Investigación OVNI
Uso de taxonomía para monitorear el medio ambiente con un rastreador Sky Hub
por Christopher Cogswell
Sky Hub es la nueva organización científica sin fines de lucro detrás del esfuerzo pionero para crear una base de datos pública y gratuita con software de código abierto que recopilará datos sobre objetos anómalos (OVNI) en los cielos sobre nosotros.
El sistema Sky Hub se centra en una unidad de bajo costo y bajo mantenimiento llamada "Tracker", que está conectada a través de Internet a Sky Hub Cloud. Una vez que esté en pleno funcionamiento, podrá configurar un rastreador fuera de su casa donde rastreará y categorizará automáticamente los objetos en vuelo utilizando su matriz de sensores multifuncionales y su sistema de cámara. Ya sea como una sola unidad o como parte de una matriz de sensores en un área geográfica determinada, el Tracker permite a los usuarios y a quienes acceden al paquete de datos Sky Hub Cloud comprender y analizar los amplios espacios abiertos sobre nuestros hogares.
Las tareas críticas de ingeniería y desarrollo aún están en curso para la versión inicial, incluida la definición completa de un marco de aprendizaje automático para usar en la categorización de los datos de sensores recopilados en los rastreadores. El tiempo continuo de los voluntarios dedicados al proyecto por los usuarios y la comunidad de ingenieros ha sido y será clave para el éxito del proyecto. Aquí se analiza parte del desarrollo de software.
Fenómenos no identificados
La inspiración para este esfuerzo fue inicialmente provocada por los continuos informes de objetos desconocidos observados en los cielos de todo el mundo, así como un objeto desconocido capturado durante las primeras pruebas de cámara de Sky Hub.
Aunque la gran mayoría de avistamientos de OVNI / UAP / UAV son prosaicos cuerpos celestes mal identificados, aviones o entusiastas de los cuadricópteros erróneamente identificados, muchos objetos genuinamente anómalos se han observado en lo alto durante décadas (y más) y se siguen informando diariamente en todo el mundo. Eso por sí solo merece un estudio serio de este tema si es factible. Creemos que lo es.
Para fomentar el interés del público en este tema, la Marina recientemente publicó y autenticó varios videos de encuentros militares reportados con "fenómenos no identificados" en el espacio aéreo estadounidense. Estos objetos no estaban marcados, no tenían señal de transpondedor, no respondían a los esfuerzos por contactarlos, y los hombres y mujeres en servicio que los encontraron afirmaron que se comportaban de maneras que no se consideraban posibles para aviones militares y convencionales. Hasta la fecha, varios senadores de los Estados Unidos han manifestado su deseo de ver un movimiento hacia el análisis y la comprensión de estos eventos, si un pequeño número puede ser motivo de preocupación relacionada con la defensa. Fuente: Politico
Aunque es digno de mención que varios gobiernos planean investigar estos eventos nuevamente (ver Project Sign, Project Grudge, Project Blue Book, AATIP y presumiblemente otros), la capacidad de rastrear objetos anómalos en el cielo sobre nosotros no es solo una preocupación del gobierno.
Proyectos comerciales
A medida que la gama de tecnología de aviones y drones comerciales y de consumo continúa aumentando, la necesidad de detección, análisis y categorización rápidos y exitosos de objetos aéreos seguirá aumentando. Los drones, aunque inicialmente se limitaron a aplicaciones militares, han experimentado un tremendo aumento en su aplicación y participación de mercado en varios campos comerciales. Actualmente, Goldman Sachs estima que la oportunidad del mercado de drones es de casi $ 100 mil millones, con importantes aumentos de inversión por parte de entidades no gubernamentales. Estas aplicaciones sugieren que los cielos sobre nuestros hogares estarán más ocupados que nunca, con poca atención a las preocupaciones de seguridad y protección que tal tecnología puede crear.
Este problema se ve agravado por la falta de inversión y el interés en las tecnologías comerciales de rastreo/categorización de drones desde ubicaciones estáticas en tierra. Gran parte del esfuerzo en esta área se ha centrado en el problema inverso: el seguimiento de objetos en el suelo a través de cámaras montadas en drones ha experimentado aumentos significativos en la intensidad de la investigación.
