۷ فناوری هوش مصنوعی که پهپادهای نظامی را هوشمندتر و مرگبارتر می‌کنند | موبوگیم

فناوری‌های هوش مصنوعی به دسته‌های پهپاد نظامی کمک می‌کنند تا با خودمختاری بیشتری عمل کنند.

دسته‌های پهپاد نظامی در حال تبدیل شدن به یکی از مهم‌ترین و تأثیرگذارترین پیشرفت‌ها در عرصه جنگ‌افزارهای بدون دخالت مستقیم انسان هستند.

برخلاف عملیات‌های پهپادی متعارف که در آن‌ها هر پرنده به صورت جداگانه کنترل می‌شود، این دسته‌ها به گونه‌ای طراحی شده‌اند که به چندین سیستم بدون سرنشین اجازه می‌دهند با یکدیگر هماهنگ شوند، اطلاعات را به اشتراک بگذارند، خود را با شرایط میدان نبرد وفق دهند و مأموریت‌ها را به صورت دسته‌جمعی به انجام برسانند.

هوش مصنوعی در مرکز این توانمندی قرار دارد. این فناوری به پهپادها کمک می‌کند تا داده‌های حسگرها را تفسیر کنند، در محیط‌های پرخطر و مورد مناقشه مسیریابی کنند، وظایف را بین خود تقسیم کنند، با سایر پلتفرم‌ها ارتباط برقرار کنند و از حجم کاری اپراتورهای انسانی بکاهند.

در ادامه، هفت فناوری مبتنی بر هوش مصنوعی که امکان ایجاد دسته‌های پهپاد نظامی را فراهم می‌کنند، آورده شده است:

۷. هوش جمعی و هماهنگی چندعاملی

هوش جمعی به چندین پهپاد اجازه می‌دهد تا به جای پرنده‌هایی منزوی و جدا از هم، به عنوان یک گروه هماهنگ عمل کنند.

این سیستم‌ها از الگوریتم‌های غیرمتمرکز استفاده می‌کنند. این الگوریتم‌ها تعیین می‌کنند که پهپادهای منفرد چگونه با یکدیگر تعامل داشته باشند، آرایش پروازی خود را حفظ کنند، وظایف را تقسیم کنند، به موانع واکنش نشان دهند و در صورت از دست رفتن برخی از اعضای گروه، چگونه خود را با شرایط جدید سازگار کنند.

این رویکرد تا حدی از رفتارهای جمعی در طبیعت، مانند دسته‌های پرندگان و کلنی‌های حشرات الهام گرفته شده است. برنامه‌های تحقیقاتی نظامی پیش از این، این مفهوم را به طور گسترده مورد بررسی قرار داده‌اند.

برنامه دارپا (DARPA)، آژانس پروژه‌های پژوهشی پیشرفته دفاعی آمریکا، با نام OFFSET، بررسی کرده است که چگونه گروه‌های بزرگی از سیستم‌های خودران می‌توانند در طول عملیات‌های پیچیده، از جمله مأموریت در محیط‌های متراکم شهری، با یکدیگر همکاری کنند.

مزیت اصلی این روش، تاب‌آوری و مقاومت آن است. از آنجا که کنترل می‌تواند بین چندین پرنده توزیع شود، از بین رفتن یک پهپاد لزوما کل آرایش گروه را فلج نمی‌کند.

۶. هوش مصنوعی لبه و محاسبات توزیع‌شده درون‌بردی

دسته‌های پهپاد نظامی نمی‌توانند همیشه برای ارسال تک‌تک اطلاعات به یک مرکز فرماندهی دوردست متکی باشند. جنگ الکترونیک، تداخلات ارتباطی، محدودیت‌های پهنای باند یا موانع فیزیکی می‌توانند این ارتباط را مختل کنند.

هوش مصنوعی لبه (Edge AI) این مشکل را با فراهم کردن امکان پردازش اطلاعات مستقیما روی خود پهپاد برطرف می‌کند.در فناوری لبه، پردازش داده‌ها به جای ارسال به سرورهای مرکزی و اینترنت، در همان دستگاهی که داده را تولید کرده انجام می‌شود که باعث افزایش سرعت و کاهش وابستگی به شبکه می‌گردد.

