Níveis de automação para aprendizado de máquina na GEOINT

Aprendizado de máquina aplicado ao sensoriamento remoto

Desde o lançamento do AlexNet [1] por Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton, em 2012, para competir no Desafio de reconhecimento visual em grande escala do ImageNet, houve uma explosão de pesquisas em visão computacional focadas no aprendizado profundo. Houve melhorias acentuadas nas tarefas de visão computacional, como classificação de imagens, detecção de objetos e segmentação de instâncias. Melhorias nessas tarefas de visão computacional têm implicações profundas na inteligência geoespacial (GEOINT). 

Figura 1. Uma representação visual dos diferentes tipos de técnicas de visão computacional que podem ser aplicadas aos dados de sensoriamento remoto.

Nos últimos anos, houve várias competições de ciência de dados que visam direcionar mais pesquisa e desenvolvimento em visão computacional para aplicativos de sensoriamento remoto. Essas competições geraram novas técnicas analíticas, variando da detecção geral de objetos à segmentação e classificação de recursos (veja a Figura 1), que combinam a visão computacional de ponta com os problemas geoespaciais. À medida que as técnicas de aprendizado de máquina com foco em sensoriamento remoto amadurecem, os profissionais do GEOINT precisam entender e envolver a comunidade de pesquisa para ajudar a estruturar a aplicação dessas novas técnicas contra problemas geoespaciais. 

Atualmente, é difícil traduzir requisitos de missão em métricas de avaliação de aprendizado de máquina e vice-versa. Por exemplo, na comunidade de visão computacional, a maioria dos resultados é descrita por determinadas métricas específicas da imagem, como mAP, F1 Score, Precision e Recall. Como alternativa, um praticante do GEOINT pode querer incorporar recursos de aprendizado de máquina em seu fluxo de trabalho, mas não sabe qual nível de desempenho (ou suporte aprimorado) é necessário para uma missão específica.

Em 2013, a indústria automotiva abordou esse desafio para as capacidades de veículos autônomos, estabelecendo uma taxonomia para os níveis de direção autônoma. Os níveis foram definidos de zero (sem automação) a cinco (automação total). Neste artigo, exploraremos paralelos dessa estrutura relevantes para os profissionais do GEOINT e proporemos uma estrutura para definir os níveis de aumento de analistas. Esperamos que isso permita que usuários finais geoespaciais e pesquisadores de aprendizado de máquina se entendam melhor, e talvez ajude a direcionar a aplicação desses algoritmos contra problemas geoespaciais.

O caso de uso dos requisitos fundamentais de mapeamento, antes, durante e depois de um furacão é relevante, dados os recentes eventos de desastre natural. Definiremos uma taxonomia semelhante aos níveis de automação da Society of Automotive Engineers (SAE) [2] para entender quais recursos estão se aproximando da prontidão e quais requerem pesquisas mais direcionadas.

Caso de uso de resposta a desastre de furacão

Os cenários de resposta a desastres representam um desafio para analistas geoespaciais e profissionais de sistemas de informações geográficas (SIG). Durante as fases preparatória, de resposta e de recuperação de um desastre, os analistas e as organizações de ajuda são encarregados de fornecer soluções de mapeamento oportunas, dinâmicas e precisas para apoiar funções de ajuda, como a entrega de suprimentos e serviços críticos. No entanto, a complexidade, a volatilidade e a escala geográfica de muitos desastres naturais podem limitar a velocidade e, em alguns casos, a precisão, das técnicas de anotação de mapeamento manual. Enquanto iniciativas globais de crowdsourcing, como a Humanitarian OpenStreetMap Team (HOT) [3] aumentaram significativamente a velocidade e a robustez da geração e disseminação de dados de mapeamento dinâmico, o amadurecimento rápido das técnicas de aprendizado de máquina, especificamente a visão computacional, pode ajudar a acelerar o desenvolvimento de mapas oportunos em grandes áreas geográficas.

Os furacões Irma e Maria causaram uma devastação econômica e humanitária em nível recorde em grande parte do Caribe em setembro de 2017. Algumas das áreas mais atingidas, como Porto Rico, ainda estão se recuperando dos efeitos da tempestade mais de um ano depois. [4] O grande número de áreas afetadas, juntamente com a velocidade das tempestades, principalmente o furacão Maria, levaram ao limite os processos de mapeamento manual de código aberto. Por exemplo, a HOT utilizou mais de 5.300 voluntários de mapeamento para produzir mais de 950.000 camadas de pegadas de construção e mais de 30.000 quilômetros de camadas de estradas em aproximadamente cinco semanas para os locais afetados pelo Maria. [5] Foi um feito verdadeiramente surpreendente, mas apresenta a pergunta: como o aprendizado de máquina poderia acelerar esse processo de geração de mapas? Mais especificamente, quais são os principais atributos dos mapas (camadas) que os colaboradores estão rotulando e quais recursos podem se beneficiar da automação?

Durante a resposta inicial do Maria, a característica mais importante do mapa foi a construção de pegadas, pois representam a infraestrutura básica de onde as pessoas vivem e trabalham. Como havia dados limitados de qualidade preexistentes sobre contagens, locais e classificações da estrutura (ou seja, o objetivo da estrutura), os socorristas não tinham informações detalhadas sobre o número de pessoas potencialmente em locais vulneráveis ​​ou remotos. [6] Como resultado, foi difícil para os responsáveis por dar uma resposta humanitária priorizarem as missões de ajuda. Por exemplo, quando as autoridades decidiram evacuar áreas a jusante da barragem de Guajataca, em Porto Rico, devido ao potencial de colapso da barragem, as autoridades precisavam saber o tamanho da população circundante. [7] Contar e classificar estruturas foi um método para aproximar o tamanho da população. Desde o pedido da Cruz Vermelha Americana de atualizar as pegadas de construção em 22 de setembro até o lançamento do mapa da “primeira passada” em 25 de outubro, a HOT, em conjunto com seus parceiros de missão, conduziu 12 campanhas de rotulagem separadas para edifícios em Porto Rico. [8]

Embora existissem mapas da rede viária para a maioria de Porto Rico, a natureza dinâmica do furacão Maria exigia atualizações oportunas da rede viária. Mais de 1.500 estradas foram danificadas, bloqueadas ou levadas pelo furacão. Como resultado, os socorristas precisaram de atualizações rápidas nos mapas de transporte para determinar para onde os suprimentos poderiam e deveriam ser enviados. [9] Dados os danos generalizados à rede rodoviária, os esforços iniciais de mapeamento concentraram-se principalmente na identificação de quais rotas eram aceitáveis. [10] Logística eficiente e planejamento de rotas foram particularmente importantes durante os primeiros dias da fase de resposta, porque Porto Rico não possuía suprimentos de ajuda suficientes, como geradores e sistemas de filtragem de água armazenados localmente. [11] Analistas e voluntários de mapeamento atualizaram completamente os rótulos da rede rodoviária de Porto Rico durante um período de cinco semanas.

Os analistas da categoria de recursos do terceiro mapa fornecido foram pontos críticos de infraestrutura (POIs). Como toda a ilha de Porto Rico perdeu energia quando Maria chegou a terra firme, um importante recurso de classificação era a infraestrutura de energia. Os blecautes prolongados da ilha e os efeitos catastróficos associados, incluindo a perda de vidas, destacam a complexidade da identificação de tipos específicos de infraestrutura. [12] Porto Rico também enfrentou sérios desafios de comunicação nos dias seguintes ao Maria. Para piorar a situação, funcionários e voluntários tinham um suprimento insuficiente de telefones via satélite. Os analistas também foram solicitados a identificar a infra-estrutura de comunicações, como torres de microondas, em um esforço para ajudar as equipes de resposta e os fornecedores de serviços locais.

