AI-ВИЯВЛЕННЯ
КОНВЕЄР

Ця сторінка пояснює, як Lisa 26 перетворює необроблене зображення з камери у підтверджену ціль на карті. Кожний крок: від моменту, коли камера захоплює кадр, до моменту, коли символ NATO з'являється на Common Operating Picture (COP).

Як AI бачить — простою мовою

Уявіть AI як надзвичайно швидкого солдата, що пильно дивиться на екран. Він дивиться на кожний окремий кадр, який захоплює камера — 30 кадрів на секунду. Для кожного кадру він запитує: «Чи бачу я щось, що схоже на транспортний засіб, людину, артилерію або споруду?» Якщо відповідь — так, він малює рамку навколо знайденого і каже: «Я на 87% впевнений, що це броньований транспортний засіб.»

AI не розуміє, що таке танк. Він розпізнає патерни. Під час навчання йому показали тисячі фотографій танків, вантажівок, людей і повідомили: «так вони виглядають». Тепер він порівнює нові зображення з цими патернами. Коли відповідність досить сильна (вище 75% впевненості), він повідомляє про виявлення.

Модель AI називається YOLOv8 (You Only Look Once, версія 8). Вона працює на маленькому комп'ютері Jetson Orin Nano Super (€230), встановленому на дроні. Модель спеціально навчена на нордичній місцевості — бореальний ліс, сніг, шведська військова техніка — тому вона розпізнає те, що важливо у шведському оперативному середовищі.

Від пікселя до карти — як обчислюється позиція

AI знайшов транспортний засіб у зображенні камери на позиції пікселя (420, 280). Але піксель — це не координата карти. Як система знає, ДЕ на землі знаходиться цей транспорт?

У середовищі без GPS (ворог заглушує всю супутникову навігацію) система використовує три речі, які вона ЗНАЄ:

Математика (для інженерів): піксель → промінь камери [(u-cx)/fx, (v-cy)/fy, 1.0] → обертання за орієнтацією IMU (крен/тангаж/курс з EKF3 в режимі AHRS) → перетин з площиною землі на барометричній висоті → відносна позиція від точки зльоту. Точність: ~50–200 м без GPS, ~10–30 м із співставленням з рельєфом проти попередньо завантаженого ортофото з попередніх польотів Fischer 26.

Математичне виведення — від пікселя до землі

Повне чотирикрокове виведення піксель-до-землі проєкції опубліковано в англійській версії цієї сторінки. Математика відповідає стандартному комп\'ютерному зору і багатовидовій геометрії (Hartley & Zisserman, Multiple View Geometry in Computer Vision, Cambridge University Press, 2004, розділ 6) — внесок цієї сторінки полягає у конкретній підстановці значень сенсорів Fischer 26 та числових проміжних результатах. Два опрацьовані числові приклади (120 м AGL проти 30 м AGL) і верифікаційний код математично підтверджені в provable_claims.py під PIXEL_TO_GROUND_120M та PIXEL_TO_GROUND_30M.

Чому виведення є операційно важливим

Три окремих оперативних рішення залежать від того, чи ця математика коректна. Точність наведення: коли Lisa 26 розміщує червоний ромб на COP і командир авторизує удар FPV на підставі координат цього ромба, координати не кращі ніж це виведення. Помилка в порядку обертання (кузов-до-світу — це Rz·Ry·Rx, а не Rx·Ry·Rz) продукує симетричні помилки, які розміщують ціль по неправильний бік від лінії дерев. Бюджет невизначеності: аналіз чутливості показує, що помилка 1° у тангажі IMU на висоті 120 м продукує приблизно 2 м помилки наземної позиції. Саме тому Fischer 26 — це BDA-платформа, а не платформа високоточного удару. GPS-denied навігація: виведення явно показує, що проєкція потребує (1) положення пікселя, (2) калібрування камери, (3) орієнтацію IMU, (4) барометричну висоту — жодне з цього не потребує GPS.

Приклад: на висоті 120 м з тангажем = −3°, курсом = 45°, піксель (320, 180) дає зміщення наземної позиції приблизно (7,4 м Пн, 7,4 м Сх) від поточної NED-позиції дрона. На висоті 30 м з ідентичними іншими параметрами зміщення стає рівно чвертю: (1,85 м Пн, 1,85 м Сх). Лінійне масштабування з висотою підтверджує аргумент подібних трикутників і безпосередньо пов\'язує з бюджетом невизначеності — невизначеність пікселя ×2 → невизначеність позиції ×2.

Символи NATO — маркування цілей на карті

Коли система знає, ЩО вона виявила і ДЕ це знаходиться, вона створює стандартний символ NATO на карті. NATO використовує систему APP-6D, де кожен тип військового підрозділу, транспорту або об'єкта має унікальний символ і 20-цифровий код (SIDC).

Форми розказують вам, кому це належить, одним поглядом — не потрібно читати текст:

Lisa 26 автоматично відображає виявлення YOLOv8 на символи NATO. «armored_vehicle» із впевненістю понад 75% стає червоним ворожим ромбом із символом броні всередині. Це відбувається без жодної участі людини. Оператор потім може підтвердити, перекласифікувати або відхилити виявлення.

Повний конвеєр — від початку до кінця

Конвеєр виявлення перетворює необроблені пікселі камери в символи NATO APP-6D на COP за 352 мілісекунди. Кожен етап конвеєра виміряний і перевірений. Затримка конвеєра виявлення розкладається на інференцію, проєкцію, передачу і вставку в базу даних.

Спробуйте інтерактивний калькулятор об'єднання Демпстера-Шафера →

Відкрити інтерактивний калькулятор покриття →

Відкрити інтерактивну панель об'єднання загроз →

Відкрити інтерактивний аналізатор конвеєра →

Скільки це коштує

Реалізація

# Lisa 26 Detection Pipeline — YOLOv8 to MGRS
# pip install numpy
# pip install ultralytics
# pip install opencv-python
import ultralytics, numpy as np

model = ultralytics.YOLO("nordic_v3.engine")  # TensorRT optimized
cap = cv2.VideoCapture("/dev/video0")          # Arducam IMX477 CSI

while True:
    ret, frame = cap.read()
    results = model(frame, conf=0.5, imgsz=640)
    
    for det in results[0].boxes:
        cls = int(det.cls)          # 0=vehicle, 1=person, 2=drone
        conf = float(det.conf)     # 0.0-1.0
        x1, y1, x2, y2 = det.xyxy[0].cpu().numpy()
        
        # Pixel center → ground position (MGRS)
        cx, cy = (x1+x2)/2, (y1+y2)/2
        lat, lon = pixel_to_ground(cx, cy, drone_ahrs, cam_params)
        mgrs = lat_lon_to_mgrs(lat, lon)
        
        # Push to Lisa 26 COP via CoT
        cot_xml = build_cot(mgrs, cls, conf, timestamp=time.time())
        manet_socket.send(cot_xml.encode())  # Silvus MANET

Шведський ланцюг постачання

Інтерактивний аналізатор затримки конвеєра виявлення

Джерела

Архітектура та бенчмарки YOLOv8 (docs.ultralytics.com, 2024). Специфікації NVIDIA Jetson Orin Nano Super (nvidia.com, 2025). Стандарт NATO APP-6D Joint Military Symbology. Документація ArduPilot EKF3 AHRS (ardupilot.org). Технічний опис сенсора IMX477 (Sony Semiconductor, 2022). Технічний опис барометра BMP390 (Bosch Sensortec, 2023).

Пов'язані розділи