este aprende com seu ambiente, porque na maioria das vezes não há um drone.”
Por exemplo, os carros geralmente seguem caminhos definidos por rodovias. E embora as bicicletas e os pedestres tenham uma dinâmica mais variável, suas assinaturas micro-Doppler são muito distintas. Com o tempo, o algoritmo aprende quais sinais de radar são normais para um determinado espaço, de forma que quando um drone passar voando, com movimento de hélice e trajetória muito diferente do que é normalmente encontrado na área, ele acionará um alarme.
Até agora, está funcionando. No campus da Duke, o sistema foi capaz de classificar drones versus ciclistas, pedestres, carros e outros objetos 98 por cento do tempo.
Para ser claro, Krolik e sua equipe não estão voando drones pelo campus em todas as horas do dia e da noite. Em vez disso, eles treinam o algoritmo para aprender o tráfego normal em torno da garagem do Science Drive e coletar dados separadamente de um drone voando em Duke Forrest. Em seguida, eles agrupam os dados computacionalmente e permitem que o DNN trabalhe no mashup resultante.
Fiação de uma rede neural
Para obter ajuda com o algoritmo DNN de detecção de drones, Krolik recorreu a Helen Li, a professora Clare Boothe Luce de Engenharia Elétrica e de Computação na Duke. Os DNNs funcionam basicamente deslizando uma janela sobre uma imagem em forma de grade, determinando qual recurso está presente em cada janela e passando essa informação para uma nova camada de dados. O processo se repete até que a imagem seja destilada em seus recursos mais básicos que permitem ao programa categorizá-la.
Os DNNs são, inevitavelmente, programas computacionalmente densos que podem ocupar uma CPU tradicional por muito mais tempo do que um sistema de vigilância drone exigiria. O algoritmo, no entanto, pode ser acelerado dividindo as tarefas em partes que podem ser processadas simultaneamente. Uma escolha comum de hardware para enfrentar esse desafio são as unidades de processamento gráfico (GPUs), que são processadores especializados originalmente projetados para acelerar a renderização de gráficos, o que também é útil para aprendizado de máquina, edição de vídeo e aplicativos de jogos.
Mas qualquer pessoa que já compilou um vídeo de uma hora ou perdeu a noção do tempo de jogo sabe que as GPUs produzem muito calor ao consumir muita energia. Para tornar seu sistema de detecção de drones mais eficiente, Li optou por Field Programmable Gate Arrays (FPGAs).
“Embora uma GPU seja superpoderosa, também é um desperdício”, disse Li. “Em vez disso, podemos fazer um projeto específico para o aplicativo que seja perfeito para o processamento de sinais de radar.”
Como o nome indica, os FPGAs podem ser projetados e reprojetados para processar certas tarefas com mais eficiência, conectando parte da computação ao próprio dispositivo. Isso permite que os cientistas da computação sejam cirúrgicos quanto à capacidade computacional de fornecer cada aspecto do algoritmo.
“Um FPGA pode ser otimizado para um modelo específico de rede neural sem ter que suportar nenhum outro modelo em diferentes configurações e tamanhos”, continua Li, que ajudou a iniciar a tendência de usar FPGAs para aplicativos de aprendizado de máquina. “E onde os códigos típicos primeiro precisam passar por um sistema operacional e compiladores antes de chegar ao hardware, nossa abordagem essencialmente implementa o algoritmo DNN diretamente nas placas FPGA.”
Elevando a fasquia
O resultado é um sistema que não apenas detecta drones com 98% de precisão, mas também consome 100 vezes menos energia do que um sistema semelhante baseado em GPU, mantendo o desempenho e a velocidade necessários para trabalhar em tempo real.
Krolik e Li acham que os resultados até agora são promissores, e a DARPA também acha. Depois de completar a primeira fase de meio milhão de dólares do projeto e apresentar seus resultados, o projeto foi financiado para uma segunda doação de meio milhão de dólares ao longo de nove meses. Seu desafio durante esse longo período de tempo?
Pássaros.
“Acontece que quando você está apenas observando a velocidade e direção de um objeto voador, um pássaro pode se parecer muito com um drone”, disse Krolik. “Com a ajuda da equipe do Duke Gardens, estamos coletando dados de radar sobre uma grande variedade de pássaros ao redor do lago com patos do jardim. Até agora, nosso algoritmo DNN foi capaz de diferenciar pássaros de drones com mais de 97% de precisão. Agora temos que juntar tudo para detectar drones versus pássaros, carros e pedestres em um ambiente verdadeiramente urbano. Foi muito divertido trabalhar com Helen e o resto da equipe, e temos o resto do verão para descobrir Fora.”
Publicado em 15/05/2021 21h08
Artigo original: