لیزرها به نیروی دریایی ایالات متحده این امکان را میدهند که با سرعت نور بجنگند. سیستمهای لیزری دفاعی کشتی، مجهز به هوش مصنوعی (AI)، میتوانند ارزیابیهای سریع و دقیق هدفگیری را انجام دهند که برای محیط عملیاتی پیچیده و پرسرعت امروزی که در آن پهپادها به یک تهدید فزاینده تبدیل شدهاند، ضروری است.
برای مقابله با تهدیدات به سرعت در حال افزایش ناشی از تکثیر سیستمهای خودکار بدون سرنشین (UAS) ارزان قیمت، یا پهپادها، محققان و همکاران دانشکده تحصیلات تکمیلی نیروی دریایی (NPS) در حال استفاده از هوش مصنوعی برای خودکارسازی بخشهای حیاتی سیستم ردیابی مورد استفاده توسط سیستمهای تسلیحاتی لیزری (LWS) هستند.
با بهبود طبقهبندی هدف، تخمین حالت، انتخاب نقطه هدف و نگهداری نقطه هدف، توانایی یک LWS برای ارزیابی و خنثی کردن یک UAS متخاصم به شدت افزایش مییابد. هدف، مزیت تصمیمگیری پیشرفته است.
سیستم ردیابی یک LWS یک توالی از مراحل دشوار را برای درگیری موفقیتآمیز با یک UAS متخاصم دنبال میکند. هنگامی که این مراحل توسط یک اپراتور انسانی انجام میشود، میتواند زمانبر باشد، به ویژه هنگام مواجهه با پهپادهای متعدد در یک ازدحام. چالشهای موشکها و راکتهای دشمن که با سرعتهای مافوق صوت حرکت میکنند را نیز به آن اضافه کنید، تلاشها برای ایجاد دفاع مناسب پیچیدهتر و فوریتر میشوند.
انرژی هدایتشده و هوش مصنوعی هر دو حوزههای فناوری حیاتی وزارت دفاع (DOD) در نظر گرفته میشوند. با خودکارسازی و تسریع توالی هدفگیری پهپادها با یک LWS مجهز به هوش مصنوعی، یک تیم تحقیقاتی از NPS، مرکز جنگافزارهای سطحی نیروی دریایی دالگرن، لاکهید مارتین، بوئینگ و آزمایشگاه تحقیقات نیروی هوایی (AFRL) رویکردی را توسعه دادند تا اپراتور را در حلقه نظارت بر سیستم ردیابی داشته باشند، نه اینکه به صورت دستی آن را کنترل کنند.
پروفسور برجسته بریج آگراوال، از بخش مهندسی مکانیک و هوافضای NPS که رهبری تیم NPS را بر عهده دارد، میگوید: «دفاع در برابر یک پهپاد مشکلی نیست. اما اگر پهپادهای متعددی وجود داشته باشند، ارسال موشکهای رهگیر میلیون دلاری به یک معاوضه بسیار پرهزینه تبدیل میشود، زیرا پهپادها بسیار ارزان هستند.»
«نیروی دریایی چندین LWS در حال توسعه و آزمایش دارد. شلیک LWS ارزان است اما ساخت آن گران است. اما هنگامی که ساخته شد، میتواند به شلیک ادامه دهد، مانند چند دلار در هر شلیک.»
برای دستیابی به این سطح از خودکارسازی، محققان دو مجموعه داده ایجاد کردند که حاوی هزاران تصویر پهپاد بود و سپس آموزش هوش مصنوعی را روی مجموعههای داده اعمال کردند. این کار یک مدل هوش مصنوعی تولید کرد که در آزمایشگاه اعتبارسنجی شد و سپس برای آزمایش میدانی با سیستم ردیابی LWS به دالگرن منتقل شد.
این تحقیق به کاربردهای پیشرفته هوش مصنوعی و فناوری انرژی هدایتشده که در CNO NAVPLAN ذکر شده است، میپردازد.
