Разработка на Engee поможет защищаться от БПЛА
Студент МЭИ Алексей Семичастнов, как и в 2024 году, занял с проектом на Engee первое место на международной научно-теоретической конференции студентов и аспирантов НИУ МЭИ. Тема его работы (это выпускной дипломный проект) – «Разработка нейросетевого алгоритма классификации объектов на основе микродоплеровских сигнатур в среде Engee». Расскажем кратко о сути этой работы.
По понятным причинам тема защиты объектов от БПЛА сейчас очень актуальна. И здесь можно и нужно применять современные интеллектуальные инженерные технологии. Радиолокационный подход позволяет детектировать и классифицировать БПЛА на сравнительно дальних расстояниях. При этом требуется решить две проблемы:
Поэтому очень актуальна задача классификации БПЛА и их дифференциации от птиц. Потребовались новые быстродействующие методы и алгоритмы для того, чтобы РЛС быстро и безошибочно отличала БПЛА от птицы и срабатывала только на правильную цель.
Этапы работы:
Для решения задачи выбран радиолокационный метод и обработка МДС. Дело в том, что МДС широко используется для классификации целей в воздухе, в том числе в последнее время для классификации БПЛА. Статистические характеристики МДС описывают вращение и наклон лопастей винта БПЛА или вертолета, работу турбин реактивного двигателя, взмах крыльев птиц. На основании таких признаков возможно выполнять классификации винтовых БПЛА и птиц.
Далее построена модель РЛС: на основе заданного технического задания вычислены энергетические характеристики РЛС, сформирована геометрия приемно-передающей фазированной антенной решетки и реализован блок цифровой обработки, необходимый для формирования МДС.
- БПЛА летают на большие расстояния на высоких скоростях;
- БПЛА по геометрии похож на птицу, и их легко перепутать – для радиолокационной системы (РЛС) это риск ложного срабатывания, который, естественно, нужно минимизировать.
Поэтому очень актуальна задача классификации БПЛА и их дифференциации от птиц. Потребовались новые быстродействующие методы и алгоритмы для того, чтобы РЛС быстро и безошибочно отличала БПЛА от птицы и срабатывала только на правильную цель.
Этапы работы:
- моделирование сценария работы РЛС в Engee по принципам модельно-ориентированного проектирования,
- формирование цифрового прототипа объекта с последующим расчетом диаграммы обратного рассеяния (ДОР),
- расчет сценариев при варьировании параметров объекта и среды распространения для формирования спектрограммы отраженного сигнала с наличием признака классификации – микродоплеровских сигнатур (МДС),
- формирование датасета из изображений спектрограмм с МСД для каждого типа радиолокационной цели (вариации сценариев и геометрии БПЛА и птиц),
- выбор архитектуры нейронной сети,
- обучение нейросети на основе сформированных изображений МДС,
- тестирование алгоритма.
Для решения задачи выбран радиолокационный метод и обработка МДС. Дело в том, что МДС широко используется для классификации целей в воздухе, в том числе в последнее время для классификации БПЛА. Статистические характеристики МДС описывают вращение и наклон лопастей винта БПЛА или вертолета, работу турбин реактивного двигателя, взмах крыльев птиц. На основании таких признаков возможно выполнять классификации винтовых БПЛА и птиц.
Далее построена модель РЛС: на основе заданного технического задания вычислены энергетические характеристики РЛС, сформирована геометрия приемно-передающей фазированной антенной решетки и реализован блок цифровой обработки, необходимый для формирования МДС.
Рис. 1. Этапы разработки нейросетевого алгоритма классификации объектов на основе МДС.
Эффективная площадь рассеяния (ЭПР) радиолокационных целей была вычислена с помощью подхода разбиения целевого объекта на примитивы, имеющие аналитическое представление для функции ДОР. Этот метод обеспечивает быстрый пересчет ЭПР динамических целей и при этом сохраняет характеристики объекта с учетом эффекта микро-Доплера.
В работе проанализированы и описаны параметры наиболее распространенных типов БПЛА, включая вертолетные, мультироторные и самолетные конструкции. Продумано, как представить в упрощенной форме геометрию БПЛА для цифровой модели (см. рис. 2).
В работе проанализированы и описаны параметры наиболее распространенных типов БПЛА, включая вертолетные, мультироторные и самолетные конструкции. Продумано, как представить в упрощенной форме геометрию БПЛА для цифровой модели (см. рис. 2).
Рис. 2. Цифровая модель БПЛА типа квадрокоптер.
При описании объекта – птицы необходимо учитывать орнитологические параметры и динамику его движения. За эталон взята геометрия и динамика полета дикого гуся. Для формирования МДС от птиц описана динамика движения крыльев при полете. Машущий полет состоит из двух отдельных типов движения: рабочего хода и обратного хода. Во время рабочего хода крыло двигается вперед и вниз, а обратный ход возвращает крыло в начальную позицию. Движение крыла птицы представляет собой смену положения плеча и предплечья.
Рис. 3. Цифровой прототип модели птицы
Далее путем варьирования параметров сценария и геометрии БПЛА и птиц сформирована база данных из 1000 изображений спектрограмм с МДС для каждого типа радиолокационной цели.
На заключительном этапе была задействована нейронная сеть. По характеристикам и возможностям предпочтение отдано архитектуре сверточной нейронной сети ResNet-18. Формирование и обучение нейронной сети выполнено в языке программирования Julia при помощи библиотеки «Flux».
В итоге был разработан нейросетевой алгоритм, основанный на обучении и тестировании нейронной сети. Основная задача алгоритма состоит в том, чтобы различить принятый сигнал между птицей и дроном. По результатам тестирования точность работы алгоритма составила более 90% процентов.
В будущем продолжится доработка алгоритма по классификации различных типов БПЛА. Есть возможность улучшить точность как моделирования геометрии целевых объектов, так и алгоритмов обработки отраженного сигнала, что повысит качество картин МДС.
На заключительном этапе была задействована нейронная сеть. По характеристикам и возможностям предпочтение отдано архитектуре сверточной нейронной сети ResNet-18. Формирование и обучение нейронной сети выполнено в языке программирования Julia при помощи библиотеки «Flux».
В итоге был разработан нейросетевой алгоритм, основанный на обучении и тестировании нейронной сети. Основная задача алгоритма состоит в том, чтобы различить принятый сигнал между птицей и дроном. По результатам тестирования точность работы алгоритма составила более 90% процентов.
В будущем продолжится доработка алгоритма по классификации различных типов БПЛА. Есть возможность улучшить точность как моделирования геометрии целевых объектов, так и алгоритмов обработки отраженного сигнала, что повысит качество картин МДС.