Если вы думаете, что дроны лишь связаны с оборонной промышленностью — ошибаетесь. 

 

Использование беспилотных аппаратов — это и про дронов-доставщиков. Благодаря им можно доставлять еду из “Самоката”, “Яндекса” в несколько раз быстрее… Пицца не остывает, шаурма не размокает — вот вам и плюсы полета вашей доставки. Возможность обходить пробки и отсутствие необходимости позволяют доставлять практически любые грузы в кратчайшие сроки, вплоть до 15 минут. Дорого то нет, как и пробок. 

 

В сельском хозяйстве дроны также находят широкое применение: они используются для распыления пестицидов, наблюдения за состоянием посевов и даже для управления скотом. Представьте, как ваш жужжащий дрон гоняет толпы коров. Конечно, здесь что-то от Киберпанка. 

 

Такой метод практикуется в Австралии и Новой зеландии. Исследования показали, что уровень стресса у овец даже ниже в сравнении с собаками-пастухами. 

 

 

Если говорить про ведение хозяйства в целом — дроны могут так же, как и пчелы, опылять цветы. Американская компания DropCopte как раз задействует беспилотники, чтобы заменить пчелок и увеличить качество и количество вишни, яблок, груш. К сожалению, мы наблюдаем явные примеры вымирания желтых друзей… 

 

Дроны могут выполнять и спасательную функцию — обнаружение жертв завалов, лавин и оползней… Например, Little Ripper в Австралии смог сбросить два спасательных круга на тонущих подростков. Уточним, что спасатели довольно часто погибают при выполнении своей работы, поэтому развитие технологии дронов не только поможет людям, неудачно скатившимся по заснеженным «волнам». 

 

 

В Руанде, Гане и странах Океании приспособили дронов к доставкам фармы, крови для переливания, вакцин. Активно в этом направлении работает Калифорнийская компания Zipline. 

 

 

Сейсмические подвижки — дело рук дронов. С 2021 года NCM в Дубае провели 121 испытание по засеву облаков. Получилось вызывать дождь над жемчужиной ОАЭ. А ведь отсутствие воды убивает свежую растительность в городе, поэтому любые исследования в этой области — исключительный плюс для шейхов. 

 

Но Дубай, сам по себе город исследований и предпринимательства, развернут в сторону ресерчеров и технологов в сфере дронов. 

 

Разработчики Дубая, например, уже завершили цифровое картографирование Кремниевого Оазиса (DSO) и будут прокладывать маршруты и места посадки беспилотных летательных аппаратов по всему эмирату.  

 

Недавно компания успешно провела испытания беспилотника Skye Ship One, который считается самым надежным в Индии (беспилотник совершил более 17 тыс. полетов).  

 

 

В ноябре 2021 года поставщик решений “дрон в коробке”, Percepto, объявил о выпуске нового дрона под названием Air Mobile. По словам компании, Air Mobile идеально подходит для линейных проверок и может контролировать краткосрочные проекты на нескольких объектах в таких секторах как строительство. 

 

Дроны Air Mobile могут постоянно храниться на соответствующих базах Percepto. Кожухи предназначены для нечастого обслуживания и защиты от экстремальных явлений окружающей среды (ураганы, смерчи).

 

В Азиатско-Тихоокеанском регионе ожидается самый высокий рост за прогнозируемый период.

 

Ожидается, что недавние изменения в правилах использования дронов в нескольких странах региона поспособствуют рынку в Азиатско-Тихоокеанском регионе.

 

За последние шесть лет Китай стал глобальным центром производства дронов. Более 70% мирового рынка гражданских дронов поддерживается Китаем. Правительство предоставляет различные схемы субсидирования.

 

В Китае растущий спрос на дроны растет в геометрической прогрессии для всего: мониторинга, инспекции, съемки и наблюдения в строительстве, сельском хозяйстве, инфраструктуре, энергетике, телекоммуникациях, горнодобывающей промышленности и страховании – все это стимулирует прирост “коммерческих” дронов в регионе.

 

Правительство Японии недавно ввело новые правила для производителей и пользователей дронов, которые могут поддержать японский рынок будущем. 

 

Правительство  объявило о своих планах создать упрощенную систему регистрации к 2022 году, чтобы предложить больше возможностей для дронов – в 2024 мы систему получили. 

 

Инвестируют в дроны по всему миру. Но главное преимущество технологии для ИИ-фаундера – возможность автоматизировать достаточно рутинные процессы эксплуатации и обслуживания полей/пчелоферм и даже полива засушливой среды ОАЭ.