Por fim, a identificação de instalações e infraestrutura médicas foi importante devido a falta de energia, inundações e danos em alguns dos maiores centros hospitalares da região. [13] A identificação de PIs foi particularmente desafiadora para os analistas, porque exigia que eles identificassem uma estrutura específica, classificassem o tipo de estrutura e determinassem a presença e gravidade dos danos. Com base em estudos anteriores que analisaram imagens de sensoriamento remoto após o terremoto de 2010 no Haiti, a classificação precisa de estruturas e danos subsequentes usando apenas imagens de satélite ou conjuntos de dados aéreos não foram possíveis porque um edifício danificado não era necessariamente visível diretamente do alto. [14] Para detectar e verificar os danos à construção, foi necessário um levantamento no local e/ ou imagem fora do ângulo para coletar adequadamente imagens que mostrassem características dos danos à construção, particularmente estruturas desmoronadas ou parcialmente.  

A escala e a diversidade das tarefas de mapeamento associadas aos cenários de resposta a desastres, como o furacão Maria, apresentam várias funções em potencial para as tecnologias emergentes de aprendizado de máquina. Primeiro, e de maneira mais geral, o aprendizado de máquina pode ajudar no fornecimento de atribuições de rotulagem, determinando o nível de complexidade em cada atribuição de imagem antes da tarefa. Cenas mais complexas podem ser atribuídas a analistas de mapeamento e rotuladores experientes, enquanto cenas mais simples podem ser direcionadas a analistas iniciantes. Segundo, algoritmos de detecção de objetos podem ser usados ​​para executar o controle de qualidade nos dados de anotação de mapeamento enviados pelos analistas. O papel principal dos algoritmos nessa função seria como uma tecnologia de assistência para garantir que os analistas não perdessem os principais recursos. Terceiro, algoritmos de detecção de objetos (e potencialmente classificação) poderiam fornecer uma avaliação de cada imagem antes de serem atribuídos a um analista de mapeamento para inspeção humana. Embora essa implementação possa aumentar bastante o desempenho e a velocidade do analista, ela requer um alto nível de desempenho algorítmico que pode não ser realista em algumas cenas complexas da tecnologia atual.

Definindo uma taxonomia de automação

Em janeiro de 2014, a SAE lançou sua primeira versão do J3016: Taxonomia e Definições para Termos Relacionados a Sistemas de Automação de Condução para Veículos Motorizados em Estrada. Este documento foi fundamental para unificar o idioma e fornecer clareza sobre os recursos pretendidos dos produtos em design. Ele descreve seis níveis de automação, desde a não automação de direção (Nível 0) até a automação de direção completa (Nível 5). À medida que as capacidades de direção autônoma evoluíram, essa taxonomia passou por duas revisões e passou de 12 para 35 páginas.

Construir uma taxonomia semelhante para problemas geoespaciais permitiria à Comunidade GEOINT passar de uma definição centralizada em tecnologia para uma definição centralizada em caso de uso. Isso ajudaria a comunidade a entender melhor o que está pedindo às novas tecnologias e os tipos de desempenho que devem ser esperados. 

A tabela a seguir é uma taxonomia proposta para avançar em direção à extração automatizada de edifícios para mapeamento fundamental no contexto de um cenário de resposta a desastres. Ele separa duas tarefas igualmente difíceis, localizando objetos em uma imagem e fazendo uma classificação fina desses objetos na imagem. 

Nível	Descrição
Nível 0	Nenhuma automação do aprendizado de máquina. O software tradicional de desktop ou  GIS baseado na Web seria comumente usado com funções e ferramentas cartográficas padrão.
Nível 1	O aprendizado de máquina é usado para criar uma contagem geral de um objeto em uma ampla classe de recursos em uma área. Isso deve ser usado em situações nas quais grandes erros na contagem podem ser tolerados.
Nível 2	Uma única tarefa específica é automatizada para fornecer uma sugestão a um ser humano.  Por exemplo, fornecendo uma caixa delimitadora ou polígono com localização geográfica ou fornecendo uma etiqueta recomendada para um recurso específico, como residência, escritório, delegacia ou hospital.
Nível 3	A atividade de rotulagem completa é automatizada e uma pegada completa e um rótulo de recurso estreito são enviados para um rotulador humano, e um rótulo recomendado para um recurso específico é fornecido para um ser humano avaliar.
Nível 4	A atividade de rotulagem completa é automatizada e uma etiqueta de pegada completa e recurso estreito  é enviada a um ser humano, e um rótulo recomendado para um recurso específico é automatizado para uma área confinada geoespacialmente.
Nível 5	A atividade de rotulagem completa é automatizada e uma pegada completa e etiqueta de recurso restrito  são automatizadas para todo o mundo.

Estado da arte atual

Nos últimos dois anos, vários conjuntos de dados de código aberto projetados para avançar o estado da arte na aplicação do aprendizado de máquina aos desafios de mapas de construção precisos foram desenvolvidos. O conjunto de dados de construções da SpaceNet possui mais de 800.000 pegadas de construção em seis cidades (Atlanta, Cartum, Las Vegas, Paris, Rio de Janeiro e Xangai) [15] e foi projetado para melhorar o desempenho da extração de pegadas de construção a partir de imagens de satélite.

Em julho de 2017, a Atividade de Projetos de Pesquisa Avançada de Inteligência (IARPA) lançou seu conjunto de dados Mapa Funcional do Mundo (fMoW), que inclui mais de 1.000.000 chips de imagem de satélite DigitalGlobe cobrindo 63 categorias como aeroporto, delegacia, hospital, shopping e edifício residencial de uma única unidade e foi projetado para melhorar a classificação de edifícios e estruturas já identificados. [16] 

O conjunto de dados da SpaceNet permite a criação de sistemas automatizados de nível 1 ou 2. O conjunto de dados do fMoW permite a criação de um sistema de nível 2 para a construção de classificação. Para habilitar o Nível 3 ao Nível 5, seriam necessários sistemas treinados nos dois conjuntos de dados ou, idealmente, outro conjunto de dados criado para permitir a avaliação dos sistemas Nível 3 ao Nível 5 para a criação de mapas fundamentais de uma região.

Conclusão

As inovações no aprendizado de máquina continuam a beneficiar a Comunidade GEOINT, fornecendo automação para permitir o mapeamento e a análise em velocidade, escala e eficiência sem precedentes. A aplicação desta tecnologia para impulsionar melhores resultados da missão deve permanecer o foco da comunidade. Para esse fim, entender qual nível de desempenho ou suporte aumentado é necessário para uma determinada missão continua sendo um desafio e uma oportunidade para os praticantes do GEOINT. Propusemos uma taxonomia e uma definição análoga aos seis níveis para a condução autônoma de veículos, com o objetivo de ajudar a permitir a aplicação de algoritmos avançados de aprendizado de máquina contra problemas geoespaciais.

