編譯/VR陀螺

美國陸軍作戰(zhàn)能力發(fā)展司令部（DEVCOM）以及陸軍研究實驗室（ARL）最近宣布，將在研究中使用增強現(xiàn)實（AR）技術來檢測路邊爆炸危險，例如簡易爆炸裝置（IED）、未爆炸彈藥和地雷。

支持車隊行動的路線偵察仍然是確保士兵免受爆炸危險的關鍵功能，這種危險繼續(xù)威脅著美國軍隊在國外的行動。為了解決這個問題，美國國防降低威脅局（Defense Threat Reduction Agency）通過“Alood Hound Gang”計劃為ARL和其他研究合作伙伴提供了資金，該計劃的重點是采用系統(tǒng)方法增強對爆炸危險的檢測。

實驗室項目經理Kelly Sherbondy說道：“從邏輯上講，有必要采用系統(tǒng)的方法進行對峙爆炸危險檢測研究，我們的協(xié)作方法可在提供新技術支持的同時，與經驗豐富的專家一起快速推進該計劃，以達到或超過軍事要求和過渡點。”

該計劃有來自美國各地的七個外部合作者，包括美國軍事學院、特拉華大學視頻/圖像建模和合成實驗室、Ideal Innovations Inc.、Alion Science and Technology、The Citadel、IMSAR和AUGMNTR。

在該計劃的第一階段，研究人員花費了15個月的時間，針對各種爆炸危險場所評估了高技術準備水平（TRL）防區(qū)位探測技術。此外，還開發(fā)并評估了一個TRL較低的對峙檢測傳感器，該傳感器專注于針對爆炸危險觸發(fā)設備的檢測。根據美國陸軍的說法，第一階段的評估包括檢測到爆炸的可能性、誤報率和其他重要信息，這些信息最終會影響該計劃第二階段，并根據最佳性能最終選擇傳感器，包括機載合成孔徑雷達、地面車輛和小型無人機LIDAR、高清電光攝像機、長波紅外攝像機和非線性交界檢測雷達。研究人員在7公里的測試軌道上對真實世界中的代表性地形進行了現(xiàn)場測試，總共包括625個炮位，包括各種爆炸危險、模擬雜波和校準目標。他們在安置前后收集數(shù)據，以模擬傳感器通過這些地點的真實變化。

傳感器集收集了TB級的數(shù)據，這是充分訓練人工智能/機器學習（AI / ML）算法所必需的。該算法隨后對每個傳感器執(zhí)行自主自動目標檢測。美國陸軍表示，該傳感器數(shù)據通過地理參考進行了像素對齊，并且AI / ML技術可以應用于特定區(qū)域的部分或全部組合傳感器數(shù)據。此外，檢測算法能夠為每個可疑目標提供“置信度”，并以增強現(xiàn)實疊加層的形式顯示給用戶。檢測算法是通過各種傳感器排列執(zhí)行的，因此可以匯總性能結果，并確定進入第二階段的最佳行動方案。

“這些努力對確保作戰(zhàn)人員在當前作戰(zhàn)環(huán)境中的安全具有重要意義，”美國空軍爆炸物處置和DTRA計劃主管Mike Fuller中校說道。

美國陸軍指出，對該技術的未來研究將使實時增強的引擎能夠自動顯示目標檢測信息。經過三年的努力，最終將在多個測試機構進行展示，最終證明該技術在不同地形上的魯棒性。

“我們將多種模式與各種現(xiàn)實相關的目標威脅進行了并行比較，并評估了這些傳感器的輸出融合，以確定有效的方法來最大程度地提高檢測概率并減少誤報，” Fuller說道。 “我們希望陸軍和聯(lián)合社區(qū)都將從所有參與者收集的數(shù)據和經驗教訓中受益。”

來源：auganix.org