Модуль ИИ сможет формировать и обновлять 3D-модели радиолокационных полей, анализировать поведение воздушных объектов. А также находить аномалии для конкретного региона и времени суток, генерировать прогнозы обстановок и советы по работе станций.
В связи с ростом использования беспилотников увеличивается нагрузка на радиолокационные системы, из-за чего растет шанс ошибок. Внедрение ИИ в систему контроля воздушного пространства позволит уменьшить помехи, повысить эффективность обнаружения БПЛА и создать целостную экосистему, моментально реагирующую на угрозы. Об этом рассказали учёные Тульского Центрального конструкторского бюро аппаратостроения в статье «Вестника Новгородского университета».
Как отмечают авторы, традиционные методы обнаружения целей требуют модернизации. В этом помогут принципы саморегуляции, обучения и адаптации радиолокационных систем. Такой подход поможет лучше различать спектр целей, повышать устойчивость к помехам и оперативно принимать решения, минимизируя влияние человеческого фактора.
— В отличие от традиционной модернизации, где останавливаются и кардинально меняются параметры работы радиолокации, внедрение модуля нейросетей может проходить параллельно, без радикальных изменений, — пояснил гендиректор Тульского центрального конструкторского бюро аппаратостроения Александр Хомяков. — ИИ может получать, сохранять и анализировать потоки информации, накапливать массивы данных и в будущем автоматически давать глубокий анализ и прогноз ситуаций, помогая операторам центров.
Ещё одно направление, где может быть полезен ИИ — формирование мультисенсорной когнитивной модели, выходящей за пределы радиолокационной информации. Модель объединяет разнородные источники информации в единую систему восприятия, которая эффективно может работать в анализе воздушной обстановки.
— Перспективные направления — это инфракрасные системы, видеонаблюдение высокого разрешения, сейсмические сенсоры, датчики погоды, — объяснил Александр Хомяков. — помимо расширения спектра данных, подход поможет уменьшить помехи, увеличить число детектируемых воздушных угроз и повысить устойчивость к отказам работы, если сенсоры сломаются.
Для создания умной когнитивной архитектуры понадобится пройти несколько этапов. Потребуется цифровизация и стандартизация данных от радиолокационных станций, после которой модель ИИ подключается параллельно к работе центра. На основе данных разрабатывается частичная автоматизация контроля воздушного пространства, далее она расширяется и доводится до единой когнитивной модели.
Из будущих ключевых направлений развития этой сферы выделяют создание единой национальной платформы контроля воздушного пространства, её интеграция с гражданскими для авиации, экологического мониторинга и контроля стихийных бедствий. Также возможно внедрение спутниковых данных, квантовых сенсоров и слияние нейросетевых моделей с цифровыми двойниками территорий регионов.