Esfuerzos basados en satélites
Históricamente, el esfuerzo por recopilar datos atmosféricos utilizando cámaras estáticas automáticas se ha realizado en astronomía. El sistema de cámara Baker Nunn creado a fines de la década de 1950 en los Estados Unidos por el Observatorio Astrofísico Smithsonian fue un éxito particular. Inicialmente, estos sistemas fueron diseñados para rastrear satélites artificiales mientras orbitaban la Tierra. Estaban compuestos principalmente por un telescopio de gran apertura y un sistema de cámara, que permitía el seguimiento y análisis cinemático de satélites a través de varias tomas de exposición. En años posteriores, muchos de estos sistemas se convirtieron para otras aplicaciones, como la recopilación automática de datos astronómicos. Otros más se expandieron para formar parte de la Red de Vigilancia Espacial de Estados Unidos (United States Space Surveillance Network).
Si bien este sistema permite la recopilación de datos de varios puntos de ajuste, el uso como un sistema de vigilancia orbital preciso para áreas grandes siempre ha sido limitado debido a los costos inherentes a la creación y mantenimiento de estas unidades.
Hasta ahora, las redes privadas de vigilancia espacial eran inviables debido a las limitadas capacidades computacionales disponibles para los investigadores. Este desafío ha llevado a que muchas de las aplicaciones potenciales de estos sistemas fuera de la astronomía se realicen solo parcialmente.
Proliferación del aprendizaje automático
Los avances en la ingeniería computacional y de hardware han permitido una mitigación significativa de estos dos desafíos, permitiendo que los dispositivos de seguimiento atmosférico se implementen en cantidades significativamente mayores y con una potencia computacional exponencialmente mayor. El método de crowdsourcing/crowdfunding ha tenido éxito en otros sistemas con objetivos similares, en los que los usuarios individuales pueden crear y recopilar datos utilizando un sistema de recopilación estacionario. Los esfuerzos liderados por SETI, Weather Underground y la Asociación Estadounidense de Meteoros han tenido éxito en esta área, ya que recopilaron datos con los usuarios vinculados a un repositorio centralizado para el análisis.
Sin embargo, ninguno de estos sistemas intentó rastrear e identificar automáticamente objetos voladores, que es el objetivo de Sky Hub.
La taxonomía es la ciencia de Sky Hub
La taxonomía es la rama de la ciencia que se ocupa de la clasificación, agrupación y ordenación de todas las cosas. Además de los requisitos de hardware y la ingeniería necesarios para desarrollar un sistema como Sky Hub, un obstáculo importante al que se enfrenta el equipo científico es la creación de una "taxonomía celestial" para que la utilice el algoritmo de aprendizaje automático interno de Tracker para realizar la clasificación automatizada de datos. Las herramientas taxonómicas y los árboles de decisión para identificar objetos desconocidos son relativamente comunes en los sistemas ópticos de aprendizaje automático. Sin embargo, no se ha emprendido ningún proyecto de este tipo para una gama tan amplia de objetos que vuelan en el cielo.
El equipo de Sky Hub ha desarrollado una taxonomía inicial y un esquema de decisión para este proyecto, que explicaremos y definiremos a continuación.
 |
Esquema de taxonomía inicial de Sky Hub |
Taxonomía: ¿Es un pájaro? ¿Es un avión? ¿Es un hombre en un Jetpack?
El objetivo de la plataforma Sky Hub es observar eventos de origen desconocido que ocurren en los cielos. Sin embargo, el intento de caracterizar una incógnita buscando características específicas que esperamos crea desafíos importantes e introduce los sesgos implícitos del mismo equipo que lo construye.
Primero, Sky Hub caracterizará objetos conocidos utilizando un enfoque de aprendizaje automático. Todo lo que quede será "desconocido" de forma predeterminada. Al mejorar la comprensión y la categorización de estos objetos conocidos, el software obtendrá un conjunto más sólido y convincente de eventos no reconocidos.
La taxonomía inicial incluirá los objetos y eventos que comúnmente se espera que sean capturados por las unidades Sky Hub desplegadas en el campo. Estos se utilizarán para "aislar" eventos conocidos. Si el objeto observado encaja en cualquiera de estos silos de eventos conocidos, según la comparación de las características del objeto observado con el rendimiento y las características de los objetos conocidos, se clasificará y archivará.
Para desarrollar esta taxonomía, será necesario alimentar al sistema con suficientes datos para que aprenda cuáles son los factores, como aviones comerciales y militares, animales, insectos, fenómenos meteorológicos, meteoritos, satélites y otros fenómenos aéreos comunes.
Por ejemplo, después de que la unidad observa un objeto, recolectando los datos de video usando la cámara de ojo de pez, la computadora a bordo tratará la imagen como un objeto de un solo punto inicialmente, y su movimiento/desplazamiento será rastreado a través de la lente de ojo de pez, cuadro por cuadro. Al comparar los vectores de desplazamiento aparente de los objetos en varios fotogramas, el software obtendrá la velocidad normalizada, la aceleración normalizada y los vectores de desplazamiento de los objetos a lo largo del tiempo de observación.