 

 

Сегодня речь пойдет о стартапе, который применил технологию ИИ в надежде создать универсальный дрон для гибкой работы – Xtend. 

 

Нейросети для дронов – это проекты, которые априори монопродуктивны. Компания не распыляется – стартап выходит из пространства пузыря, который так приписывают рынку нейросетей. 

 

Технология стартапа 

 

XOS выполняет задачи в любой среде с минимальной подготовкой: достаточно направить машину и дать ей внятные инструкции по приведенным промтам через приложение своего смартфона. Беспилотник может фактически работать без GPS в обстановке с почти нулевой видимостью. 

 

Через операционную систему XOS можно загрузить дополнительные инструкции и расширить функционал: теперь пчелок можно не только опылять, но и отпугивать от сектора пасеки… 

 

В основе функционирования таких дронов лежит сложная система сбора и обработки данных, поступающих от различных сенсоров. Сенсоры включают камеры, лидары, GPS-модули и инерциальные измерительные блоки (IMU), которые обеспечивают всестороннее восприятие окружающей среды. 

 

Когда дрон находится в движении, камеры фиксируют визуальные данные о местности, лидары проводят лазерное сканирование, создавая трёхмерные модели окружающих объектов, GPS-модули предоставляют точные координаты положения дрона, а IMU измеряет ускорение и угловую скорость. 

 

Лидар, в свою очередь, создаёт трёхмерную карту этой же траектории, фиксируя точные расстояния до объектов и их размеры. Нейросеть объединяет эти данные, создавая комплексное представление о ситуации. Lidar – радиолокационная система. Мы отправляем лазер во внешнюю среду и оптически измеряем рассеянность и углы возвращения света, формируя карту окружающей среды. 

 

Ключевое отличие стартапа от конкурентов — их дроны могут работать без GPS в целом. Поэтому даже в труднодоступных локациях (Северная часть России) дроны поработают за нефтяников. Возможно, что именно технология FVP убирает потребность в GPS, поэтому подобный плюс может быть лукавством компании. 

 

Собранные данные от всех этих сенсоров поступают в центральный процессор дрона, где происходит их первичная обработка: фильтрацию шумов, синхронизацию данных и преобразование их в формат, пригодный для дальнейшего анализа. После этого данные поступают в мультиагентные нейросети. 

 

Сделано это для конкуренции ИИ, обрабатывающих данные с Лидаров, GPS и других локаторов. Ну представьте, по GPS вы вдруг оказались внутри Марианской впадины — вам нужно срочно починить электропроводку. Тогда основное управление полностью передается сенсорным системам и сопровождающим их нейросетям. 

 

Безусловно, процесс — гибкий. Мы уже писали в предыдущем стартапе, что системы награждения и «контрактов» помогают общей нейронке адаптировать ресурсозатраты и выжимать из «оркестра» ИИ максимум.  Мультимодальные нейросети имеют способность обрабатывать и объединять данные из нескольких сенсорных каналов: визуальные данные от камер и пространственные данные от лидаров. 

 

Например, камера может зафиксировать изображение пути, на котором видны препятствия или небоскребы. Суть в том, что мультимодальные и контрагентные ИИ работают не так уж просто: отдельная нейросеть может существовать как агент и собирать данные с тепловизора, так и с GPS одновременно. 

 

Тип данных не указывает на одну нейросеть, которая их обрабатывает. Мы специально упомянули, что ИИ в дронах работают мультимодально – одна нейронка может принимать данные с LIDAR и тепловизора. 

 

После интеграции данных нейросеть начинает анализировать их, чтобы понять окружающую среду и выработать соответствующие действия. 

 

В настоящее время развиваются методы построения заднего плана, основанные на применении искусственных нейронных сетей. Эти методы используют свойство нейронной сети – адаптации к входным данным засчет введения настраиваемых обратных связей. 

 

Каждый пиксель фона управляется своей нейронной сетью, в результате чего через некоторое время, требуемое для настройки (обучения) нейронной сети, формируется модель фона, способная заданным образом подстраиваться к изменениям входного изображения.

 

Сегодня активно развиваются всякие методы построения заднего плана. Каждый пиксель фона управляется своей нейронной сетью, в результате чего через некоторое время, требуемое для настройки (обучения) нейронной сети, формируется модель фона, способная заданным образом подстраиваться к изменениям входного изображения. Используются геометрические методы, методы, основанные на динамических характеристиках движения, и методы, использующие динамические текстуры.

 

Геометрические методы классификации в компьютерном зрении базируются на двух важных концепциях, которые являются основой для определения и распознавания объектов в видеопотоке. 

