Özerk saldırı dronu, Nvidia Jetson Orin Nano ile hedef seçip bomba bıraktı
İsveçli Scaleout Systems, BAE Systems Bofors’un düşük maliyetli mühimmatını kullanarak iletişimsiz, tamamen otonom hedef tespiti ve saldırı gösterdi; sistem küçük bilgisayarlı görü modellerini doğrudan dron üzerinde çalıştırıyor.
İsveçli girişim Scaleout Systems, BAE Systems Bofors’un düşük maliyetli bir loitering mühimmatını kullanarak NATO’nun ALMA programı kapsamında tam otonom bir saldırı senaryosu sergiledi. Demo, dronun harici bağlantıya ihtiyaç duymadan hedef tespit edip vurabildiğini göstermek için tasarlandı. (1)
BAE’nin Winter Demo 2026 etkinliğinde yapılan gösteride dron, sahadaki hedefleri kendi başına tespit edip jeolokasyonunu çıkardı, zırhlı bir istihkam aracını öncelikli hedef olarak seçti, o hedefe uçtu ve üzerine patlayıcı bıraktı. (2)
Görev 320 saniyenin altında tamamlandı; bunun yaklaşık 200 saniyesi keşif aşamasına ayrıldı. Operasyon boyunca herhangi bir iletişim bağlantısı kullanılmadı. (3) Scaleout, bağlantısız çalışmanın özellikle elektronik harp ortamında sistem dayanıklılığını artırmak için kritik olduğunu vurguluyor. (4)
Şirketin yayımladığı demo videosunda dronun tehditleri yapay zeka ile tespit ettiği, tüm işlemenin dron üzerinde yapıldığı ve görevin yalnızca bir düğmeye basılarak başlatıldığı görülüyor. Bir pilot güvenlik amaçlı yedek olarak görevde tutulsa da uçuş kararlarını fiilen yapay zeka veriyor. (5)
Şubat ayında BTC Karlskoga’da gerçekleştirilen ayrı bir “arctic strike” gösteriminde Scaleout, -18°C ve karlı koşullarda Airolit S1 hava aracını uçurdu. Bu testte dron, YOLOv8 Nano modelini Nvidia Jetson Orin Nano üzerinde çalıştırdı. (6)
Scaleout, bu arktik testte yaklaşık 20 m/s hızda uçarken saniyede 30 kare civarında görüntü işleme ve sahada 30 ms civarında sürdürülebilir gecikme elde ettiğini raporladı; hedeflenen gecikme eşiği 30 ms veya altıydı. (7) Derinlik sensörü kullanılmadan menzil hesabı, iğne deliği kamera modeli ve bilinen hedef boyutu üzerinden yapıldı. (8)
Şirket, Scaleout Edge platformunu federated learning ile birleştirerek “Tactical Computer Vision Network” adını verdiği bir mimari kuruyor; burada cihazlar veriyi yerelde işleyip modellerini yerel olarak eğitiyor ve sadece model güncellemelerini paylaşıyor. (9)
Bu yapı, bağlantı zayıfladığında ya da koptuğunda kenar düğümlerinin çalışmaya ve öğrenmeye devam etmesini, bağlantı geri geldiğinde ise model ve telemetri güncellemelerinin geriye dönük olarak merkezle senkronize edilmesini hedefliyor. (9)
FEDAIR adlı proje, NATO’nun DIANA hızlandırıcı programının bir parçası. Program Scaleout’a €100,000 finansman, eğitim ve test sahalarına erişim sağladı. (10)
İsveç Hava Kuvvetleri ile yapılan bir başka gösterimde iki yer düğümü (ALPHA ve BRAVO), BRAVO’nun bağlantısı önce bozulup sonra tamamen kesilse bile tam kare hızında inference ve aktif öğrenmeyi sürdürdü; veriler yerelde,
Neden önemli
Bu gösterimler, küçük bilgisayarlı görü modelleri ve Nvidia Jetson Orin Nano gibi donanımlarla, saldırı dronlarının tamamen bağlantısız, sahada kendi kararlarını verebilen sistemlere dönüşebildiğini ortaya koyuyor. İletişim olmadan 320 saniyenin altında otonom keşif ve saldırı görevi tamamlanması ve zorlu arktik koşullarda 30 fps civarında gerçek zamanlı işlem yapılması, bu tür sistemlerin hem iklim hem de elektronik harp açısından zorlu sahalara uyarlanabileceğini gösteriyor. Ölçeklenebilir “Tactical Computer Vision Network” mimarisi ise benzer otonom sistemlerin ağ kesintilerinde bile çalışmaya devam etmesine imkan tanıyor; buna karşılık BM uzmanlarının, ölümcül otonom silahların hukuka uygunluğu için insan yargısı ve kontrolünün şart olduğuna dair uyarıları, bu teknolojilerin kullanım ç