Subskrybuj nas na Youtube
Zapisz się na newsletter
–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.
