Avengers Labs запускає платформу, яка дає виробникам дронів доступ до реальних польових даних для тренування власних ШІ-моделей — комп'ютерного зору, розпізнавання цілей і автономного наведення. Ідея проста: замість того, щоб навчати алгоритм на синтетичних сценах, компанія передає йому те, що дрон бачить і «переживає» насправді — тремтіння картинки, дим, перешкоди зв'язку, камуфляж, погану видимість. За даними Speka, саме це — головна відмінність підходу Avengers Labs від традиційного шляху розробки дронового ШІ.

Для галузі, де від точності розпізнавання цілі за частку секунди залежить результат польоту, це не косметичне вдосконалення. Більшість малих і середніх виробників FPV- та ударних дронів просто не мають доступу до масивів реальних бойових відео в обсязі, потрібному для тренування надійної моделі. Вони або купують ліцензії на чужі датасети, або компенсують брак даних симуляціями, які завжди трохи «занадто чисті» порівняно з реальним полем бою.

Avengers Labs пропонує третій шлях: перетворити реальний операційний досвід дронів на структуровані дані, до яких може підключитися будь-який виробник. Розберемо, як це працює технічно, чому симуляції такий підхід не замінюють і що це означає для тих, хто зараз будує ШІ для дронів.

Що саме пропонує Avengers Labs?

Платформа збирає відео та телеметрію з польотів дронів і перетворює їх на розмічені навчальні дані — кадри з мітками типу цілі, дальності, кута атаки, умов освітлення й перешкод. Виробник дрона, замість того щоб самостійно розмічати тисячі годин відео, підключається до вже готового пайплайну даних і донавчає на них свою модель розпізнавання або наведення.

Чому симуляцій для тренування дронового ШІ не досить?

Тому що модель, навчена лише на синтетиці, стикається з так званим sim-to-real gap — розривом між чистою, передбачуваною сценою в симуляторі й хаотичною реальністю: дим від вибуху, забруднена оптика, дощ, розмита картинка на швидкості 100 км/год. Комп'ютерний зір, який на симуляції показує 95% точності розпізнавання, у польових умовах може провалюватися саме там, де це найдорожче — в останні секунди прицілювання.

Реальні дані закривають ще одну прогалину — рідкі, але критичні випадки: цілі в маскуванні, техніку під сіткою, хибні цілі-приманки. Синтетичний генератор сцен просто не знає, як виглядають ці випадки насправді, поки хтось не покаже йому справжні кадри.

Кому і чим це вигідно?

Найбільше вигравають малі й середні дефтех-виробники, які фізично не в змозі накопичити власний масив бойових даних за роки випробувань: великі гравці цю задачу вирішують внутрішніми командами й контрактами, дрібніші компанії такого доступу досі не мали. Платформа на кшталт Avengers Labs дає їм той самий рівень якості тренувальних даних без потреби будувати власну інфраструктуру збору й розмітки.

Друга група — виробники, яким потрібна автономія кінцевого наведення саме через придушення зв'язку й GPS-сигналу засобами РЕБ. Коли канал керування пропадає в останні сотні метрів, дрон має «думати сам» — і якість цього рішення прямо залежить від того, на яких даних навчена його модель. Схожу логіку — коли реальна експлуатація дає системі те, чого не дає лабораторія, — ми розбирали, коли Boston Dynamics відправила робота Spot на рудник у Юті замість тестового полігона.

Висновок AiiN

Наша теза: у дефтех-ШІ дані про реальну експлуатацію стають таким самим конкурентним активом, як і сама модель, — і компанії, що контролюють доступ до цих даних, отримують структурну перевагу над тими, хто продає лише алгоритм. Це повторює логіку, яку ринок автономних автомобілів пройшов роками раніше: перемагає не найкрасивіша архітектура нейромережі, а той, хто накопичив найбільше реальних миль — чи, у цьому випадку, реальних польотів — для навчання. Для AI-білдерів у суміжних галузях висновок практичний: якщо ваш продукт залежить від комп'ютерного зору в непередбачуваному фізичному середовищі, інвестиція в канал збору реальних, а не синтетичних даних окупається швидше, ніж спроба дотягнути точність лише симуляційним тренуванням.

Чим реальні польові дані відрізняються від синтетичних для тренування дронового ШІ?

Реальні дані містять шум, перешкоди й рідкі крайові випадки — дим, камуфляж, погану оптику, — яких симуляція не відтворює, тому модель, навчена на них, стійкіша до умов реального польоту.

Чи означає це, що дрони стають повністю автономними?

Ні, йдеться не про повну автономію, а про надійніше кінцеве наведення й розпізнавання цілей у моменти, коли зв'язок або GPS-сигнал придушені засобами РЕБ.

Кому ще, окрім виробників дронів, корисна така платформа даних?

Будь-якому розробнику автономних систем із комп'ютерним зором у складному фізичному середовищі — від наземних роботів до промислової інспекційної техніки, де лабораторні дані так само не покривають реальних умов експлуатації.