Värdering av intelligenta sensorsystem - Slutrapport

Projektet "Värdering av intelligenta sensorsystem" har haft i uppgift att öka förmågan att värdera sensorsystem som använder artificiell intelligens (AI), för att kunna jämföra värdet av AI med traditionella sensorsystem. Vid värdering av sensorsystem behövs en värderingsmetod som tar hänsyn till alla relevanta faktorer så som: sensorsystemet, taktik, miljö, ekonomi, människa-system-interaktion, utbildning etc. I detta projekt har vi utgått från värderingsmetoden COAT/TVS och vidareutvecklat denna samt verktyg för värdering av sensorsystem som använder artificiell intelligens (AI). För att utvärdera den vidareutvecklade värderingsmetoden och verktygen har ett tillämpningsexempel studerats. Exemplet som har studerats handlar om värdering av förmågan för ett stridstekniskt RPA-system (Remotely Piloted Aircraft) vid spaning mot en fientlig motoriserad skyttebrigad. För att öppet kunna diskutera metoder och verktyg har endast öppen information använts. RPA-systemet och luftvärnssystemet som har studerats i värderingen kan skilja sig något från verkliga sensorsystem, eftersom data i vissa fall har saknats. I dessa fall har rimliga värden istället antagits och använts. Spaningsradarn på luftvärnssystemet 2S6 Tunguska har simulerats för att analysera den förmåga som radarn har att upptäcka RPA:er. Simuleringarna visar att det är svårt, men inte omöjligt, att optimera en flygbana för spaning i närheten av ett luftvärnssystem med känd placering så att upptäckt kan undvikas under hela spaningsuppdraget. När flera luftvärnssystem arbetar gemensamt blir det nästintill omöjligt för en RPA att undvika att den blir upptäckt. En värdering av luftvärnsrobotkanonvagnarnas förmåga att upptäcka små RPA:er har genomförts och den visar till exempel hur sannolikheten att en RPA blir följd respektive blir nedskjuten som funktion av tid i uppdraget. Projektet har studerat vilken förmåga som en automatisk måligenkänningsalgoritm kan tillföra en stridsteknisk RPA som UAV 05B Korpen vid spaning med en termisk IRkamera mot olika fordon. I projektet har ett försök genomförts för att jämföra mänsklig prestation med förmågan som en måligenkänningsalgoritm har att upptäcka och känna igen fordon. Resultaten visar att den tränade måligenkänningsalgoritmen idag presterar på samma nivå som en människa som måste svara inom fem sekunder. Projektet har deltagit i en studie av automatisk måligenkänning med mikro-Doppler radar och djupinlärning. I studien användes olika objekt som två små helikoptrar, ett litet modellflygplan med fast vinge, en kvadrokopter och några fåglar. Resultatet är mycket lovande, men grundas på en begränsad mängd data. Mer arbete och data krävs för att få fram en algoritm som är tillräckligt robust och klarar en tillräcklig bredd av förhållanden för att vara praktiskt användbar.