 

Первая концепция — это классификационная метрика, которая определяет меру близости между рассматриваемым объектом и шаблоном из имеющейся базы данных. Это позволяет системе сравнивать текущие данные с заранее известными образцами и определять, к какому классу объект относится.

 

Вторая концепция — временная согласованность — предполагает, что объекты классифицируются только тогда, когда они присутствуют в видеопотоке в течение нескольких последовательных кадров. 

 

Подходит для ситуаций, где объекты должны быть обнаружены не единичными моментами времени, а на протяжении некоторого временного интервала, чтобы исключить ложные срабатывания из-за случайных или кратковременных всплесков активности.

 

Однако визуальное распознавание объектов в условиях реального мира может быть осложнено наложением нескольких объектов на одном кадре, что приводит к искажениям и может затруднить правильное классифицирование объектов. 

 

Например, группа людей, идущих рядом, на одном кадре может создать образ, который визуально напоминает автомобиль из-за их близкого расположения и перекрытия друг друга. Поэтому должна проводиться и сегментация. 

 

 

Динамические методы классификации в компьютерном зрении базируются на анализе периодичных движений объектов. Периодичность – распространенное свойство движущихся объектов, так как многие из них демонстрируют повторяющиеся позы или движения в определённые промежутки времени. 

 

Например, у человека во время ходьбы или бега можно выделить характерные циклические движения конечностей и тела, которые повторяются с определённой периодичностью. Такие же периодические движения можно наблюдать и у животных.

 

Использование периодичности движений для классификации объектов в компьютерном зрении предполагает анализ и распознавание этих циклических паттернов. Для этого могут применяться различные методы обработки временных рядов, как классические, так и современные алгоритмы машинного обучения. 

 

Например, анализ Фурье может использоваться для выделения частотных компонент движения, а временные модели, такие как скрытые марковские модели (HMM), могут применяться для классификации и распознавания периодических паттернов в данных.

 

 

После этого можно переходить к следующему этапу — отслеживанию траектории каждого движущегося объекта — трекингу. Для осуществления трекинга нужно установить взаимно-однозначное соответствие между обнаруженными объектами на последовательных кадрах. 

 

Конечно, до полной автоматизации далеко, поэтому, как и в беспилотниках Тесла, есть возможность управления несколькими платформами человеком. На пилота надеваются специальные очки, через которые “управленец” видит происходящее вокруг. Поэтому дроны этого проекта полноценно можно назвать FVP-дронами. 

 

Проблемы проекта и устройство дрона FVP:

 

 

Одна из основных проблем — это сложность интеграции различных аппаратных и программных компонентов. Дроны, оснащённые ИИ, требуют высокоточных сенсоров, таких как камеры, лидары, GPS-модули и инерциальные измерительные блоки (IMU). Даже если мы ориентируемся на проектирование 

 

Эти сенсоры должны работать в унисон, предоставляя данные в режиме реального времени для анализа и принятия решений. Однако проблемы синхронизации и калибровки сенсоров могут существенно затруднить этот процесс. Тут дело не столько в обучении нейросетей, сколько в подготовке данных и их “пристройке” к данным, по которым будет действовать ИИ в реальном времени. 

 

Следующая значительная проблема — это вычислительная мощность и энергоэффективность. Дроны ограничены в размере и весе, что накладывает ограничения на возможную аппаратную начинку. 

 

Процессоры TPU и графические процессоры (GPU), необходимые для работы сложных нейросетевых моделей, требуют значительных энергозатрат. 

 

А что насчет самого дрона? – максимальная работа компактных дронов по мировым рекордам – 70 часов. Что будет, если классического V-Mount не хватит на поставку электроэнергии в дроны? Большинство коммерческих и потребительских дронов на сегодня могут работать от нескольких минут до часа в зависимости от модели и использования. Сложно сказать, как проект решает эту проблему сегодня. Ведь проблема энергопотребления – камень преткновения для дронов в принципе и задач, которые он может выполнять. 

 

Сюда подключается проблема SWaP (Size, Weight, and Power — Размер, Вес и Мощность). Если для работы нейронок потребуется много электроэнергии – дополнительные аккумуляторы понизят общие показатели SWaP. Повышение веса = снижение полезной нагрузки на дрон. Число поставок может снизиться, из-за чего выгода от интеграции дронов в условный “Самокат” теряется. 

 

Единственное решение – инженерное. Можно исправить саму конструкцию дрона, сделать его обтекаемым, добавить крылья и сделать из мини-вертолета – птицу. Насколько подобные решения адекватны, сказать сложно.