İHA Sürüleri Nasıl Modelleniyor? 🚁🤖 | Part 2 Part 1'de bu çalışmanın temel fikrine bakmıştık: Gerçek İHA görüntülerindeki veriler kullanılarak sanal bir İHA sürüsü oluşturulabilir mi? Peki bunun arkasındaki yöntem nasıl çalışıyor? Araştırmacılar bunun için VisDrone ve UAVSwarm gibi gerçek İHA görüntü veri setlerinden yararlanıyor. Ancak görüntüleri doğrudan “drone” olarak modele aktarmıyorlar. Önce görüntülerdeki; 📍 Nesnelerin konumları 📦 Sınırlayıcı kutuları 📏 Nesnelerin görüntüdeki ölçekleri 👥 Aynı görüntüdeki nesnelerin birlikte bulunma durumları 🎯 Takip bilgileri gibi verilerden bir veri temsili oluşturuluyor. Daha sonra bu temsil bir Bloom filter adı verilen kompakt bir veri yapısına aktarılıyor. Basitçe ifade edersek: Gerçek İHA verileri → Veri temsili → Sanal özellikler → Sanal İHA'lar → Sürü senaryosu Bu sanal İHA'lara hız, çeviklik, algılama, dayanıklılık ve güç gibi özellikleri temsil eden değerler atanıyor. Sonrasında araştırmacılar farklı sürü oluşumlarını karşılaştırıyor. Örneğin: 🔹 Ring 🔹 Screen 🔹 Wedge 🔹 Dispersed gibi savunma oluşumları ile; 🔹 Line 🔹 Column 🔹 Pincer 🔹 Cloud gibi saldırı oluşumları sanal ortamda karşılaştırılıyor. Burada amaç gerçek İHA'lara uçuş komutu vermek değil. Çalışmanın özellikle altını çizdiği nokta şu: Bu bir uçuş kontrol sistemi, hedefleme sistemi veya gerçek dünyada kullanılacak bir rota planlama sistemi değil. Araştırmacılar, gerçek görüntü verilerinden oluşturulan sanal sürü durumlarının nasıl analiz edilebileceğini araştırıyor. Çalışmanın bir diğer önemli konusu ise görüntü çözünürlüğü. Görüntü küçüldükçe sistemin her zaman daha iyi çalışmadığı görülüyor. 128 × 128 çözünürlükte temel yaklaşımın doğruluğu %67,2'ye düşerken, ölçeklendirilmiş bir görsel kodlayıcı kullanıldığında bu değer %77,6'ya çıkarılıyor. Bu bize önemli bir şeyi gösteriyor: Bir İHA görüntüsünü analiz ederken yalnızca “hangi nesneler var?” sorusuna bakmak yeterli değil. Nesnelerin görüntü içerisindeki ölçeği, konumu ve birbirleriyle olan ilişkileri de önemli. Bu çalışma bu nedenle fotogrametri ve uzaktan algılamanın doğrudan kendisini geliştiren bir yöntemden çok, İHA görüntülerinden elde edilen mekânsal görsel bilgilerin yapay zekâ ve oyun teorisiyle nasıl yeni bir modele dönüştürülebileceğini gösteriyor. Ve belki de en ilginç tarafı burada: Gelecekte İHA'lardan yalnızca ortofoto veya 3B model üretmek yerine, görüntülerdeki mekânsal örüntülerden daha karmaşık sistemleri anlamaya yönelik modeller geliştirmek mümkün olabilir. 🌍 📌 Kaynak: arXiv – “Pattern-Derived Visual Swarm Games: Multi-Scale Drone-Vision States for Interception and Sustainability Audits” #UAV #Drone #Photogrammetry #ComputerVision #AI #SwarmRobotics #Geomatics #Geospatial #RemoteSensing #GeoAI #ImageProcessing