Компания Dedrone, один из лидеров в области безопасности воздушного пространства и борьбы с несанкционированными БПЛА, анонсировала запуск своей новой системы компьютерного зрения — Pythagoras 1. Эта модель на базе искусственного интеллекта, по заявлению разработчиков, является самым быстрым и точным решением для мониторинга низковысотного воздушного пространства на сегодняшний день. Новая технология обещает значительно повысить эффективность обнаружения и классификации воздушных объектов, от миниатюрных дронов до пилотируемых вертолетов, что является критически важным для защиты критической инфраструктуры и обеспечения безопасной интеграции легальных беспилотников.
Что такое Pythagoras 1 и почему это важно?
Pythagoras 1 — это не новый дрон или радар, а усовершенствованный программный «мозг» для систем обнаружения Dedrone. В основе лежит новая нейросетевая архитектура, построенная на фреймворке PyTorch (отсюда и часть названия «Pytha»). Система анализирует видеопоток с камер в режиме реального времени, идентифицируя и классифицируя различные летающие объекты.
Ключевые улучшения, заявленные Dedrone, включают:
- Скорость: среднее увеличение скорости обработки видеопотока на 20%.
- Точность: значительное снижение как ложных срабатываний (когда система принимает птицу за дрон), так и пропущенных угроз (когда дрон остается незамеченным).
- Обнаружение малых объектов: заявлено 14-кратное улучшение точности обнаружения дронов крайне малого размера, которые являются сложной целью для многих систем.
- Расширенная классификация: модель уверенно распознает квадрокоптеры, БПЛА самолетного типа, вертолеты, самолеты и птиц.
Эти усовершенствования позволяют системе не только эффективнее бороться с угрозами, но и создавать безопасную среду для легальных дронов, например, в рамках программ Drone as First Responder (DFR), где беспилотники используются экстренными службами.
Три кита эффективности: технологии, архитектура и данные
Прорыв в производительности Pythagoras 1 стал возможен благодаря комплексному подходу, объединившему три фундаментальных компонента.
Передовое оборудование
Для обучения и быстрой итерации моделей Dedrone развернула собственный вычислительный кластер на базе флагманских графических процессоров (GPU) NVIDIA H100. Это позволило ML-команде компании значительно сократить время обучения нейросетей на миллионах кадров видео и проводить эксперименты с гораздо большей скоростью.
Новая нейросетевая архитектура
Pythagoras 1 использует совершенно новую архитектуру нейронной сети и обновленный фреймворк для развертывания. Это позволило не только повысить точность, но и оптимизировать модель для обработки видео высокого разрешения (вплоть до 4K) без значительной потери производительности. Новый движок логического вывода (inference engine) позволил использовать более сложные нейросети при сохранении высокой кадровой частоты.
Данные — ключ к успеху
В машинном обучении качество данных часто важнее их количества. Dedrone применила многоуровневый подход к формированию обучающего датасета:
- Активное обучение (Active Learning): система автоматически идентифицировала случаи, где она ошибалась (ложные тревоги, пропуски, неверная классификация). Эти «сложные» данные отправлялись на ручную разметку и добавлялись в обучающий набор, что позволило целенаправленно улучшать слабые места модели. Таким образом было добавлено более 2 миллионов новых аннотированных изображений.
- Синтетические данные (AutoKat): для обучения модели на редких сценариях (например, полет вертолета на большой высоте) или для балансировки классов объектов, Dedrone использовала собственный инструмент AutoKat. Он встраивает реалистичные 3D-модели объектов (дронов, самолетов, вертолетов) в реальные фоновые изображения.
- Полностью симулированные миры: в разработке находится технология создания полностью искусственных сцен, что позволит моделировать любые погодные условия, освещение и уникальные сценарии, которые трудно воспроизвести в реальности.
Измерение успеха: точность и полнота в цифрах
Для оценки производительности систем обнаружения используются две ключевые метрики: точность (Precision) и полнота (Recall). Проще говоря, точность показывает, какая доля обнаруженных объектов действительно является искомыми (минимизация ложных тревог), а полнота — какую долю реальных угроз система смогла обнаружить (минимизация пропусков).
Dedrone заявляет о значительном росте средних показателей точности (mAP) и полноты (mAR) по всем классам объектов. В результате всех улучшений общий показатель mAP модели вырос на 24.3%.
Контекст и практическое значение
Глобальный тренд на безопасность воздушного пространства
Новость от Dedrone вписывается в глобальный тренд по усилению защиты от угроз, исходящих от БПЛА. Аэропорты, стадионы, объекты энергетики, правительственные учреждения и промышленные предприятия все чаще сталкиваются с необходимостью внедрения надежных систем C-UAS (Counter-UAS, борьба с беспилотными авиационными системами). Увеличение точности и скорости таких систем, как Pythagoras 1, напрямую влияет на время реакции служб безопасности и способность предотвратить инцидент.
Нормативный аспект в Российской Федерации
Важно отметить, что использование систем обнаружения и, в особенности, противодействия БПЛА в России строго регулируется законодательством. Согласно действующим нормативным актам, правом на пресечение полетов беспилотников путем подавления сигналов управления или повреждения аппаратов наделены только уполномоченные государственные органы (включая силовые структуры и ведомственную охрану). Установка и использование подобного оборудования частными лицами или коммерческими организациями без соответствующего разрешения незаконна. Таким образом, решения, подобные разработке Dedrone, на территории РФ могут применяться исключительно на объектах критической инфраструктуры и государственными службами в рамках их полномочий.
Что дальше?
Команда Dedrone заявляет, что их конечная цель — «обнаруживать, отслеживать и классифицировать каждый летающий объект в небе». Pythagoras 1 является важным шагом на этом пути. В ближайших планах компании — выпуск версии модели, адаптированной для работы с тепловизионными камерами, что еще больше расширит возможности обнаружения в сложных погодных условиях и в ночное время.
* Источник фото — dedrone.com