درگیری با پهپادها با سیستمهای تسلیحاتی لیزری
در طول یک درگیری معمولی با یک پهپاد متخاصم، رادار تشخیص اولیه را انجام میدهد و سپس اطلاعات تماس به LWS ارسال میشود. اپراتور LWS از حسگر مادون قرمز خود، که میدان دید وسیعی دارد، برای شروع ردیابی پهپاد استفاده میکند.
در مرحله بعد، بزرگنمایی بالا و میدان دید باریک تلسکوپ لیزر پرانرژی (HEL) آن به ردیابی ادامه میدهد، زیرا آینههای فرمان سریع آن قفل روی پهپاد را حفظ میکنند.
با یک صفحه نمایش ویدئویی که تصویر پهپاد را در فاصله دور نشان میدهد، اپراتور آن را با یک مرجع هدف مقایسه میکند تا نوع پهپاد را طبقهبندی کند و نقاط هدف منحصر به فرد آن را شناسایی کند. هر نوع پهپاد ویژگیهای متفاوتی دارد و نقاط هدف آن مکانهایی هستند که آن پهپاد خاص در برابر آتش لیزر ورودی آسیبپذیرتر است.
همراه با نوع پهپاد و تعیین نقاط هدف، اپراتور باید حالت پهپاد، یا جهتگیری نسبی آن نسبت به LWS را شناسایی کند که برای یافتن نقاط هدف آن ضروری است. اپراتور به تصویر پهپاد روی صفحه نگاه میکند تا تعیین کند LWS را به کجا هدایت کند و سپس پرتو لیزر را شلیک میکند.
فواصل طولانی و شرایط جوی بین LWS و پهپاد میتواند به طور نامطلوبی بر کیفیت تصویر تأثیر بگذارد و انجام همه این شناساییها را چالشبرانگیزتر و زمانبرتر کند.
پس از همه این آمادگیها، اپراتور نمیتواند به سادگی یک متقاطع کامپیوتری را روی صفحه نمایش روی یک نقطه هدف حرکت دهد و دکمه آتش را فشار دهد، گویی که یک سیستم تسلیحاتی جنبشی، مانند یک توپ ضد هوایی یا موشک رهگیر است.
اگرچه لیزرها با سرعت نور حرکت میکنند، اما مانند نحوه به تصویر کشیدن لیزرها در فیلمهای علمی تخیلی، فوراً یک پهپاد را نابود نمیکنند. هرچه لیزر قدرتمندتر باشد، انرژی بیشتری را در یک زمان معین تحویل میدهد. برای گرم کردن یک پهپاد به اندازهای که باعث آسیب فاجعهبار شود، لیزر باید تمام مدت شلیک کند.
اگر پهپاد به طور مداوم حرکت کند، در صورت عدم هدفگیری مجدد مداوم، پرتو لیزر در امتداد سطح آن سرگردان میشود. در این حالت، انرژی لیزر به جای تمرکز در یک نقطه، در یک منطقه بزرگ توزیع میشود. این فرآیند شلیک مداوم پرتو لیزر به یک نقطه، نگهداری نقطه هدف نامیده میشود.
تکرار یک لیزر پرانرژی در آزمایشگاه
در سال 2016، ساخت بستر آزمایش تحقیقاتی کنترل پرتو لیزر پرانرژی (HBCRT) توسط تیم تحقیقاتی NPS تکمیل شد. HBCRT برای تکرار عملکردهای یک LWS موجود در یک کشتی، مانند سیستم تسلیحاتی لیزری XN-1 30 کیلوواتی که از سال 2014 تا 2017 روی USS Ponce (LPD 15) استفاده میشد، طراحی شده است.