Referências Bibliográficas

1. https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf
2. https://www.sae.org/standards/content/j3016_201806/
3. https://www.hotosm.org/
4. https://www.theguardian.com/world/2018/aug/08/puerto-rico-hurricane-maria-electricity-ten-months
5.  https://wiki.openstreetmap.org/wiki/2017_Hurricanes_Irma_and_Maria
6. https://www.philanthropy.com/article/Podcast-Nonprofit-Creates/244125
7. https://www.dw.com/en/puerto-rico-evacuates-thousands-as-dam-breach-threatens-floods/a-40650400
8. https://wiki.openstreetmap.org/wiki/2017_Hurricanes_Irma_and_Maria
9. https://www.pbs.org/newshour/nation/volunteers-helping-puerto-rico-home-map-anyone-can-edit
10. https://www.wsj.com/articles/inside-puerto-ricos-struggle-to-recover-a-month-after-hurricane-1508491811
11. https://www.npr.org/2018/07/14/629131912/fema-internal-report-cites-problems-with-agencys-response-to-hurricane-maria
12. https://edition.cnn.com/2018/08/29/us/puerto-rico-growing-death-toll/index.html
13. https://www.humanityroad.org/situation-reports/caribbean/hurricane-maria
14. https://spacenetchallenge.github.io/
15. https://arxiv.org/pdf/1711.07846.pdf

Autoria Por: David Lindenbaum e Ryan Lewis, CosmiQ Works; Todd M. Bacastow, soluções radiantes; e Joe Flasher, Amazon Web Services (trajectorymagazine, 25 de janeiro de 2019)

Tradução: Evenuel V. Veloza

Publicidade

Lutando em novas fronteiras

Com a guerra urbana e subterrânea iminente, a GEOINT assume o centro do palco

Parte II – Guerra Subterrânea

AMEAÇAS ESCONDIDAS

Embora tenha sido projetado para simular praticamente qualquer ambiente na Terra, o OWT será especialmente útil para ajudar os combatentes a se prepararem para o combate urbano.

“Para praticar a guerra, geralmente é preciso quebrar as coisas”, disse Tilton. “Obviamente, você não quer quebrar cidades reais, e construir uma cidade artificial não é fácil.”

As cidades virtuais são, portanto, uma solução ideal.

A mesma lógica se aplica a outro calcanhar de Aquiles já mencionado na prontidão militar dos EUA: ambientes subterrâneos. Embora o Exército prometa que o terreno subterrâneo seja tão proeminente no OWT quanto o terreno acima do solo, ele exige uma abordagem diferente.

“As cidades são relativamente fáceis de modelar porque podemos tirar fotos suficientes para construir mapas e porque há muitos dados de suporte de todos no planeta tirando selfies com seus celulares. Mas como todo o objetivo das instalações subterrâneas é proteger certos recursos e ativos, existem muito poucos modelos disponíveis do que realmente são”, continuou Tilton, que disse que o Exército está trabalhando duro em soluções que lhe darão mais acesso e aos meios técnicos necessários para capturar dados subterrâneos geográficos específicos.

A Comunidade de Inteligência reconheceu a escassez na GEOINT subterrânea há mais de 20 anos. Em 1997, a Agência de Inteligência de Defesa (DIA) montou o Centro de Análise de Instalações Subterrâneas (UFAC). Um consórcio gerenciado pelo DIA de diversos profissionais de inteligência, oriundos da própria DIA, da Agência Nacional de Inteligência Geoespacial, da Agência de Redução de Ameaças de Defesa entre outros, a missão da UFAC é descobrir – literalmente – informações sobre instalações subterrâneas adversárias.

“O ‘problema’ subterrâneo vem crescendo há muitos anos”, disse o engenheiro sênior e analista da UFAC, Gunnar Radel. “Está crescendo na quantidade [de instalações subterrâneas] que nossos adversários estão construindo e no número que eles têm, na qualidade dos locais que estão usando e no escopo de aplicação”.

Os adversários estão cada vez mais enterrando não apenas instalações ultra-secretas, mas também armas e outros ativos sensíveis. Simultaneamente, há um aumento na infraestrutura civil subterrânea e na atividade subterrânea de atores não estatais.

“Nossos adversários se sentem ameaçados, então eles estão se protegendo da observação e do ataque, colocando distância e pedras entre nós e mantendo seus bens preciosos ocultos”, continuou Radel, que disse que a construção subterrânea simultaneamente se tornou mais acessível e viável para militares e desenvolvedores civis. “A tecnologia melhorou a tal ponto que não há mais muitos lugares que você não pode construir no subsolo. Ao mesmo tempo, estamos ficando sem espaço na superfície, de modo que os países procuram aumentar verticalmente para baixo, nas principais cidades, em vez de subir verticalmente como fizeram no passado.”

Como os ambientes subterrâneos estão ocultos da vigilância, tudo isso resulta em uma oportunidade significativa da GEOINT. “A UFAC tem um apetite incrível e insaciável pela GEOINT”, disse Radel, cuja equipe é treinada para detectar e caracterizar instalações subterrâneas analisando o terreno acima do solo. À medida que o domínio subterrâneo cresce em tamanho e importância estratégica, no entanto, são necessárias ferramentas e técnicas mais avançadas.

Radel é otimista sobre aprendizado de máquina.

“Nossa prioridade é otimizar nosso recurso analítico mais precioso, que é o tempo do analista”, disse ele. “Estamos analisando o quanto pode ser automatizado a montante antes que nossos analistas tenham que se engajar … [o que os ajudará] a extrair gemas e pepitas das quantidades massivas de dados que chegam”.

O DESAFIO SUBTERRÂNEO

Sem GPS, o mapeamento subterrâneo requer automação, percepção, mobilidade e rede

Enquanto a UFAC investe em uma melhor análise do GEOINT subterrâneo, seus parceiros na comunidade de pesquisa estão desenvolvendo meios para coletá-lo melhor. Ou seja, a DARPA, que em setembro de 2018 lançou seu SubT Challenge, um concurso de robótica subterrânea com o objetivo de incubar novas tecnologias para ajudar na navegação, mapeamento e pesquisa de ambientes subterrâneos complexos.

“Em locais onde não temos acesso ao GPS e outras maneiras de retificar geograficamente os dados que temos, é um limitador severo. Um desses lugares é o subterrâneo”, disse Timothy Chung, gerente do programa SubT. “O SubT Challenge permite uma ampla abertura de abordagens para resolver o problema em questão.”

 A DARPA tem um histórico de uso da concorrência para propagar a inovação. Em 2004 e 2005, por exemplo, sediou seu Grande Desafio para acelerar o desenvolvimento de veículos autônomos. Graças em grande parte a essa competição, as montadoras estão se preparando para lançar seus primeiros carros sem motorista já no próximo ano. A DARPA espera que o SubT Challenge seja um catalisador semelhante.

“Um desafio é realmente uma ótima maneira de apresentar um problema audacioso e oferecer ao mundo um conjunto diversificado de inovadores e ver o que eles trazem para a mesa”, continuou Chung, que disse que a tecnologia SubT poderia um dia ajudar a não apenas soldados em combate, mas também socorristas civis e talvez até entidades comerciais em indústrias como a mineração.

O SubT Challenge compreende três “circuitos” durante os quais os concorrentes testam e demonstram novas soluções robóticas. O primeiro, o Tunnel Circuit, ocorreu em agosto de 2019 em uma mina nos arredores de Pittsburgh, Pensilvânia. O segundo, o Urban Circuit, acontecerá em um ambiente urbano subterrâneo – um metrô, talvez ou um esgoto – em fevereiro de 2020. O terceiro, o Cave Circuit, acontecerá em um ambiente natural de cavernas em agosto de 2020. Um quarto e último evento integrará todos os três subdomínios em agosto de 2021.

