Активный отдых и экстремальные виды спорта становятся все более популярными видом времени провождения. При этом к примеру в горах теряются не только приезжие гости, которые самостоятельно отправлялись на прогулки, но и участники зарегистрированных тургрупп, и местные грибники. Дроны уже активно используются в поисково-спасательных операциях.
Исследователи из Университета Глазго создали ИИ-модель, которая поможет дронам в поиске пропавших туристов. Она обучена на географических данных горных районов Шотландии. Это один из наиболее популярных, но и самых труднопроходимых в мире районов для хайкинга.
Что пишет автор исследования, Хендрик Эверс
Область для поисково-спасательных работ в Шотландии отличается чрезвычайно разнообразным, а также весьма опасным рельефом. Возможность отправить беспилотник и эффективно вести поиски с его помощью потенциально может спасти жизни.
Технологии распознавания лиц
Одной из наиболее применяемых технологий ИИ в поиске пропавших людей является распознавание лиц. Множество городов по всему миру оснащены камерами видеонаблюдения, которые фиксируют передвижение людей. Современные алгоритмы распознавания лиц могут анализировать огромное количество видеозаписей в кратчайшие сроки, сопоставляя изображения пропавшего человека с базой данных. Примером такой технологии является система FindFace, которая уже доказала свою эффективность в ряде стран.
Использование дронов и спутниковых снимков
Современные дроны, оснащенные камерами высокого разрешения и ИИ, позволяют сканировать большие территории в поисках пропавших людей, особенно в труднодоступных местах, таких как горные районы или леса. ИИ может автоматически анализировать снимки, выявляя аномалии или объекты, которые могут указывать на присутствие человека. Спутниковые снимки также играют важную роль, особенно в масштабных операциях по поиску и спасению.
Системы прогнозирования и моделирования
ИИ также используется для создания прогнозов и моделирования возможного поведения пропавших людей. На основе различных данных, таких как предыдущие случаи исчезновения в данном регионе, погодные условия и поведение человека до исчезновения, ИИ может строить модели, которые помогут определить наиболее вероятные маршруты или места, где может находиться пропавший. Такие системы позволяют сосредоточить усилия поисковых команд в наиболее перспективных районах.
Этические аспекты и вызовы
Несмотря на многочисленные преимущества использования ИИ в поиске пропавших людей, существуют и определенные вызовы. Один из них - это защита персональных данных и право на частную жизнь. Технологии, которые используются для отслеживания и анализа данных, должны быть тщательно регулируемыми, чтобы предотвратить их злоупотребление. Важно также обеспечить прозрачность алгоритмов и методов, используемых для поиска.
Еще одним вызовом является необходимость в значительных ресурсах для разработки и внедрения таких технологий. Государства и организации должны инвестировать в инфраструктуру, обучение специалистов и разработку программного обеспечения, чтобы максимально эффективно использовать потенциал ИИ.
Какие данные использовали?
Учёные загрузили в нейросеть данные о маршрутах пропавших и найденных туристов по всему миру, включили информацию о возрасте туристов, цели похода, численности группы, способе передвижения, учли данные о рельефе их пути и местах обнаружения.
Модель запускали много раз, каждый раз имитируя поиск, чтобы определить наиболее вероятные пути потерявшихся. В результате получилась карта вероятностей, которая указывает приоритетные области поиска пропавших людей.
Традиционные методы поиска и спасения в диких районах могут занимать много времени и иметь ограниченный охват. Дроны предлагают более быстрое и гибкое решение, но оптимизация их поисковых путей имеет решающее значение. В этой статье исследуется использование глубокого обучения с подкреплением для создания эффективных поисковых миссий для дронов в дикой природе. Наш подход использует априорные данные о районе поиска и пропавшем человеке в виде карты распределения вероятностей. Это позволяет агенту глубокого обучения с подкреплением изучать оптимальные траектории полета, которые максимизируют вероятность быстрого поиска пропавшего человека. Экспериментальные результаты показывают, что наш метод позволяет добиться значительного улучшения времени поиска по сравнению с традиционными алгоритмами планирования покрытия и планирования поиска. В одном из сравнений было обнаружено, что глубокое обучение с подкреплением превосходит другие алгоритмы более чем на 160 долларов США, что может означать жизнь или смерть в реальных поисковых операциях. Кроме того, в отличие от предыдущих работ, наш подход включает в себя непрерывное пространство действия, обеспечиваемое кубатурой, что позволяет создавать более тонкие схемы полета.
Результаты
ИИ находил людей в два раза быстрее. Вероятность успешного обнаружения по результатам виртуального тестирования была выше на 7%. Модель постоянно улучшается. Разработчики планируют добавлять в нее новые данные GPS из недавних спасательных операций. В скором времени модель протестируют в реальных условиях в Шотландском нагорье.