در ابتدا، HBCRT در NPS برای مطالعه تکنیکهای اپتیک تطبیقی برای تصحیح انحرافات ناشی از شرایط جوی که کیفیت پرتو لیزر شلیک شده از یک LWS را کاهش میدهد، مورد استفاده قرار گرفت. بعداً، افزودن آینههای تغییر شکل دهنده پیشرفته ساخته شده توسط Northrup Grumman به محققان NPS اجازه داد تا تأثیرات بیشتر تلاطم عمیق را بررسی کنند.
در طول سالها، 15 مدرک کارشناسی ارشد و دو مدرک دکترا توسط افسران-دانشجویان NPS که تحقیقات بینرشتهای خود را در سختافزار و نرمافزار مرتبط با HBCRT ارائه کردهاند، کسب شده است.
تحقیقات توسط افسران نیروی دریایی ایالات متحده، ریموند ترنر، مهندسی فضانوردی MS در سال 2022، و ریون هیث، مهندسی هوانوردی MS در سال 2023، به این تحقیق اضافه شد. ترنر به ادغام الگوریتمهای هوش مصنوعی در HBCRT برای انتخاب و نگهداری نقطه هدف کمک کرد، و هیث از یادگیری عمیق برای تحقیق در مورد تخمین نقاط کلیدی هدف هوش مصنوعی استفاده کرد.
اکنون از HBCRT برای ایجاد کاتالوگهای تصاویر پهپاد برای ایجاد مجموعههای داده واقعی برای آموزش هوش مصنوعی نیز استفاده میشود.
HBCRT ساخته شده توسط بوئینگ، دارای یک تلسکوپ HEL ردیابی دقیق به قطر 30 سانتیمتر و یک حسگر مادون قرمز با طول موج متوسط (MWIR) ردیابی درشت است. این جفت هنگامی که روی یک گیمبال بزرگ که آنها را به صورت متحد بالا و پایین و از این طرف به آن طرف میچرخاند، به هم متصل میشوند، هدایتگر پرتو نامیده میشوند.
پروفسور پژوهشی جائه جون کیم، از بخش مهندسی مکانیک و هوافضای NPS که متخصص در کنترل پرتو نوری است، میگوید: «MWIR حرارتی است.»
«این سیگنال مادون قرمز با طول موج متوسط نور را بررسی میکند که مربوط به اثر حرارتی هدف است. میدان دید وسیعی دارد. گیمبال حرکت میکند تا روی هدف قفل شود. سپس هدف از طریق تلسکوپ دیده میشود که میدان دید بسیار کوچکی دارد.»
پرتو لیزر 1 کیلوواتی (تقریباً یک میلیون برابر قدرتمندتر از یک نشانگر لیزری کلاس درس) میتواند از تلسکوپ شلیک شود. اگر قرار باشد از پرتو لیزر استفاده شود، توسط یک واحد خارجی جداگانه تولید میشود و سپس به داخل تلسکوپ هدایت میشود که سپس پرتو لیزر را روی هدف میتاباند.
با این حال، استفاده از آن با HBCRT برای توسعه اولیه این تحقیق مورد نیاز نیست، که به این امکان میدهد تا کار به راحتی در داخل یک آزمایشگاه انجام شود.
تلسکوپ با یک دوربین ردیابی مادون قرمز با طول موج کوتاه (SWIR) میتواند تصاویری از یک پهپاد را که در کیلومترها دورتر است ثبت کند. اگرچه ضروری است، اما تکرار نمای یک پهپاد دوردست در یک آزمایشگاه کوچک غیرممکن است. برای حل این معضل، محققان مدلهای مینیاتوری تیتانیومی چاپ سهبعدی پهپادها را که توسط AFRL ساخته شدهاند، در یک جعبه محدوده (RIAB) نصب کردند.
RIAB که بر روی یک میز نوری ساخته شده است، با استفاده از یک آینه سهموی بزرگ و سایر اجزای نوری، به طور دقیق یک پهپاد را که در کیلومترها دورتر از تلسکوپ پرواز میکند، تکرار میکند. این تحقیق از یک مدل مینیاتوری پهپاد Reaper استفاده کرد. هنگامی که یک تصویر SWIR از مدل پهپاد توسط تلسکوپ گرفته میشود، به نظر میرسد که تلسکوپ یک پهپاد Reaper با اندازه کامل واقعی را میبیند.
