KAMİKAZE İHA’LARDA DERİN ÖĞRENME TABANLI HEDEF TESPİTİ VE TAKİBİ
İnsansız hava araçlarının (İHA) askeri, hobi, ticari ve bilimsel amaçlı kullanımları tüm dünyada hızla artmaktadır. İHA’ların askeri alanda kullanılan türlerinden biri de Kamikaze insansız hava araçlarıdır. Kamikaze İHA’lar (KİHA) üzerinde değişken miktarda patlayıcı bulunan ve genelde operatör veya yapay zekâ ile kontrol edilebilen, modeline göre değişkenlik göstererek sürü zekâsına sahip olabilen, genel maksadı düşman birimlerine dalış yaparak hem kendini hem de düşman birimlerini imha edebilen İHA çeşididir [1]. Otonom olarak hedef tanımlama, izleme, manevra yapma gibi çeşitli askeri görevler için kullanılmaktadır. Kamikaze İHA ile hedef otonom bir şekilde takip edilebilir. Bu takip, derin öğrenme algoritmaları ve görüntü işleme teknikleri kullanılarak yapılır. Kamikaze İHA’nın kamerasından alınan görüntüler, derin öğrenme algoritmaları ile analiz edilerek, hedeflerin tespit ve takibi yapılmaktadır. Tespit edilen hedefler, hareket ve dalış algoritmalarıyla imha edilmektedir. Hedeflerin hızlı ve yüksek doğrulukta tespitinin gerçekleşmesi, statik veya hareket halindeki hedeflerin imhasında büyük rol oynamaktadır.
Literatürde, İHA’lar üzerinde hedef tanıma, tespit ve takip sistemlerinin derin öğrenme algoritmaları ile yapıldığı gözlenmektedir [2-4]. İHA’larda hedef tespit ve takip sistemi için kullanılan, derin öğrenmenin nesne algılama mimarisinden olan Faster R-CNN [2] ve [3]’te sunulmuştur. [4]’te Faster R-CNN (Region-based Convolutional Neural Network) ResNet101 modeli kullanılarak silah tespiti yapılmıştır. NCSIST Chien Hsiang isimli delta kanatlı Kamikaze İHA’nın terminal saldırı dalış analizi, [5]’te aktarıldığı üzere, aerodinamik özellikler, açı analizi ve güç uçuş analizi parametrelerinden oluşmaktadır.
KİHA’nın, derin öğrenme yardımıyla hedeflerini tam isabetle vurabilmesi için hedeflerin, tespit ve takibinin hızlı ve yüksek doğruluk oranında olması gerekmektedir. Bu çalışma için, KİHA’nın potansiyel hedeflerini tanıyabilmesi amacıyla oluşturulan veri setinde insan, 4x4 pickup, tank, gemi ve uçak gibi 5 farklı nesnenin görüntülerinden yararlanılmaktadır. Hedef tespitinde, literatürde sıklıkla kullanılan Faster R-CNN mimarisinden olan ResNet101 algoritması kullanılmaktadır. Hazırlanan veri seti ile Faster R-CNN ResNet101 modelinin makine öğrenimi eğitimleri yapılmaktadır. Modelin eğitim aşamasında, kutu sınıflandırma kaybı, lokalizasyon kaybı, RPN (Region proposal network) nesnellik kaybı, RPN lokalizasyon kaybı, toplam kayıp ve eğitimde kullanılan model hakkında bilgi verilmektedir. Model eğitiminin sonunda yapılan testler ile eğitimin başarı durumu değerlendirilmektedir. Başarı kriterlerini sağlayan model, Gazebo simülasyon ortamında KİHA olarak kullanılacak İris model İHA’ya aktarılmaktadır.
Çalışmada, KİHA tarafından derin öğrenme yöntemiyle tespit edilen hedefin, hızlı, düşük hata payında ve yüksek doğrulukta imha edilebilmesi için, gerekli olan dalış açı analizi, aerodinamik performans analizi ve güç uçuş analizi gerçekleştirilmektedir. Analizi yapılan sistemler benzetim ortamında test edilmekte ve İHA’dan gerekli telemetri verileri alınmaktadır.