Para alcançar os objetivos GEOINT da competição e ganhar até US$ 2 milhões, as equipes concorrentes devem executar com sucesso quatro peças do quebra-cabeça subterrâneo: autonomia, percepção, mobilidade e trabalho em rede.

Como os ambientes subterrâneos podem ser perigosos para os seres humanos, a autonomia é especialmente importante, de acordo com Kostas Alexis, diretor do Laboratório de Robôs Autônomos da Universidade de Nevada, Reno (UNR).

“A idéia é que os supervisores humanos estejam acima do solo em algum lugar, longe da missão subterrânea. Portanto, precisamos ter autonomia absoluta”, disse Alexis, cuja equipe – a equipe CERBERUS, composta pela UNR; Universidade Suíça ETH Zurique; a Universidade da Califórnia, Berkeley; Sierra Nevada Corporation; e a empresa suíça Flyability – foi uma das 11 que competiram no Tunnel Circuit da SubT. “Como uma rede subterrânea de túneis pode ter quilômetros de extensão, os sistemas devem poder se integrar e operar por conta própria em ambientes de larga escala”.

A equipe CERBERUS, que ficou em sexto lugar no circuito de túneis, projetou um robô quadrúpede do tamanho de um cachorro. Quando entra em um ambiente subterrâneo, o robô carrega nas costas um drone aéreo que pode utilizar se encontrar ambientes verticais ou de vários níveis que não permitam sua observação. Graças à sua autonomia, os robôs poderão determinar o tempo apropriado para implantar seus companheiros drones. Eventualmente, os robôs poderão trocar e alcançar o que é conhecido como autonomia colaborativa.

“O robô A precisa compartilhar mapas com o robô B para poder tomar decisões inteligentes em equipe”, explicou Alexis.

Um pré-requisito para autonomia, é claro, é a percepção.

“[Os sistemas autônomos atuais] operam bem em ambientes bem iluminados, bem estruturados e com bons recursos. Não é isso que é um ambiente subterrâneo”, continuou Alexis. “Um ambiente subterrâneo pode ser simultaneamente sem textura e escuro. E se houver uma ameaça em potencial, pode até estar cheia de fumaça. Isso desafia a capacidade do robô de saber onde está e mapear o ambiente com precisão, o que, por sua vez, desafia sua capacidade de operar autonomamente.”

Para solucionar os desafios de percepção, o Team CERBERUS usa um pacote de fusão de sensores multimodais que inclui uma câmera, LiDAR, visão térmica e um giroscópio para navegação inercial. Mais tarde, também planeja adicionar radar.

A área em que a equipe CERBERUS balançou a barreira, no entanto, é a mobilidade.

“A questão é: como você pode criar uma solução robótica unificada que pode ser implantada em várias situações?”, Perguntou Alexis, cujo robô apresenta pernas articuladas projetadas para funcionar em uma variedade de ambientes subterrâneos, de minas repletas de rochas a estações de metrô cheias de escadas. “Com sistemas de pernas, você tem destreza em diferentes tipos de terreno.”

Outra equipe, o Team Explorer, adotou uma abordagem semelhante, porém diferente. Composto por roboticistas da Carnegie Mellon University e Oregon State University, construiu dois veículos terrestres autônomos projetados para trabalhar em conjunto com dois drones. Em vez de pernas, no entanto, seus veículos modulares apresentam rodas grandes, todo-o-terreno, que rolam em vez de pisar em obstáculos.

“Usamos pneus grandes e largos, que na verdade são pneus de corrida de motocross para motos off-road e que nos deram a tração e a mobilidade de que precisávamos”, disse Steven Willits, engenheiro de teste do Team Explorer, que ficou em primeiro lugar no circuito de túneis, graças não apenas à sua mobilidade superior, mas também à abordagem do requisito final do desafio: networking.

“Cada um de nossos robôs terrestres é um nó de comunicação por si só, mas também os enviamos para nós Wi-Fi em locais estratégicos”, continuou Willits, que disse que um robô terrestre pode ser enviado profundamente para dentro de uma mina para mapeá-lo de forma autônoma. enquanto outro robô segue atrás para construir uma rede de comunicação local. “Dessa forma, quando o primeiro robô voltar ao alcance, podemos receber todas as informações que ele armazenou enquanto estava em roaming.”

Esteja você falando de automação, percepção, mobilidade ou rede, o objetivo é facilitar o mapeamento na ausência de GPS. Para a DARPA, no entanto, o metrô é tanto relativo quanto à localização absoluta.

“O Desafio SubT se concentra no que gostamos de chamar de consciência situacional acionável”, disse Chung. “O que isso significa é: queremos ir além de apenas ter conhecimento do layout ou do ambiente por si só e entender como isso se relaciona com a missão em questão. No contexto do Desafio SubT, trata-se não apenas de ter um mapa – que por si só é difícil de obter – mas também de poder usá-lo para fornecer informações sobre, por exemplo, onde os artefatos estão localizados para que os atendentes de emergências ou comandantes de incidentes podem tomar decisões com base na localização de sobreviventes, áreas de risco e coisas dessa natureza. ”

Apesar de suas inúmeras diferenças, os ambientes urbanos e subterrâneos a esse respeito são exatamente os mesmos: se o Exército do futuro enfrenta adversários nas fendas de concreto de Dhaka, nas ruas cosmopolitas de São Paulo, nos metrôs abaixo da Europa ou nas cavernas montanhosas que espreitam abaixo do Afeganistão, o GEOINT é mais do que coordenadas. É também sobre contexto. E graças a esforços como o OWT e o SubT Challenge, o contexto será em breve possível, mesmo nos lugares mais complexos.

Tilton concluiu: “Ter conhecimento sobre como o mundo realmente se modifica, torna nossos combatentes mais eficazes onde quer que eles se envolvam”.

Autoria de: Matt Alderton em 11 de Novembro de 2019

Tradução: Evenuel V. Veloza

Lutando em novas fronteiras

Na guerra urbana e subterrânea, a GEOINT assume o centro do palco

Parte I – Guerra Urbana

As cidades estão vivendo, respirando coisas. Como organismos, eles estão mudando constantemente. No século 19 – antes da tubulação interna, eletricidade ou automóveis – a cidade típica era uma fossa de decomposição, desordem e doença. Sem departamentos de polícia municipais, leis de trânsito ou encanamento interno, as ruas estavam congestionadas de crime, cavalos e lixo. As ruas eram estreitas, os edifícios pequenos e os apartamentos superlotados. Arranha-céus? Condomínios? Os homens urbanos do passado não poderiam sequer imaginar as cidades de hoje.

Claro, as cidades ainda estão mudando. Em poucas décadas, preveem os futuristas, os carros se movimentarão sozinhos, os edifícios gerarão sua própria energia, os drones policiarão as ruas, a realidade aumentada tornará as paisagens das ruas pesquisáveis ​​e os hyperloops de alta velocidade transportarão os passageiros muito longe e muito rápido. Os planejadores urbanos esperam que as cidades do futuro sejam inteligentes, sustentáveis ​​e seguras.

Infelizmente, alguns deles também podem ser zonas de guerra, de acordo com o Exército dos EUA, cujo Grupo de Estudos do Futuro do Exército (AFSG) identificou megacidades – cidades com populações de 10 milhões de pessoas ou mais – como uma preocupação crescente para os militares dos EUA.