مدل پهپاد به یک گیمبال با موتورهایی متصل است که میتواند حالت آن را در امتداد سه محور چرخشی پرواز رول (x)، پیچ (y) و یاو (z) تغییر دهد. این به تلسکوپ اجازه میدهد تا تغییرات بلادرنگ در جهتی که مدل پهپاد رو به رو است را مشاهده کند.
به بیان ساده، حالت، جهتگیری پهپاد است که تلسکوپ در خط دید مستقیم خود «میبیند». آیا پهپاد مستقیماً به سمت جلو در حال حرکت است یا در حال دور شدن، شیرجه زدن یا بالا رفتن، چرخیدن یا حرکت با سرعت ثابت است، یا به روش دیگری حرکت میکند؟
با اندازهگیری زوایا در مورد محورهای x، y و z برای یک مدل پهپاد در یک جهتگیری خاص، حالت پهپاد را میتوان به طور دقیق تعریف و ثبت کرد. این اندازهگیری مهم برچسب حالت نامیده میشود.
مجموعههای داده و آموزش هوش مصنوعی
محققان NPS دو مجموعه داده نماینده بزرگ برای آموزش هوش مصنوعی ایجاد کردند تا مدل هوش مصنوعی را برای خودکارسازی طبقهبندی هدف، تخمین حالت، انتخاب نقطه هدف و نگهداری نقطه هدف تولید کنند. آموزش هوش مصنوعی از شبکههای عصبی کانولوشن با یادگیری عمیق استفاده کرد که یک تکنیک یادگیری ماشین بر اساس درک مسیرهای عصبی در مغز انسان است.
یک مقاله ژورنالی در Machine Vision and Applications توسط اعضای هیئت علمی NPS، لئوناردو هررا، جائه جون کیم و بریج آگراوال، مجموعههای داده و آموزش هوش مصنوعی را به تفصیل شرح میدهد.
هر قطعه داده در مجموعه داده حاوی یک تصویر 256x256 پیکسلی از یک پهپاد Reaper در یک حالت منحصر به فرد با برچسب حالت مربوطه خود بود. لاکهید مارتین از تولید کامپیوتری برای ایجاد مجموعه داده مصنوعی استفاده کرد که حاوی 100000 تصویر بود. مجموعه داده واقعی که با HBCRT و RIAB در NPS ایجاد شده است، حاوی 77077 تصویر بود.
آگراوال میگوید: «اگر ما فقط روی تصاویر تمیز آموزش ببینیم، کار نخواهد کرد. این یک محدودیت است. ما به دادههای زیادی با پسزمینههای مختلف، شدت نور خورشید، تلاطم و موارد دیگر نیاز داریم. به همین دلیل است که هنگام استفاده از هوش مصنوعی، ایجاد داده کار زیادی میبرد. و هرچه داده بیشتری داشته باشید، دقت بالاتر خواهد بود.»
برای مدل هوش مصنوعی، سه سناریوی آموزشی مختلف هوش مصنوعی ایجاد و مقایسه شد تا تعیین شود کدام سناریو بهترین عملکرد را دارد. سناریوی اول فقط از مجموعه داده مصنوعی استفاده کرد، سناریوی دوم از هر دو مجموعه داده مصنوعی و واقعی استفاده کرد و سناریوی سوم فقط از مجموعه داده واقعی استفاده کرد.
از آنجایی که اندازههای بزرگ مجموعههای داده و قطعات داده فردی آنها به مقادیر زیادی قدرت محاسباتی برای آموزش هوش مصنوعی نیاز داشت، محققان از یک ایستگاه کاری NVIDIA DGX با چهار GPU Tesla V100 استفاده کردند. NPS ایستگاههای کاری NVIDIA متعددی را اداره میکند. و در دسامبر 2024، برای ادامه پیشرفت فناوریهای مبتنی بر هوش مصنوعی، NPS با NVIDIA مشارکت کرد تا به یکی از مراکز فناوری هوش مصنوعی آن تبدیل شود.
