هوش مصنوعی در فناوری کوادکوپتر

وسایل نقلیه هوایی بدون سرنشین مثل پهپادها، با پیشرفت تکنولوژی و فناوری، روز به روز بیشتر در دسترس قرار می گیرند. این مقاله در مورد بررسی استفاده از هوش مصنوعی در فناوری به کار گرفته شده در کوادکوپتر است. پس با دیجی المان همراه باشید.

هوش مصنوعی

– بسترهای تحقیقاتی

– رباتیک

– سنسورها

– برنامه پژوهشگر دانشجو

پهپادهای بدون سرنشین که برای اهداف مختلف استفاده می شوند. هنگامی که برای اولین بار توسعه یافتند، این دستگاه ها به صورت دستی و از راه دور کنترل می شدند. با این حال، در حال حاضر، پهپادها اغلب از هوش مصنوعی استفاده می کنند و برخی یا همه عملیات ها را خودکار می کنند. ادغام هوش مصنوعی به فروشندگان پهپاد این امکان را می دهد تا از داده های حسگرهای متصل به پهپاد برای جمع آوری و پیاده سازی داده های بصری و محیطی استفاده کنند.

این داده ها پرواز خودگردان یا کمکی را امکان پذیر می کند، عملیات را آسان تر می کند و دسترسی را افزایش می دهد. در نتیجه، پهپادها به بخشی از پیشنهادات جابه‌جایی هوشمند تبدیل شده‌اند که اکنون به صورت تجاری در دسترس کسب‌وکارها و مصرف‌کنندگان هستند. پهپادهای مبتنی بر هوش مصنوعی تا حد زیادی به بینایی کامپیوتری متکی هستند. این فناوری پهپادها را قادر می سازد تا اشیا را در حین پرواز شناسایی کنند و امکان تجزیه و تحلیل و ثبت اطلاعات روی زمین را فراهم می کند.

بینایی کامپیوتری از طریق پردازش تصویر با کارایی بالا و روی برد که با یک شبکه عصبی انجام می شود، کار می کند. شبکه عصبی یک معماری لایه ای است که برای پیاده سازی الگوریتم ها در یادگیری ماشین استفاده می شود. شبکه های عصبی پهپادها را قادر می سازند تا تشخیص، طبقه بندی و ردیابی اشیا را انجام دهند. این اطلاعات در زمان واقعی ترکیب می‌شوند تا پهپادها را قادر می‌سازد تا از برخورد اجتناب کنند و اهداف را تعیین و ردیابی کنند.

برای پیاده‌سازی شبکه‌های عصبی در کوادکوپتر، محققان ابتدا باید الگوریتم‌های یادگیری ماشینی را برای تشخیص و طبقه‌بندی صحیح اشیا در زمینه‌های مختلف آموزش دهند. این کار با تغذیه تصاویر مشخص شده خاص در الگوریتم انجام می شود.

این تصاویر به شبکه عصبی می آموزند که کدام دسته از اشیا دارای چه ویژگی هایی هستند و چگونه می توان یک نوع شی را از دیگری متمایز کرد. شبکه‌های عصبی پیشرفته‌تر بدون نظارت در حین کار به یادگیری ادامه می‌دهند و تشخیص و تجزیه و تحلیل را با استفاده بهبود می‌بخشند.

پهپادها سه کاربرد اصلی دارند

پهپادها را می توان به انواع مختلفی از تجهیزات نظارتی مجهز کرد که می توانند ویدئوهای HD و تصاویر ثابت را در روز و شب جمع آوری کنند. پهپادها می توانند به فناوری مجهز شوند که به آنها امکان می دهد تماس های تلفن همراه را رهگیری کنند، مکان های GPS را تعیین کنند و اطلاعات پلاک خودرو را جمع آوری کنند. سازگاری بالا امکان استفاده از سیستم‌های نقشه‌برداری مختلف مانند اسکنرهای لیدار، دستگاه‌های چند طیفی و فراطیفی و موارد دیگر را در شبانه‌روز، با نیاز کارکنان کم و هزینه‌های کم، فراهم می‌کند.