“As megacidades estão rapidamente se tornando os epicentros da atividade humana no planeta e, como tal, gerarão a maior parte do atrito que compele a intervenção militar futura”, disse o AFSG, anteriormente conhecido como Grupo de Estudos Estratégicos do Chefe do Estado Maior do Exército, em 2014. relatório, “ Megacidades e o Exército dos Estados Unidos: preparando-se para um futuro complexo e incerto ”. Ignorar megacidades, segundo o relatório, é ignorar o futuro.

O Comando de Treinamento e Doutrina do Exército dos EUA ecoou o sentimento do AFSG em seu panfleto de 2018, O Exército dos EUA em Operações com Vários Domínios 2028: “Taxas de urbanização cada vez maiores e a importância estratégica das cidades… garantem que as operações [futuras] ocorram em terreno de densas áreas urbanas.”

Mas o terreno urbano não é apenas denso. Também é diverso. Juntamente com as ameaças acima do solo – nas estradas e telhados ou dentro de prédios – os combatentes nas cidades também podem enfrentar ameaças abaixo do solo em porões, esgotos, metrôs e túneis.

Os Estados Unidos já enfrentaram e derrotaram inimigos nas cidades e nas cidades. No Departamento de Defesa (DoD), no entanto, há um reconhecimento de que o que antes era a exceção poderia um dia ser a regra. E assim, os líderes militares começaram a estabelecer uma base sobre a qual construir uma futura força de combate que esteja tão pronta para se envolver em ambientes urbanos e subterrâneos quanto em domínios convencionais. Há apenas uma coisa que eles precisam para completar sua missão: uma mais forte e melhor Inteligência Geoespacial (GEOINT), que está sendo desenvolvida graças a programas prospectivos como o One World Terrain (OWT) do Exército e a Agência de Projetos de Pesquisa Avançada de Defesa (DARPA). Desafio Subterrâneo (SubT) .

“Os militares reconheceram que nenhum domínio é um lugar irracional para supor que possamos ter que nos envolver”, explicou Barry Tilton, diretor técnico de operações federais dos EUA e vice-presidente de engenharia do fornecedor de 3D GEOINT Vricon. “Como o mundo não passa de uma série de circunstâncias políticas e ambientais em constante mudança, eles estão dizendo: ‘Vamos nos preparar para o engajamento em qualquer lugar que possa acontecer’. … Seja uma paisagem urbana ou um túnel: quanto mais conhecimento você tiver sobre a paisagem, onde quer que este esteja, mais eficaz será.”

O One World Terrain permite que os soldados entendam rapidamente o meio ambiente, construam um plano e ensaiem a missão usando o terreno em que estarão treinando ou lutando – mesmo em teatros complexos, como selvas ou megacidades. (Crédito: Exército dos EUA)

OBSTÁCULOS URBANOS

Os exércitos costumam travar guerras terrestres em áreas remotas ou rurais, longe dos principais centros populacionais. Durante a Guerra Civil Americana, por exemplo, a Batalha de Gettysburg ocorreu principalmente nos campos abertos ao redor da cidade da Pensilvânia. A Batalha do Bulge da Segunda Guerra Mundial se desenrolou nas densas florestas da Bélgica e a Batalha do Hambúrguer da Guerra do Vietnã, nas montanhas encobertas pela selva. Até a Operação Liberdade Duradoura ocorreu predominantemente nas montanhas escarpadas do leste do Afeganistão.

Também houve batalhas urbanas – Aachen, Alemanha, em 1944; Hue, Vietnã, em 1968; Mogadíscio, Somália, em 1993 – mas as cidades são geralmente um teatro de último recurso.

Existem boas razões para isso, de acordo com Patrick Cozzi, CEO da Cesium, uma empresa de software geoespacial cuja plataforma permite aplicativos 3D baseados em dados geoespaciais do mundo real.

“Os ambientes urbanos são infinitamente mais complexos que as áreas abertas, onde você pode ver tudo”, explicou Cozzi. “Entrada e saída – entrar e sair de prédios de vários andares – e ser capaz de entender o movimento das pessoas para atingir com precisão maus atores e evitar civis antes do tempo e em tempo real são os principais desafios.”

Tanto os desafios quanto as possíveis consequências – incluindo destruição generalizada e alto número de vítimas – podem ser ainda maiores em megacidades, das quais haverá 43 até 2030, segundo as Nações Unidas. A maioria dessas cidades estará em regiões em desenvolvimento, e 37 delas serão 200 a 400% maiores que Bagdá, onde as forças americanas passaram quase uma década envolvidas em conflitos urbanos durante a Guerra do Iraque. Enquanto cerca de 6,5 milhões de pessoas vivem em Bagdá, Nova Délhi tem uma população de 29 milhões e Xangai uma população de 26 milhões. Enquanto isso, a Cidade do México e São Paulo têm aproximadamente 22 milhões de habitantes, enquanto Cairo, Mumbai, Pequim e Daca têm quase 20 milhões.

Segundo o AFSG, a atual doutrina do Exército dos EUA pede às tropas que “isolem e moldem o ambiente urbano e utilizem abordagens terrestres da periferia para o Centro da cidade”. Mas em cidades com tantas pessoas, isso não funciona.

“Controlar fisicamente uma população urbana composta por dezenas de milhões de pessoas espalhadas por centenas de quilômetros quadrados, com forças militares numeradas na casa das dezenas de milhares, não apenas ignora as relações de força recomendadas na doutrina, mas na verdade as inverte”, explica o AFSG em suas “Megacidades e White Paper do Exército dos Estados Unidos”. “O isolamento virtual é ainda mais improvável, dada a saturação do telefone celular em ambientes urbanos em todo o mundo e a interconexão global através da Internet. A manobra de solo da periferia também não é realista. O congestionamento das vias de abordagem terrestres, combinado com o tamanho massivo dos ambientes de megacidade, torna questionável até mesmo alcançar um objetivo da periferia, sem falar em obter um efeito operacional.”

Mas não é apenas a doutrina que fica aquém das megacidades, mas também os mapas.

“Se um comandante da empresa ou líder de esquadrão quiser ver o que há além da montanha para o planejamento de rotas ou a análise de ameaças, eles precisam de um nível de resolução, fidelidade e moeda que você não pode obter atualmente”, disse Ryan McAlinden, diretor de modelagem , simulação e treinamento no Instituto de Tecnologias Criativas da Universidade do Sul da Califórnia (ICT), um Centro de Pesquisa Afiliado da Universidade patrocinado pelo Departamento de Defesa que trabalha em colaboração com o Laboratório de Pesquisa do Exército dos EUA.

O déficit é especialmente aparente em ambientes urbanos, que exigem um ponto de vista tridimensional em vez de bidimensional.

“Nosso mundo é inerentemente 3D”, disse Cozzi. “Em um ambiente urbano onde existem prédios que podem ter saliências e vários andares, a terceira dimensão é fundamental para ter consciência situacional – onde estou, o que posso ver, se há outros atores, onde estão, o que podem ver e qual é o potencial da mobilidade nas três dimensões: X, Y e Z. “

Infelizmente, os dados 3D até agora foram limitados a fontes grosseiras, como a Missão de Topografia por Radar da Shuttle da NASA, que fornece dados de elevação global com resolução de 30 metros.

