Kartgrunnlag til autonom dronesverm: Effektivisering av rekognosering ved hjelp av GeoAI og geografiske analyser

Abstract

Den teknologiske utviklingen har gitt for Forsvaret nye muligheter innen blant annet etterretning, overvåking, rekognosering og autonome systemer. Geografiske analyser kan brukes til å identifisere sammenhenger, analysere satellittbilder eller predikere hendelser. GeoAI kombinerer geografiske informasjonssystemer med kunstig intelligens, og muliggjør effektiv innsamling og analyse av data. Ved å kombinere geografiske analyser og GeoAI med etterretning, overvåkning, rekognosering og autonome systemer kan det bidra til å effektivisere prosesser, skape situasjonsforståelse og gi beslutningsstøtte.

For å gjøre Forsvaret i bedre stand til å utnytte kunstig intelligens, startet Forsvarets Forskningsinstitutt (FFI) en satsning på autonomi i 2014. En del av denne satsningen er det autonome dronesvermprosjektet Valkyrie, hvor målet var å utvikle en sverm av droner som kan handle selvstendig basert på gitte oppdrag. Dronesvermen skal kunne forstå omgivelsene sine, unngå hindringer og ta beslutninger på egenhånd. Valkyries kartgrunnlag skiller kun mellom åpne og ikke-åpne områder, og kan derfor ikke skille mellom for eksempel vann og vei. Det vil derfor være av interesse å bestemme hvilke områder dronene skal prioritere å søke i. Med denne utfordringen som utgangspunkt, har oppgaven undersøkt følgende problemstilling:

Hvordan kan GeoAI og geografiske analyser bidra til å effektivisere rekognosering med dronesverm?

Denne oppgaven har utviklet en arbeidsflyt for å automatisere generering av arealdekkekart og utviklet situasjonsbilder for å øke situasjonsforståelse i ulike militære operasjoner. Oppgaven utviklet to dyplæringsmodeller til å segmentere multispektrale Sentinel-2 satellittbilder for henholdsvis områdene Rena i Norge, og Tokmak i Ukraina. Dette resulterte i to oppdaterte arealdekkekart som gjorde det mulig å prioritere relevante arealtyper for rekognosering med drone. Arealdekkekartene ble deretter brukt i geografiske analyser sammen med etterretninger. Resultatene fra analysene viser hvordan en kan effektivisere rekognosering med dronesvermer i tre ulike egenutviklede scenarioer. Analysene bidro til å betydelig innsnevre søksområdene. Denne arbeidsflyten er globalt anvendbar, og kan tilpasses etter behov.

Advancements within technology has led to new possibilities within intelligence, surveillance, and autonomous systems. Geographical analyses can be used to identify relationships, analyze satellite images, or predict events. GeoAI combines the use of geographical information systems and artificial intelligence and enables rapid collection and analysis of large amounts of data. Geographical analyses and GeoAI can contribute to effective processes and enhance decision-makers situational awareness.

To enhance the Norwegian military’s ability to utilize artificial intelligence, the Norwegian Defence Research Establishment (FFI) initiated a focus on autonomy in 2014. A key part of this initiative was the project Valkyrie, aimed at developing autonomous drone swarms. Valkyrie’s objective is to develop drones that can understand their environment, avoid obstacles, and make decisions autonomously, based on a specific task. Currently, Valkyrie’s navigation is based only on distinguishing between open and non-open areas. Therefore, the drones lack the ability to identify different types of land cover, such as water and roads. This has led to the following research question:

How can GeoAI and geographical analyses enhance the efficiency of reconnaissance with drone swarms?

This thesis presents a globally applicable workflow to automate the creation of land cover and situational maps for various military operations. The process entailed training two deep learning models to analyze multi-spectral Sentinel-2 satellite images from Rena in Norway, and Tokmak in Ukraine. This resulted in two land cover maps with updated topographic information, that facilitated the prioritization of relevant land covers for drone reconnaissance. Furthermore, these land cover maps were used in geographical analyses along with intelligence, to demonstrate how these analyses could enhance reconnaissance efficiency in three different self-developed scenarios. The results from these analyses indicate significantly narrowed and prioritized search areas. This workflow is globally applicable, and highly adaptable to various operations.