آگراوال میگوید: «هنگامی که مدلی را ایجاد کردیم، میخواهیم آزمایش کنیم که چقدر خوب است. فرض کنید شما یک مجموعه داده با 100000 داده دارید. ما روی 80000 داده آموزش میدهیم و روی 20000 داده آزمایش میکنیم. هنگامی که با 20000 داده خوب بود، آموزش آن را تمام میکنیم.»
افسر نیروی دریایی ایالات متحده، الکس هوکر، یک دانشمند کفاش که اخیراً مدرک MS خود را در مهندسی فضانوردی از NPS دریافت کرده است و اکنون یک دانشجوی هوانورد دریایی است، به آزمایش تخمینهای حالت مدل هوش مصنوعی کمک کرد.
او میگوید: «یکی از راههای بهبود قابلیت اطمینان مدل در پیشبینی حالت یک UAS در فضای سهبعدی با گرفتن تصاویر ورودی دوبعدی، تشخیص چیزی است که داده خارج از توزیع نامیده میشود. راههای مختلفی برای تشخیص اینکه آیا به یک تصویر میتوان اعتماد کرد یا خیر، وجود دارد.»
با تغذیه تصاویر داده آزمایشی از مجموعه داده به مدل هوش مصنوعی موجود و سپس مقایسه حالتهای خروجی از مدل هوش مصنوعی با برچسبهای حالت تصاویر داده آزمایشی، هوکر میتواند به طور مداوم مدل هوش مصنوعی را آموزش و اصلاح کند.
در حال حاضر نیکلاس مسینا، دانشجوی مهندسی سیستمهای فضایی NPS که سال گذشته از آکادمی نیروی دریایی ایالات متحده در رشته مهندسی هوافضا فارغالتحصیل شده است و یک بومن اسکالر است که پس از NPS به مسیر شغلی نیروی هستهای میرود، با آگراوال همکاری میکند.
مسینا گفت: «پایاننامهام کمی انحراف در نحوه کارم با هوش مصنوعی و اپتیک است، اما دکتر آگراوال و دکتر هررا عالی بودهاند. تحقیقات من به طور خاص روی پیشبینی و طبقهبندی تلاطم نوری کار میکند. من مدلهای هوش مصنوعی خود را بر اساس مجموعههای داده تصویر بزرگ آموزش میدهم و در تلاش هستم تا دقت در نحوه پیشبینی مدل جبهههای موج از یک تصویر را بهبود بخشم.»
از آنجایی که یک LWS پهپاد سهبعدی را که در دوردست پرواز میکند به عنوان تصاویر دوبعدی در طیف مادون قرمز مشاهده میکند، ویژگیهای شکل پهپاد به طور موثر در یک شبح ناپدید میشوند. به عنوان مثال، شبح یک پهپاد که مستقیماً رو به جلو پرواز میکند، شبیه به این خواهد بود که در جهت مخالف دقیقاً در حال دور شدن باشد.
محققان ابهام حالت را برای مدل هوش مصنوعی با معرفی نشانه رادار حل کردند. دادههای ردیابی از یک رادار میتواند نشان دهد که آیا یک پهپاد در حال نزدیک شدن، عقبنشینی یا حرکت به روش دیگری است.
برای آموزش هوش مصنوعی، از برچسبهای حالت تصاویر پهپاد برای تقلید از خروجی حسگر رادار واقعی استفاده شد. این تیم همچنین یک روش جداگانه برای شبیهسازی دادههای رادار و ارائه نشانه رادار در طول عملیات LWS در صورت عدم وجود دادههای رادار واقعی ایجاد کرد.