نظارت پهپادها برای گرفتن تصاویر ثابت و فیلم برای جمع آوری اطلاعات در مورد اهداف خاص است که ممکن است افراد، گروه ها یا محیط ها باشند. نظارت هواپیماهای بدون سرنشین امکان جمع‌آوری مخفیانه اطلاعات در مورد هدفی را که از فاصله یا ارتفاع گرفته شده است را فراهم می‌کند. نظارت هواپیماهای بدون سرنشین امکان جمع آوری مخفیانه اطلاعات در مورد هدفی را که از فاصله یا ارتفاع گرفته شده است را فراهم می کند.

البته، استفاده از پهپاد در این صنعت (یا منطقه) گسترده فراتر از این مرزهای اساسی و ساده است. مقامات دولتی، پلیس و سایر پرسنل امنیتی از این فناوری پهپاد استفاده می کنند. نظارت خودکار به طور فزاینده ای رایج می شود زیرا شرکت ها و محققان راه های جدیدی برای استفاده از یادگیری ماشینی برای تجزیه و تحلیل فیلم زنده پیدا می کنند.

یک پروژه جدید از دانشمندان در بریتانیا و هند یکی از کاربردهای احتمالی این فناوری را نشان می دهد: شناسایی رفتار خشونت آمیز در جمعیت با کمک پهپادهای مجهز به دوربین. از یک کوادکوپتر ساده Parrot AR برای انتقال فیلم ویدیویی از طریق اتصال اینترنت تلفن همراه برای تجزیه و تحلیل بلادرنگ استفاده می کند. الگوریتمی که با استفاده از یادگیری عمیق آموزش داده شده است، ژست‌های انسان‌ها را در ویدئو تخمین می‌زند و آنها را با وضعیت‌هایی که محققان به عنوان «خشونت‌آمیز» نامیده‌اند، مطابقت می‌دهد. برای اهداف پروژه، فقط پنج حالت شامل خفه کردن، مشت زدن، لگد زدن، تیراندازی و چاقو زدن است.

با این حال، به ویژه با توجه به ادعاهای صحت آن، باید کمی با احتیاط انجام شود. برخی گزارش می دهند که سیستم آنها 94 درصد در شناسایی ژست های “خشونت آمیز” دقیق بوده است، اما آنها خاطرنشان می کنند که هر چه افراد بیشتری در کادر ظاهر شوند، این رقم کمتر است. (با نگاه کردن به 10 نفر دقت آن به 79 درصد کاهش یافت.)

مهمتر از همه، این ارقام نشان دهنده استفاده در دنیای واقعی نیستند. به منظور آموزش و آزمایش هوش مصنوعی، محققان کلیپ های ویدئویی خود را از داوطلبانی که وانمود می کردند به یکدیگر حمله می کنند ضبط کردند. داوطلبان سخاوتمندانه از هم فاصله دارند و با حرکات اغراق آمیز به یکدیگر حمله می کنند. 

اما حتی اگر این سیستم خاص هنوز خود را در طبیعت ثابت نکرده باشد، این یک تصویر واضح از جهتی است که تحقیقات معاصر در حال انجام آن هستند. استفاده از هوش مصنوعی برای شناسایی وضعیت بدن یک مشکل رایج است، زیرا شرکت های فناوری بزرگ مانند فیس بوک تحقیقات قابل توجهی را در مورد این موضوع منتشر می کنند. و با ظهور پهپادهای ارزان قیمت و اینترنت موبایل سریع، ضبط و انتقال فیلم زنده آسان تر از همیشه است. کنار هم قرار دادن این قطعات برای ایجاد نظارت پیچیده کار سختی نیست.

پیش بینی آب و هوا

آب و هوا در حال تغییر است. چهره فجایع طبیعی نیز همینطور است. مسلماً پهپادها در تطابق با کارایی تصاویر ماهواره‌ای در پیش‌بینی رویدادهای نامطلوب جوی کوتاهی می‌کنند. با این حال، هنگامی که فاجعه رخ می دهد، آنها قادر به ارائه کمک های ارزشمند هستند. مقامات دولتی و همچنین بیمه‌گران در حال بیدار شدن از پتانسیل استفاده از آنها برای ارزیابی خسارات پس از فاجعه هستند، به‌ویژه در مکان‌هایی که برای ورود انسان‌ها دشوار است.

