– Projekt opuścił już fazę czysto teoretyczną. Mamy gotową część radiową oraz algorytmy do rozpoznawania dronów, wytrenowane na danych dostępnych publicznie. Obecnie pracujemy nad integracją całego systemu i przeprowadzeniem testów, które zweryfikują, czy nasze rozwiązanie naprawdę działa – przekazał PAP Mikołaj Data, elektronik w zespole.
Budowa systemu sensorów
Rozwiązanie studentów składa się z urządzeń niewielkich rozmiarów. Każde z nich wyposażone jest w moduł radiowy, który pozwala dołączyć do sieci. Aby wykrywać zagrożenia, węzeł może być dodatkowo zaopatrzony w czujniki, na przykład w mikrofon.
– Korzystając z modeli uczenia maszynowego, uczymy komputer rozpoznawania dźwięku drona, dzięki temu kiedy nadleci intruz, model uruchomiony na urządzeniu może wygenerować wiadomość o wykryciu drona. Sam dobór rodzaju czujników zależy od wyboru użytkownika i jego potrzeb – powiedział Mikołaj Data.
Architektura sieci mesh
Kluczowym elementem systemu jest architektura mesh. W odróżnieniu od tradycyjnych sieci Wi-Fi w tej sieci każdy węzeł może przekazywać wiadomości innych urządzeń.
– Architektura mesh to sieć, w której każdy węzeł przekazuje wiadomości innych węzłów. Takie sieci mają tę zaletę, że przy awarii jednego z węzłów jego rolę przejmuje inny. Jeżeli chcielibyśmy przekazać wiadomość w takiej sieci do dwóch węzłów, które nie słyszą się nawzajem, wiadomość wysyłamy za pośrednictwem innych węzłów. Wiadomość może przeskoczyć nawet przez kilkanaście innych urządzeń, nim trafi do adresata – tłumaczy student.
Do jednoznacznego określenia pozycji wykrytego obiektu wystarczają trzy urządzenia wyposażone w sensory znajdujące się w jego okolicy. Im większa gęstość sensorów, tym dokładniejsza lokalizacja i wyższa niezawodność całej sieci.
W fazie prototypu zespół korzysta z otwartego protokołu Meshtastic (którego sieć już funkcjonuje na terenie Polski dzięki wysiłkom radioamatorów) oraz dedykowanej elektroniki. Modele uczenia maszynowego tworzone są z wykorzystaniem popularnych bibliotek języka Python: PyTorch, TensorFlow i NumPy.
Zalety i wyzwania projektu
Największymi atutami projektu są niska cena produkcji, łatwa skalowalność oraz odporność na uszkodzenia pojedynczych węzłów.
– Chcieliśmy stworzyć rozwiązanie, które pozwoli na szybkie i tanie dodawanie nowych urządzeń, nawet w warunkach polowych przy użyciu podstawowych narzędzi – podkreśla Mikołaj Data.
Głównym ograniczeniem pozostaje obecnie zużycie energii przez węzły wyposażone w czujniki. Zespół planuje rozwiązać ten problem poprzez optymalizację modeli uczenia maszynowego, co pozwoli na zastosowanie komponentów o niższym zapotrzebowaniu energetycznym. Rozważana jest także wersja zasilana bezpośrednio z sieci elektrycznej.
Od czasu zwycięstwa w hackathonie do studentów zgłosiło się już kilka instytucji publicznych oraz firm prywatnych, w tym z sektora obronnego. Pojawiają się również propozycje komercjalizacji, jednak priorytetem pozostaje obecnie przetestowanie rozwiązania.
Projekt powstał z myślą o zastosowaniach wojskowych na polu walki
Projekt powstał z myślą o zastosowaniach wojskowych na polu walki, ale studenci widzą jego potencjał również w ochronie infrastruktury krytycznej oraz obiektów cywilnych.
– Nie zarzuciliśmy możliwości wykorzystania systemu przez wojsko. Uważamy, że każdy pomysł zwiększający bezpieczeństwo Polski jest wart rozwoju. Przed nami jeszcze wiele testów – powiedział Mikołaj Data.
Nad rozwojem technologii pracują również: inżynier uczenia maszynowego Michał Wysocki, programiści Patryk Dziki i Jakub Świątek oraz Piotr Łukasik, odpowiedzialny za wsparcie merytoryczne.
Koło Naukowe Machine Learning działa na Wydziale Matematyki i Fizyki Stosowanej Politechniki Rzeszowskiej od 2020 r. Studenci zajmują się nie tylko uczeniem maszynowym, lecz także tworzeniem oprogramowania i elektroniki z zastosowaniem w biznesie.
