Мне нравится разбирать чужие предположения и комментарии, потому что они помогают с разных сторон оценивать технологии, использованные при конструировании и разработки тактики применения барражирующего боеприпаса «Хорнет». И рассуждая о тех или иных средствах пассивного противодействия, нужно осмыслить в том числе некоторые факты, касающиеся развития современных нейросетей.

За разработкой данного УББ, напомню, стоит компания Эрика Шмидта, экс-директора Google — корпорации, которая была одним из пионеров в развитии концепции Sim2Real (Simulation to Reality), одной из передовых ИИ-практик в области гражданской робототехники. И нет оснований полагать, что данная технология не применяется в том числе для обучения нейросети «Хорнета».

Развивая данный тезис, стоит сразу обозначить простой, но важный факт: все примитивные средства маскировки и противодействия, которые мы разбирали в текстах выше, не будут работать. Подобные сценарии крайне легко учитывать, прописывать и купировать на стадии обучения бортовой нейросети — и да, для этого вообще не нужны реальные фотографии КамАЗов в «зебре» или в дыму. Вся магия кроется в особенностях сверточных нейросетей (CNN), которыми оснащен «Хорнет», и специфике его бортовой электроники.

Сегодня обучение моделей как правило происходит в виртуальных симуляторах (в качестве примера можете вспомнить или же почитать про роботов китайской компании Unitree, прославившихся замысловатыми танцами), цифровых двойниках физического мира, работающих, например, на движках NVIDIA Isaac Sim или Unreal Engine 5. В виртуальный мир закладывается точная физика, алгоритмы света, тени и материалов, где виртуальная копия робота совершает миллионы попыток в секунду в ускоренном времени, отрабатывая то или иное движение. Применительно к нашей же теме можно рассмотреть данную технологию следующим образом:

1. Путем генерации синтетических данных (Synthetic Data) программа за пару часов создает миллионы цифровых вариаций точной 3D-модели грузовика, виртуально перекрашивая его в любые камуфляжи, покрывая грязью или «наваривая» мангалы.
2. Далее используется моделирование физических помех: в симулятор закладывается математическая модель аэрозольного облака, просчитывающая тысячи сценариев — от грузовика, полностью скрытого дымом, до машины со шлейфом сзади. Таким образом, сверточные слои ИИ научатся игнорировать этот «шум», вычленяя неизменную структуру объекта.
3. Существует также и рандомизация среды (Domain Randomization), когда компьютер непрерывно меняет условия — время суток, облачность, углы солнца и тип дороги, дабы ИИ не «зазубрил» статичную картинку.

В итоге нейросеть можно научить сталкивается с различными уловками и методами защиты буквально миллиарды раз в виртуальной реальности ещё до того, как планер будет собран на заводе. Бортовой чип получает прошивку, в которую уже зашит готовый математический опыт по типу «если прямоугольный объект с колесами частично скрыт хаотичным серым облаком или полосами — это всё равно цель».

При этом важно понимать ещё один факт. Базовая модульная конструкция бортовой электроники «Хорнета» позволяет без проблем и в кратчайшие сроки использовать кастомный SoM с еще более мощным AI-процессором. Это позволяет перейти от простых версий CNN к тяжелым мультимодальным трансформерам прямо на борту без пересборки и переработки всего дрона.

@atomiccherry 💯