“Isso é praticamente inútil. Você não pode fazer nada em uma área urbana com dados de 30 metros, exceto talvez algum planejamento básico de voo para garantir que você não bata nos prédios”, disse McAlinden. “Mesmo dados de 1 metro ou submetro são de uso marginal em áreas urbanas. Devido à densidade das estruturas e ao contraste da inclinação – você tem arestas muito afiadas que, por serem feitas pelo homem, são menos orgânicas e muito perpendiculares ao solo -, você realmente precisa de conteúdo de alta resolução.”

Ao contrário dos jogos populares, as simulações militares exigem recursos de terreno em 3D que exibem os atributos apropriados. Estruturas de madeira, prédios de concreto e vegetação devem reagir realisticamente aos efeitos do campo de batalha para melhor apoiar o planejamento da missão e reduzir o potencial de treinamento negativo. (Crédito: Exército dos EUA)

TREINAMENTO PARA O AMANHÃ

Gerar, federar e utilizar conteúdo 3D de alta resolução é o foco do programa OWT do Exército, cujo resultado será um mapa 3D geoespecífico realista e preciso do mundo que o Exército pode usar para treinar combatentes para conflitos futuros – incluindo aqueles em megacidades.

OWT – o banco de dados geoespacial 3D que sustentará uma plataforma de treinamento virtual maior conhecida como Ambiente de Treinamento Sintético (STE) – é, em alguns aspectos, uma resposta direta ao AFSG, que declarou claramente nas Megacities e no Exército dos Estados Unidos que “o Exército não está preparado para operações ”em megacidades e que“ são necessários conceitos inteiramente novos ”para preencher a lacuna.

OWT é, de fato, um conceito inteiramente novo. Liderado pela Major-General Maria Gervais, diretora da Equipe Funcional STE Cross do Exército, o esforço do OWT buscará uma vantagem estratégica americana, abordando uma lacuna geoespacial no atual regime de treinamento do Exército.

“Temos que ser capazes de replicar em um ambiente de treinamento qualquer ambiente operacional que um soldado ou comandante possa enfrentar no futuro”, disse Gervais. “Nosso ambiente atual de treinamento não nos permite fazer isso.”

A atual plataforma de treinamento do Exército, o Ambiente de Treinamento Integrado, foi construída usando a tecnologia de jogos das décadas de 80 e 90. Substituí-lo por tecnologia moderna – simulações virtuais com imagens 3D de alta resolução – redefinirá a prontidão militar dos EUA.

“Embora tenham sido realmente bons há vários anos, as simulações de jogos não foram projetadas para suportar dados reais em seus sistemas. Para minimizar o tamanho dos arquivos, eles tendem a preencher texturas de edifícios e criar estruturas genéricas”, disse Tilton, da Vricon, que está construindo OWT para o Exército usando sua solução de mapeamento 3D em larga escala. “Falar de um terreno mundial é falar sobre a mudança desse ambiente para outro. Se você estiver simulando Paris, não apenas a Torre Eiffel estará no lugar certo – o que acontece nas simulações agora – mas também os edifícios ao seu redor, as passarelas subindo àqueles prédios e ao restaurante que você lembra de comer na rua. ”

Onde quer que estejam indo, os soldados podem ensaiar a guerra tática como se já estivessem lá. Isso é especialmente valioso no contexto de ambientes urbanos densamente povoados, onde não é possível realizar treinamento ao vivo realista.

“A capacidade de virtualizar um ambiente – vê-lo no terreno com antecedência – é tão poderosa”, explicou Gervais, acrescentando que ambientes de treinamento virtual hiper-realistas ajudam os soldados a fortalecer suas decisões, desenvolver habilidades cognitivas, aprimorar trabalho em equipe, reforça a autoconfiança e cria memória muscular.

Para realizar sua visão OWT, o Exército deve resolver uma infinidade de desafios familiares à Comunidade GEOINT. Uma é a resolução espacial e temporal. Para obter a melhor e mais atual visualização possível, a Vricon está construindo uma camada básica do 3D GEOINT usando imagens de satélite comerciais de meio metro da Maxar, que co-fundou a Vricon com a Saab em 2015. Além disso, o Exército pode adicionar uma camada de cobertura tática de alta resolução que compreende dados de 2 a 15 centímetros coletados por sistemas aéreos não tripulados (UAS), aeronaves tripuladas, veículos terrestres etc.

“A OWT terá uma base construída a partir de imagens de satélite para permitir o registro consistente e preciso de conjuntos de dados adquiridos por outras fontes”, disse Cozzi, da Cesium, que está em parceria com a Vricon para executar os requisitos 3D da OWT. “Esses conjuntos de dados podem ter resolução mais recente ou mais alta ou ambos, dependendo da fonte. O sistema deve ser flexível o suficiente para usar com precisão os melhores dados de origem disponíveis – de onde quer que venham – para produzir o resultado mais detalhado possível.”

Dessa maneira, os próprios soldados se tornam sensores.

“Nós coletaremos dados de fontes de meios técnicos nacionais e satélites comerciais, mas também produziremos nossos próprios dados de fontes”, disse McAlinden, da ICT, que está realizando pesquisa e desenvolvimento em apoio ao OWT e ao STE. “As próprias unidades estão coletando imagens e, em seguida, alimentando essas imagens no pipeline do One World Terrain para produzir conteúdo geo-específico altamente atualizado e altamente preciso”.

Várias centenas desses kits de mapeamento 3D dos UAS foram implantados nas unidades do Exército, do Corpo de Fuzileiros Navais e das Operações Especiais, cujos membros podem usar dispositivos móveis para definir áreas que desejam simular para fins de treinamento. O UAS então pesquisa automaticamente as áreas definidas para gerar modelos de terreno a partir dos quais os recursos individuais (por exemplo, estradas, vegetação, edifícios, portas, janelas) podem ser extraídos e classificados. A GEOINT é subsequentemente processada, armazenada e distribuída aos soldados na forma de simulações que eles podem acessar em qualquer lugar e em qualquer dispositivo, incluindo óculos de realidade virtual que lhes permitem interagir com os ambientes de treinamento como se estivessem realmente neles.

“Queremos poder pegar todos os dados do terreno que estão espalhados e torná-los independentes de simuladores ou motores de jogos, para que possamos trazê-los rapidamente para aplicativos em que os soldados possam treinar”, explicou Gervais, que descreveu estradas, estruturas , e as árvores no local certo são apenas o primeiro passo para fornecer representações precisas do terreno. O modelo 3D também requer recursos de terreno com atributos apropriados para oferecer suporte a treinamento realista. Por exemplo, uma rua lamacenta ou uma trilha de terra devem restringir os veículos mais do que uma estrada de asfalto, e os muros de concreto devem reagir diferentemente às munições do que as de madeira. O aprendizado de máquina e a inteligência artificial estão acelerando a atribuição de atributos apropriados durante as fases de coleta e processamento com a ajuda da computação em nuvem.

“Não se trata apenas de realismo nos pixels; é sobre ter dados semânticos”, disse Cozzi. “A fusão de dados geoespaciais 3D altamente precisos com a semântica que descreve esses dados abre um novo nível de casos de uso além da visualização”.

A chave para todo o fluxo de trabalho, de acordo com Gervais, é a arquitetura aberta que permite que os dados do terreno fluam livremente entre as mídias.

