La syrphe détecte et suit ses proies dans des environnements à faible luminosité en utilisant des circuits d’amplification du signal par rapport au bruit dans ses systèmes visuels. Les chercheurs ont maintenant découvert que ces systèmes donnent des résultats tout aussi impressionnants avec les données audio.
Les drones grand public peuvent être ennuyeux et bruyants lorsqu’ils sont proches, mais les détecter à distance est un défi, surtout si l’on considère leur potentiel en tant qu’armes ou outils de surveillance, ainsi que leur capacité à interrompre les opérations des hélicoptères et des vols commerciaux.
De nouvelles recherches menées par l’université Flinders et l’université d’Australie-Méridionale ont permis de faire un bond impressionnant dans la détection des drones à longue distance, grâce à des algorithmes de traitement du signal inspirés de la capacité des syrphes à voir les cibles dans des environnements à très faible luminosité.
En effet, ces insectes s’efforcent constamment d’extraire des informations visuelles utiles d’un grand nombre de bruits parasites. Ils ont donc développé des systèmes de photorécepteurs extrêmement efficaces pour prendre un flux d’informations complexe, encombré et bruyant, et augmenter considérablement le rapport signal/bruit afin de faire ressortir les éléments utiles.
L’équipe de Flinders a décidé de tester si ces types de circuits photorécepteurs pouvaient faire le même genre de chose avec l’audio, en prenant un réseau de microphones et en analysant le son ambiant avec un accent particulier sur l’amplification et la détection du son des drones en vol.
Ils ont construit un ensemble de microphones de test et les ont reliés à un processeur de « vision d’inspiration biologique » (BIV) conçu pour imiter les voies neurales du système visuel du syrphe. Traitant les formes d’onde audio comme des images bidimensionnelles de type « spectrogramme », ils ont fait passer les informations par plusieurs étapes de traitement inspirées des syrphes, notamment la réduction de la gamme dynamique, le filtrage adaptatif, la rétroaction divisive passe-bas « DeVries-Rose », la rétroaction divisive passe-bas exponentielle « Weber » et une transformation non linéaire de Naka-Rushton.
Un grand drone utilisé dans le test de détection acoustique. L’équipe a également testé des machines plus petites comme le DJI Mavic Air.
Les résultats ont été très impressionnants. Par rapport aux systèmes traditionnels de détection de drones à large bande/bande étroite, le système BIV a été capable de détecter des drones entre 30 % et 49 % plus loin. Les tests ont utilisé des drones aussi grands que le Matrice 600 de DJI, et aussi petits qu’un Mavic Air, et le système a pu les détecter entre 3 et 4 kilomètres (1,8 à 2,5 miles) en rase campagne, et ramener des estimations plus précises des paramètres de vol et des trajectoires.
« [La] capacité [de l’Hoverfly] à suivre ses proies […]. Leur système de vision précoce est un système très affûté pour identifier le mouvement », a déclaré Anthony Finn, professeur de systèmes autonomes à l’UniSA. « Cela nous permet d’améliorer considérablement la détectabilité des signatures ».
Un certain nombre de projets se penchent sur ce type de système afin d’améliorer les capacités de rapport signal/bruit des systèmes de caméra dans des conditions de faible luminosité, mais Finn précise que c’est la première fois qu’un système de bio-vision est utilisé avec des données acoustiques. S’il est impressionnant de voir à quel point ce système augmente la portée des systèmes de détection des drones, il sera également très intéressant de voir quelles autres applications audio pourraient bénéficier de ce type de traitement au fur et à mesure que la recherche se poursuit.
