Diversos tipos de drones estão atualmente disponíveis no comércio e podem ser adquiridos por qualquer cidadão. Esta acessibilidade tem implicações para a segurança das infraestruturas críticas, como aeroportos, centrais de energia, estádios desportivos, penitenciárias e muitas outras instalações e eventos.
As tecnologias tradicionais de deteção de drones, como o radar, têm-se mostrado ineficazes na identificação destes veículos devido ao pequeno tamanho e à baixa altitude de voo.
Com o avanço contínuo da tecnologia de drones, investigadores estão a desenvolver novas técnicas para os detetar, como é o caso de Huaxia Wang, da Universidade Rowan, que lidera uma equipa de jovens em graduação e em pós-graduação na vanguarda do desenvolvimento de novos sistemas de deteção de drones.
Neste projeto é combinada a experiência em IA e em telecomunicações na deteção de drones. É incluída uma antena para capturar sinais de radiofrequência transmitidos entre o drone e operador, permitindo que o sistema detete o drone e estime a localização do drone e do operador.
Mas, como existem dezenas de tipos diferentes de drones, Huaxia Wang e a equipa precisam primeiro de recolher a “assinatura” de sinal de cada tipo. Após, o segundo componente do processo inclui um algoritmo de inteligência artificial capaz de detetar, classificar e localizar o drone no espaço.
Para se dotarem de uma recolha de dados alargadas a equipa vai durante vários dias sobrevoar o campus da Universidade com diferentes tipos de drones. Dados que serão disponibilizados a todos os investigadores interessados.
“Queremos compartilhar o conjunto completo de dados que recolhemos no campus da Rowan e permitir que todos utilizem esses dados para impulsionar a investigação em defesa contra drones”, afirmou Huaxia Wang.
Huaxia Wang está também a colaborar com Ziang Gao, que lidera a equipa de Investigação e Desenvolvimento da AeroDefense, uma empresa de deteção de drones sediada em Nova Jersey, para desenvolver e comercializar a tecnologia. As equipes recolheram dados em ambientes reais, incluindo estádios, áreas urbanas e campi universitários e de escritórios, para treinar e validar o sistema em diversas condições operacionais.
“Queremos recolher o máximo de dados ambientais possível para melhorar ainda mais o treino do nosso modelo, pois precisa vivenciar diferentes cenários, como um dia chuvoso, um dia ensolarado, e também durante um evento, antes do evento e depois do evento”, esclareceu Huaxia Wang. “Queremos que o modelo esteja ciente desses ambientes e seja suficientemente treinado.”