پردازنده‌های هوش مصنوعی می‌توانند تصاویر را تحلیل کنند، اطلاعات حسگرها را تفسیر کنند، اشیاء را تشخیص دهند و بدون نیاز به دسترسی مداوم به زیرساخت‌های پردازشی از راه دور، از مسیریابی پشتیبانی کنند.

محاسبات توزیع‌شده همچنین اجازه می‌دهد تا بار کاری بین چندین پهپاد تقسیم شود. به جای وابستگی کامل به یک پردازنده مرکزی، اعضای این دسته پهپادی می‌توانند با استفاده از توانمندی‌های پردازشی داخلی خود، در پیشبرد مأموریت کلی مشارکت کنند. این امر باعث کاهش تاخیر در انتقال داده‌ها می‌شود و همزمان به سیستم‌های خودران اجازه می‌دهد تا واکنش سریع‌تری نسبت به شرایطِ متغیر میدان نبرد نشان دهند.

۵. شبکه‌های توری (Mesh Networking) مبتنی بر هوش مصنوعی و ارتباطات انعطاف‌پذیر

ارتباطات همچنان برای عملیات‌های دسته‌جمعی پهپادها حیاتی است.

شبکه‌های توری به پهپادها اجازه می‌دهند تا به جای اتکای انحصاری به یک مرکز ارتباطی واحد، اطلاعات را مستقیما با یکدیگر تبادل کنند. در یک شبکه توری یا Mesh، هیچ دستگاه مرکزی و اصلی‌ای وجود ندارد و هر پهپاد به عنوان یک دکل مخابراتی کوچک عمل کرده و اطلاعات را به پهپاد بعدی پاس می‌دهد.

هر پرنده به طور بالقوه می‌تواند به عنوان یک گره (نقطه اتصال) در شبکه عمل کند و داده‌های حسگرها، داده‌های موقعیت‌یابی و به‌روزرسانی‌های مأموریت را در سراسر گروه منتقل کند.

شبکه‌سازی انطباق‌پذیر در محیط‌های پرخطر بسیار ارزشمند می‌شود. زمانی که ارتباط یک پرنده مختل شود، اطلاعات می‌تواند از طریق سایر پهپادهای در دسترس مسیردهی مجدد شود. نیروی دریایی ایالات متحده پیش از این در طول مانورهای نظامی خود، سیستم‌های بدون سرنشین مبتنی بر شبکه توری را آزمایش کرده است؛ مانورهایی که در آن‌ها اطلاعات هدف‌گیری و حسگرها در بین پلتفرم‌های شرکت‌کننده توزیع می‌شد.

۴. مسیریابی با هوش مصنوعی در محیط‌های فاقد جی‌پی‌اس

اختلال در سیستم موقعیت‌یاب جهانی (GPS) یک چالش بزرگ برای سیستم‌های خودمختار نظامی است.

دشمنان می‌توانند سیگنال‌های ناوبری ماهواره‌ای را مسدود کرده یا با ارسال سیگنال‌های جعلی آن‌ها را فریب دهند (Spoofing) که این امر مانع از تعیین دقیق موقعیت پهپادها می‌شود. به همین دلیل، سیستم‌های خودران نظامی به طور فزاینده‌ای به فناوری‌های مسیریابی جایگزین مجهز می‌شوند.

مسافت‌سنجی بصری-اینرسی می‌تواند تصاویر دوربین‌ها را با حسگرهای حرکتی ترکیب کند تا حرکت پهپاد را تخمین بزند. مسیریابی مبتنی بر عوارض زمین نیز محیط مشاهده‌شده را با نقشه‌های از پیش ذخیره‌شده مقایسه می‌کند، در حالی که فناوری لایدار (LiDAR) که با استفاده از تابش لیزر فاصله را می‌سنجد و سایر حسگرها به پرنده در درک محیط پیرامونش کمک می‌کنند.

هوش مصنوعی می‌تواند این ورودی‌های مختلف را پردازش کرده و به طور پیوسته موقعیت مکانی پرنده را تخمین بزند. این قابلیت‌ها به دسته‌های پهپادی اجازه می‌دهد تا در زمان از کار افتادن ماهواره‌ها، همچنان به عملیات خود ادامه دهند.