به طور کلی، مدل هوش مصنوعی از سناریویی که فقط از مجموعه داده واقعی استفاده میکند، با تولید کمترین میزان خطا، بهترین عملکرد را داشت.
برای مرحله بعدی تحقیق، این تیم مدل هوش مصنوعی را برای آزمایش میدانی روی سیستم ردیابی LWS خود به دالگرن منتقل کرد.
لئوناردو هررا، که آزمایشگاه هوش مصنوعی را در NPS اداره میکند و یک عضو هیئت علمی در بخش مهندسی مکانیک و هوافضا است، میگوید: «دالگرن مدل ما را دارد، که ما روی مجموعه داده جمعآوری شده در داخل خانه روی HBCRT آموزش دادهایم و با دادههای مصنوعی تکمیل کردهایم. آنها میتوانند با استفاده از یک پهپاد دادههای زنده جمعآوری کنند و یک مجموعه داده جدید برای آموزش در بالای مال ما ایجاد کنند. به این یادگیری انتقالی میگویند.»
ایجاد دادههای بیشتر در شرایط اضافی و از انواع پهپادهای دیگر نیز در NPS ادامه خواهد داشت. فقط به این دلیل که مدل هوش مصنوعی از قبل روی یک Reaper آموزش دیده است، به این معنی نیست که برای پهپادهای دیگر قابل اعتماد است. اما حتی قبل از اینکه مدل هوش مصنوعی بتواند مستقر شود، ابتدا باید در سیستم ردیابی دالگرن ادغام شود.
اریک مونتاگ، یک دانشمند تصویربرداری در دالگرن و رهبر گروهی که یک سیستم ردیابی LWS را توسعه داده است که در حال حاضر توسط High Energy Laser Expeditionary (HELEX) استفاده میشود، که یک LWS نصب شده روی یک نمایشگر زمینی است، میگوید: «اکنون مدل را در زمان واقعی در داخل سیستم ردیابی خود اجرا میکنیم.»
مونتاگ اضافه میکند: «در این سال تقویمی، ما در حال برنامهریزی یک نمایش از انتخاب خودکار نقطه هدف در داخل چارچوب ردیابی برای یک اثبات ساده از مفهوم هستیم.»
«ما نیازی به شلیک لیزر برای آزمایش قابلیتهای خودکار نقطه هدف نداریم. در حال حاضر پروژههایی وجود دارد - HELEX یکی از آنها است - که به این فناوری علاقهمند هستند. ما با آنها مشارکت کردهایم و از پلتفرم آنها با سیستم ردیابی خود شلیک میکنیم.»
هنگامی که آزمایش میدانی رخ میدهد، HELEX ردیابی را از نشانههای رادار آغاز میکند و از تخمین حالت برای انتخاب خودکار یک نقطه هدف استفاده میکند. سیستم ردیابی HELEX نیمه خودکار خواهد بود. بنابراین، به جای کنترل دستی جنبههای سیستم ردیابی از داخل حلقه، اپراتور از خارج حلقه بر آن نظارت خواهد کرد.
علاوه بر LWS، این تحقیق همچنین امکانات دیگری را برای استفاده در سراسر ناوگان باز میکند. سیستمهای ردیابی در سراسر پلتفرمهای دیگر نیز میتوانند از این نوع اتوماسیون مجهز به هوش مصنوعی بهرهمند شوند.
در زمانی که دفاعهای کشتی میتوانند توسط امواج عظیم پهپادها، موشکها و راکتها تهدید شوند، جهش در کارایی تعیین دوست یا دشمن و درگیر شدن با تهدیدات متخاصم میتواند یک تغییر دهنده بازی برای سرعت بخشیدن به مزیت تصمیمگیری باشد.
اطلاعات بیشتر: Leonardo Herrera et al, Deep learning for unambiguous pose estimation of a non-cooperative fixed-wing UAV, Machine Vision and Applications (2024). DOI: 10.1007/s00138-024-01630-3
تهیه شده توسط دانشکده تحصیلات تکمیلی نیروی دریایی