استفاده از هواپیماهای بدون سرنشین برای جمع‌آوری نمونه‌های جوی، پیشرفت بزرگی در روش‌های سنتی جمع‌آوری داده‌ها است و پتانسیل بالایی برای بهبود دقت مدل‌های پیش‌بینی آب و هوا دارد. چرا مهم است؟ داشتن مدل‌های دقیق‌تر هم بر وضعیت روزمره و هم بر تصویر کلی تأثیر می‌گذارد. این به هواشناسان اجازه می دهد تا پیش بینی های آب و هوای 10 روزه بهتری را به ما ارائه دهند، اما بیشتر از آن، به معنای توانایی هشدار پیشرفته تر برای طوفان هایی مانند گردباد، یا اینکه آیا طوفان ها در کجا فرود می آیند یا خیر.

پایین ترین لایه جو که لایه مرزی نام دارد، جایی است که بیشتر آب و هوای ما در آن اتفاق می افتد. شرایط آب و هوایی که بر هر یک از ما تأثیر می گذارد به تعداد زیادی متغیر و عوامل بستگی دارد. تلاش برای پیش‌بینی دقیق در مورد اینکه آب‌وهوا در آینده چه خواهد کرد، به مدل‌های بسیار پیچیده پیش‌بینی آب‌وهوا متکی است، اما خروجی این مدل‌ها فقط به اندازه داده‌هایی است که به آنها داده می‌شود. و دریافت داده های خوب سخت تر از آن چیزی است که فکر می کنید. اینجاست که پهپادهای هواشناسی وارد می‌شوند. پهپادهای هواشناسی می‌توانند در کل لایه عمودی لایه مرزی جو پرواز کنند و داده‌های مهمی را در مورد دما، رطوبت، فشار هوا و سرعت و جهت باد جمع‌آوری کنند. پهپادهای هواشناسی می‌توانند این داده‌ها را در چندین مورد جمع‌آوری کنند. 

یک راه از طریق سنسورهای دما، رطوبت و فشار هوا است که مستقیماً بر روی کوادکوپتر نصب می شود. یکی دیگر از روش‌های جمع‌آوری داده‌ها، انداختن حسگرهایی به نام dropsondes، مجهز به چتر نجات، از ارتفاع بالا است. یکی از آخرین راه‌های مهم جمع‌آوری داده‌ها توسط پهپادهای هواشناسی، تصویربرداری بصری، از جمله عکس‌ها و ویدیوها است.

چندین پروژه مهم در حال انجام است که برای استفاده و بهبود پهپادها برای جمع آوری داده های آب و هوا کار می کنند. یکی از اینها مستقیماً به دانشمندانی که با NOAA کار می کنند مرتبط است. آنها بر روی مطالعات میدانی کوتاه مدت متمرکز بر مناطق خاص ایالات متحده کار می کنند تا بررسی کنند که چگونه ویژگی های زمین و سطح زمین بر الگوهای آب و هوا تأثیر می گذارد. هدف تعیین اینکه آیا و چگونه سطح زمین بر آب و هوا تأثیر می گذارد و چگونه می توان آن متغیر را در مدل های آب و هوا و آب و هوا گنجاند.

داده های بیشتر از سراسر جهان، از سطوح بیشتر لایه مرزی، به معنای مدل های دقیق پیش بینی آب و هوا است. اندازه‌گیری‌های پهپادهای طوفانی می‌تواند به دانشمندان در ارزیابی مدل‌های آب‌وهوای فعلی و شناسایی و اصلاح مدل‌های پیش‌بینی کمک کند. همکاری بین دانشمندانی که روی این پروژه‌های جمع‌آوری داده‌ها کار می‌کنند و مدل‌های پیش‌بینی خدمات آب‌وهوای محلی، منجر به پیش‌بینی دقیق‌تر آب‌وهوا برای گزارش‌های آب‌وهوای محلی می‌شود.