۳. تلفیق چندگانه حسگرها

پهپادهای نظامی مدرن می‌توانند چندین نوع حسگر مختلف از جمله دوربین‌های الکترواپتیکال، سیستم‌های فروسرخ (مادون قرمز)، رادار و تجهیزات جنگ الکترونیک را با خود حمل کنند.

به صورت مجزا، هر حسگر تنها بخشی از تصویر میدان نبرد را ارائه می‌دهد. فناوری تلفیق حسگرها، اطلاعات منابع متعدد را با هم ترکیب می‌کند تا درک مفیدتر و جامع‌تری از محیط پیرامون ایجاد کند.

الگوریتم‌های هوش مصنوعی می‌توانند داده‌های دریافتی را مقایسه کنند، ارتباطات بین آن‌ها را تشخیص دهند، اطلاعات غیرضروری را فیلتر کنند و تهدیدات واقعی را از نویزهای پس‌زمینه (سیگنال‌های مزاحم) متمایز کنند. در یک دسته پهپادی، این قابلیت به مراتب قدرتمندتر می‌شود، زیرا چندین پهپاد می‌توانند یک محیط واحد را از زوایای مختلف رصد کنند و تصویر عملیاتی گسترده‌تر و دقیق‌تری بسازند.

۲. تیم‌سازی انسان و دسته پهپادی و مدیریت ماموریت

کنترل ده‌ها یا صدها پهپاد به صورت تک‌به‌تک، اپراتورهای انسانی را به شدت تحت فشار قرار می‌دهد. تیم‌سازی انسان-دسته پهپادی سعی دارد این مشکل را با ارتقای نقش اپراتورها از هدایت مستقیم (خلبانی) به سمت مدیریت کلان ماموریت حل کند.

به جای مشخص کردن تک‌تک حرکات، پرسنل انسانی می‌توانند اهداف کلی، مرزهای جغرافیایی، اولویت‌ها یا محدودیت‌های ماموریت را تعیین کنند. سپس سیستم‌های خودران تعیین می‌کنند که پهپادهای مشارکت‌کننده چگونه باید وظایف را بین خود توزیع کرده و هماهنگ شوند.

آژانس دارپا با شبیه‌سازی این مفهوم، نشان داده است که چگونه واحدهای نظامی کوچک می‌توانند تعداد زیادی از سیستم‌های بدون سرنشین را مدیریت کنند. هدف از این کار لزوما حذف کامل انسان نیست، بلکه فراهم کردن امکانی است که یک اپراتور بتواند بر آرایش‌های خودکار که به طور فزاینده‌ای پیچیده‌تر می‌شوند، نظارت کند.

۱. تشخیص هدف و طبقه‌بندی تهدیدات

در نهایت، بینایی ماشین و یادگیری ماشین می‌توانند به پهپادها در تفسیر آنچه حسگرهایشان تشخیص می‌دهند، کمک کنند. سیستم‌های تشخیص مبتنی بر هوش مصنوعی می‌توانند تصاویر را برای کشف، طبقه‌بندی و ردیابی اشیاء مهم تحلیل کنند.

در درون یک گروه، مشاهدات پلتفرم‌های متعدد می‌توانند با یکدیگر مقایسه شوند؛ به این ترتیب، هدفی که توسط یک پهپاد شناسایی شده است، توسط سایر پهپادها تأیید یا ردیابی می‌شود. این قابلیت از ماموریت‌های شناسایی، نظارت، هشدار تهدید و آگاهی از وضعیت میدان نبرد پشتیبانی می‌کند.

این هفت فناوری در کنار یکدیگر، در حال دگرگون کردن دسته‌های پهپادی هستند و آن‌ها را از مجموعه‌ای از پرنده‌های بدون سرنشین ساده، به سیستم‌های خودمختار به شدت هماهنگی تبدیل می‌کنند که قادر به حس کردن، ارتباط برقرار کردن، مسیریابی و اقدام به عنوان یک نیروی شبکه‌محور هستند.