“Diferentes sistemas de treinamento tradicionalmente exigem diferentes formatos de dados em diferentes níveis de resolução”, disse McAlinden, acrescentando que os dados do terreno existem atualmente em 57 formatos diferentes, adequados a diferentes sistemas de treinamento do Exército. “Se você estivesse fazendo um simulador de tanques, um simulador de aviação e um simulador de solo, teria que construir um terreno para cada um deles, porque não havia um mecanismo para movê-los de maneira concisa, coordenada e credenciada. O STE consolidará todos esses diferentes sistemas de treinamento em um, com um conjunto de dados de terreno fundamental. ”

Com um sistema em vez de 57, os programas de treinamento avançarão da concepção para a implementação mais rapidamente, de forma mais acessível e com menos chaminés.

“A visão é obviamente muito grande”, disse McAlinden, reconhecendo que as grandes visões enfrentam grandes desafios. Devido ao tipo e tamanho dos dados envolvidos, esses desafios incluem armazenamento, distribuição, fusão e acreditação de dados.

As soluções estão em andamento, de acordo com Gervais, que disse que o OWT está no caminho de fornecer sua capacidade operacional inicial no final de 2021 e sua capacidade operacional total em 2023. Com base no feedback inicial dos soldados – que também podem usar os dados do OWT além de treinamento, para incluir o planejamento da missão, o ensaio da missão e até as operações – o sucesso é iminente.

“Ainda temos muitas coisas para resolver”, disse Gervais, “mas já provou seu valor”.

AMEAÇAS ESCONDIDAS

Embora tenha sido projetado para simular praticamente qualquer ambiente na Terra, o OWT será especialmente útil para ajudar os combatentes a se prepararem para o combate urbano.

“Para praticar a guerra, geralmente é preciso quebrar as coisas”, disse Tilton. “Obviamente, você não quer quebrar cidades reais, e construir uma cidade artificial não é fácil.”

As cidades virtuais são, portanto, uma solução ideal.

Autor: Matt Alderton, Revista Trajectory, em 11 de Novembro de 2019

Tradução: Evenuel V. Veloza

Como a inteligência artificial pode melhorar a GEOINT

Desde o planejamento de estratégias militares de longo prazo até a execução de operações no auge da batalha, as organizações de Defesa e Inteligência precisam acessar uma Inteligência Geoespacial atualizada, em suas diversas formas e para inúmeras atividades. Embora a combinação dessa GEOINT – de imagens de satélite e vídeo em tempo real, a mapas e modelos de terreno 3D – estabeleça uma representação digital precisa da Área Operacional de Interesse (AOI), a verdadeira percepção situacional vem da atualização e evolução dinâmicas dessa representação digital.

Obter todas essas informações dos recursos em campo é fundamental. O estado de guerra em rápida evolução e a velocidade das operações militares exigem que informações cada vez mais precisas sejam coletadas e entregues instantaneamente, e sob condições muito desafiadoras, para as unidades em terra.

Os adversários desenvolvidos tecnologicamente representam um desafio importante para as unidades de um país ou de uma coalizão. Avaliações recentes afirmam que esses adversários, que possuem tecnologias comparáveis ​​ou superiores, podem implantar técnicas sofisticadas para desativar a capacidade de nossas forças se comunicarem e colaborarem durante os compromissos táticos. As forças amigas precisarão fornecer informações Geoespaciais confiáveis ​​às unidades do campo de batalha sob essas condições adversas.

Felizmente, inovações emergentes em inteligência artificial e computação de ponta estão enfrentando esses desafios.

No futuro, em próximos combates, as forças da coalizão exigirão tarefas orquestradas de um número cada vez maior de ativos complexos nos domínios marítimo, terrestre, aéreo, espacial e cibernético. Esses ativos variam em tamanho e sofisticação – de embarcações marítimas e grandes aeronaves de transporte a enxames de pequenos sensores que podem ser implantados de maneira autônoma. Espera-se que a IA desempenhe um papel crítico nessa orquestração cada vez mais descentralizada. Não apenas pode ajudar a maximizar a eficácia da missão, mas também pode ajudar os operadores no nível tático, assumindo o papel de sinalizar e executar tarefas. Novas soluções estão efetivamente orquestrando veículos e dispositivos, e podem desempenhar um papel fundamental nesses tipos de arquiteturas.

Estabelecer uma consciência situacional precisa e oportuna é absolutamente crítico durante a execução da missão. Isso pode ser conseguido através da criação de uma Imagem Operacional Comum Dinâmica, que traz toda a inteligência disponível sobre uma AOI para um único monitor 2D ou 3D. As plataformas de hoje são ideais para estes tipos de imagens de vários domínios, pois têm a capacidade de incorporar perfeitamente uma ampla variedade de tipos de dados GEOINT e sobrepor informações de posição atualizadas dinamicamente para ativos, como tropas, veículos terrestres, aeronaves e embarcações marítimas. Além disso, essas soluções podem ser facilmente configuradas para suportar os requisitos específicos de uma missão e incorporar análises sofisticadas.

Outra capacidade que a IA traz é melhorar as atividades de vigilância e monitoramento. Ao melhorar a capacidade de prever o comportamento de um alvo com base na análise de padrões históricos, tendências atuais e fatores dinâmicos (como clima e comportamento antagônico), a IA pode ajudar a determinar o método e o local mais adequados para a implantação de ativos para a realização de vigilância. Ao usar grandes quantidades de dados históricos como linha de base, as soluções baseadas em IA também podem ser usadas para detectar anomalias, aumentando assim o processo de nomeação de alvos para vigilância.

A IA também pode aumentar a geração de Linhas de Ação Priorizadas (LAP) depois que as metas forem nomeadas e uma resposta for gerada em ordem de importância. A IA pode incorporar objetivos de missão e restrições multidimensionais e, em seguida, vasculhar grandes quantidades de dados e executar vários modelos. Os algoritmos de IA podem gerar, simular e avaliar um número extremamente grande de soluções candidatas em um período muito curto de tempo. Novas soluções constroem esses recursos em suas ofertas, que também podem automaticamente executar tarefas de inteligência, vigilância e reconhecimento adicionais para gerar com eficiência informações adicionais acionáveis.

A IA desempenha um papel na implantação de drones táticos que podem operar autonomamente “no limite” em um ambiente comprometido por sinais. Os drones táticos implantados na ponta da lança fornecem modelos 2D e 3D precisos de uma área de interesse poucas horas após as ações cinéticas.

Também é possível aumentar os dados GEOINT coletados de outras fontes. As soluções de hoje oferecem flexibilidade e controle para coletar informações sobre uma área que pode ou não ser acessível por outros meios de coleta no prazo necessário. A inteligência coletada dessas missões pode ser sobreposta a outras fontes de GEOINT na COP para construir uma representação digital mais completa e atualizada da AOI, aumentando assim as chances de sucesso da missão.

Os recursos de IA, essencialmente em drones, podem gerar informações valiosas em tempo quase real e aumentar ainda mais a eficácia da coleção. Alguns desses exemplos incluem o cálculo de leituras imediatas de detecção de alterações entre voos ou conjuntos de dados, automatizando a identificação de veículos ou até criando a capacidade de reconhecer e contar o número de humanos no chão instantaneamente e, em seguida, fazer ajustes imediatos a bordo nos parâmetros de coleta. Esses exemplos ilustram como sensores aprimorados por IA e hardware de computação compacto e de alto desempenho a bordo de um sistema aéreo não tripulado podem produzir o próximo estágio de dados de inteligência simultaneamente com a coleta, acelerando drasticamente o ciclo de tomada de decisão.