El equipo de Sky Hub asume que las posibles distribuciones de estos parámetros cinemáticos serán relativamente distintas en las diferentes clases de objetos. En otras palabras, junto con la velocidad, los rangos de aceleración y las sumas de los vectores de desplazamiento, las de un pájaro serán significativamente diferentes de las de un avión.
Se realizarán métodos de análisis similares para aspectos como la forma de los objetos a la vista, su tamaño aparente (la cantidad de pantalla que ocupan), la coloración y los patrones de luz en los objetos y otros puntos de datos. Eventualmente, también se realizará el aplanamiento del ojo de pez para proporcionar datos cinemáticos lineales. Sin embargo, nuestro conjunto inicial de datos utiliza un modelo y tipo de cámara estándar, por lo que no es necesario desarrollarlo.
Los conjuntos de datos secundarios, como las rutas de vuelo conocidas, las condiciones meteorológicas/patrones de interés y la actividad de satélites/meteoritos, también se pueden utilizar para refinar el conjunto de posibles casos que entran en el grupo "desconocido".
Con el tiempo, también se pueden incluir otros conjuntos de datos, por ejemplo, patrones de ruido, picos de radiación, aceleración o desplazamiento de las propias unidades y técnicas de cámara/video más sofisticadas. Nuevamente, el equipo asume que estos parámetros, cuando se toman en conjunto, proporcionarán suficiente variación para permitir que nuestro sistema haga distinciones entre clases de objetos.
Si la unidad obtiene los datos cinemáticos iniciales sobre un objeto (velocidad/aceleración normalizada y vectores de desplazamiento), y si el evento no cae dentro de uno de los grupos de eventos disponibles y no se puede categorizar inicialmente en ese grupo, ¿qué sucede a continuación? En ese caso, pasa al siguiente conjunto de comprobaciones de análisis y el algoritmo de aprendizaje automático lo examina de nuevo en función de las distribuciones que el sistema obtiene de todos los datos de objetos disponibles. Dependiendo del número de estos controles fallidos, el evento recibe una calificación, y aquellos con el mayor número de controles fallidos (los más desconocidos) son los de particular interés para este estudio.
Al final de la fase de análisis de datos exploratorios, se llevan a cabo verificaciones de validación cruzada adicionales. El crowdsourcing de la validación final en este sistema nos permitirá entrenar y volver a entrenar nuestros sistemas de aprendizaje automático para solucionar cualquier problema.
Análisis de las incógnitas
Con suficiente tiempo y atención, el sistema Sky Hub será, en teoría, capaz de obtener un conjunto robusto de eventos conocidos y desconocidos, que luego pueden ser estudiados por otros grupos interesados en este tema. Además de los videos en sí, estos eventos también tendrán los conjuntos de datos recopilados para el análisis del sistema de aprendizaje automático y otros que se pueden agregar más adelante si se desea. Aunque ese no es el objetivo del sistema Sky Hub (nuestro objetivo es crear la máquina en sí para obtener estos datos), uno puede imaginar que se podría emplear un silo similar y una estrategia de categorización una vez que la información sobre eventos desconocidos se recopile en una cantidad suficientemente grande para que sea estadísticamente relevante.
Suponiendo que objetos desconocidos visiten nuestra atmósfera, el análisis de estos debería ser similar al estudio de aviones comerciales y militares actualmente conocidos. Por ejemplo, la forma, los patrones/colores de luz, los parámetros de movimiento y la radiación emitida por objetos desconocidos han sido un tema de gran interés durante algún tiempo. Al utilizar el mismo tipo de esquema de recopilación de datos que se utiliza para crear conjuntos de datos sobre objetos conocidos, las incógnitas se pueden clasificar según nuestro enfoque taxonómico. Por ejemplo, al comparar los vectores de desplazamiento de objetos desconocidos en función de su coloración, forma o incluso la región geográfica en la que aparecen, pueden aparecer puntos en común interesantes.
Aunque esta sería una extensión interesante del sistema Sky Hub, no es la única aplicación posible, por supuesto. Esperamos que a medida que continuamos desarrollando el sistema y su estructura de análisis, otros investigadores de diversos campos y disciplinas ofrezcan sugerencias de aplicaciones que podamos intentar. Nuestro objetivo es que este sistema permita una vigilancia de los cielos cercanos a la Tierra significativamente mejorada.
Modificado por orbitaceromendoza
No hay comentarios.:
Publicar un comentario