Um método utilizado pelos adversários para interromper as operações no campo de batalha é o bloqueio de GPS e outros sinais. Chips robustos anti-interferência e anti-spoofing estão se tornando mais disponíveis e podem adicionar outro nível de resiliência a esses sistemas. Os chips integrados podem incorporar relógios atômicos independentes e recursos de pseudo-posicionamento que lhes permitem operar apesar dos esforços de interferência ou ataques cibernéticos.

O GEOINT preciso e atualizado é fundamental para criar uma representação digital dinâmica do espaço de batalha e a consciência situacional relacionada em tempo real, o que pode ajudar a estabelecer uma vantagem de decisão sobre nossos adversários.

O aprimoramento dos sistemas de tarefas, coleta, vigilância e exploração com inteligência artificial e outras tecnologias avançadas não apenas melhorará a eficácia desses sistemas, mas também aumentará sua capacidade de funcionar em ambientes futuros, onde se espera que os adversários implementem técnicas sofisticadas de interferência e cibernética.

Artigo escrito por: Rob Mott (09 de Outubro de 2019)

Imagem em destaque: A inteligência artificial pode ajudar a melhorar as tarefas e a coleta do GEOINT, mesmo em ambientes de acesso negado (Jennifer Gonzalez / Corpo de Fuzileiros Navais EUA).

Sobre Rob Mott: é vice-presidente da Hexagon US Federal, fornecedora de soluções geoespaciais e técnicas integradas ao governo dos EUA.

Um globo 3D interativo – um guia de mapeamento DIY

Por Raluca Nicola (Visualização 3D e análise, 26 de agosto de 2019)

Alguns meses atrás eu trabalhei com John Nelson em um globo 3D interativo e o projeto acabou muito bem, então escrevi uma postagem no blog que mostra como criar esse globo usando a API do ArcGIS para JavaScript.

1

O globo dos extremos

John Nelson surgiu com a ideia inicial e também criou o incrível mapa base que usaremos neste tutorial. Nós nos inspiramos neste belo globo virtual e neste incrível globo artesanal . Nesta postagem do blog, mostraremos passo a passo como criar esse globo 3D interativo:

Antes de começarmos com o tutorial, o repositório para este aplicativo está aqui e cada commit corresponde a uma etapa no tutorial. Clique em “ver o código” para ver o commit correspondente no Github.

Etapa 1: onde criamos um globo com um mapa base personalizado

Veja o código

Começamos com uma configuração básica: temos uma página HTML onde inicializamos um mapa e um SceneView que renderiza o mapa. Além disso, na página CSS, definimos o contêiner do mapa para cobrir toda a tela.

A parte importante aqui é adicionar o TileLayer que John criou como parte do mapa base:

Globo após o passo 1

Passo 2: onde o globo começa a parecer chique

Veja o código

Após o primeiro passo, o mundo tem um fundo muito realista e, para o nosso aplicativo, eu gostaria de dar uma aparência divertida que convidará os usuários a explorar os dados do globo. Para isso, vamos remover as estrelas ea atmosfera e vamos adicionar um gradiente de fundo personalizado no body: 

background: radial-gradient(#12bff2,#0269a1);. 

Também definiremos restrições de altitude para que o usuário não possa aumentar ou diminuir o zoom demais para evitar que elas se percam.

Outra mudança que nós vamos fazer para o mundo é a adição de alguns filtros CSS para aumentar a saturação e, adicionalmente, vamos adicionar um halo branco em torno dele: 

filter: saturate(1.5) drop-shadow(0 0 20px white); 

Globo após o passo 2

Etapa 3: onde exageramos … o terreno

Veja o código

Neste mapa, mostraremos os pontos mais altos e mais baixos da Terra, mas com os valores de elevação reais, você dificilmente poderá ver quaisquer alterações na altura do terreno. Para resolver isso, vamos exagerar a elevação da superfície terrestre e oceânica. Usaremos o serviço de elevação Topobathy fornecido pela Esri para ter acesso aos dados de elevação mundial.

Com essa técnica, a percepção 3D do terreno aumenta consideravelmente à medida que exageramos a elevação:

Exemplo de elevação exagerada

O exagero da camada de elevação pode ser feito na API, estendendo o BaseElevationLayer. No método fetchTile () , multiplicamos a elevação de cada valor de dados com o valor de exagero. Depois de brincar com vários valores, decidimos 60 vezes maiores para valores acima de 0 metros e 40 vezes menores para valores abaixo de 0 metros.

Globo após o passo 3

Etapa 4: onde adicionamos uma superfície brilhante do oceano

Veja o código

John tinha essa idéia legal de adicionar uma superfície transparente e transparente como a superfície do oceano, um pouco como neste globo . Atualmente, a reflexão especular é suportada na API para modelos GLTF . Então nosso pequeno hack foi adicionar uma esfera no formato GLTF que possui um material refletivo e o raio da Terra. Nós baixamos a esfera do Sketchfab , mas se você quiser criar você mesmo, o KhronosGroup mantém uma lista de aplicativos de modelagem 3D que suportam o GLTF. O fluxo de trabalho é que você crie o modelo 3D em um desses aplicativos, exporte-o como um GLTF e, em seguida, carregue-o na API. A esfera é semitransparente para que possamos ver o fundo do oceano através dela:

Globo após o passo 4

Etapa 5: onde algumas nuvens aparecem

Veja o código

Continuando com os experimentos, queríamos adicionar algumas nuvens ao nosso globo. A NASA tem imagens de satélite de nuvens disponíveis para uso público, então adicionamos uma camada de nuvens usando a classe Mesh . Basicamente, criamos uma esfera com o Mesh.createSphere () e mapeamos a imagem de nuvens como uma textura na esfera. É claro que as nuvens não estão exatamente no lugar em que estavam quando a imagem foi tirada, mas isso não é muito relevante para a nossa visualização. Elevamos as nuvens do globo adicionando um deslocamento de 300 km ao raio da Terra e definindo isso como o raio da esfera da malha.

Globo após o passo 5

Etapa 6: onde coletamos e exibimos os pontos extremos

Veja o código

Esta foi a parte tediosa deste projeto: coleta de dados real. O principal recurso foi este artigo da wikipedia de pontos extremos da Terra. Não há mágica acontecendo aqui, depois de alguma pesquisa online, criamos manualmente um arquivo GeoJSON com os pontos e o carregamos em nosso aplicativo como GeoJSONLayer . Para este globo precisamos de alguns símbolos que se destacam, então criamos um PointSymbol3D com dois IconSymbol3DLayers representando círculos concêntricos. Ao clicar em um ícone, aparece um pop-up, exibindo as informações armazenadas no arquivo GeoJSON. Nós ancoramos o pop-up no canto superior direito e aplicamos alguns CSS personalizados para estilizá-lo.

Globo após o passo 6

Etapa 7: onde criamos a página Intro

Veja o código

Como uma página “Intro”, queremos ter uma mensagem que informe ao usuário sobre o que é o aplicativo. O globo não deve ser muito perturbador, então vamos borrar o globo usando um filtro css enquanto a mensagem de introdução é exibida. Quando o usuário clica no Go to globemundo, ele começa a girar para mostrar ao usuário que ele pode interagir com ele.

Nesta etapa, também adicionaremos uma página “Sobre” (que é tecnicamente igual à página “Introdução” com conteúdo diferente) para fornecer ao usuário mais informações sobre os dados e as ferramentas que foram usadas para criar este aplicativo.

Globo após o passo 7 E isso é tudo que existe para isso! Divirta-se explorando nosso mundo e estamos ansiosos para ver o que te inspirou a construir!