Смартфон как прибор для обнаружения дронов: архитектура «Булат» и её реальные ограничения

Концепция превращения обычных смартфонов в узлы распределённой системы раннего обнаружения дронов всё чаще обсуждается на стыке гражданских технологий и задач противовоздушной обороны, и 2025 год принёс первые попытки описать конкретную архитектуру такого решения.

Речь не о «смартфонном радаре» и не о точном целеуказании. Речь об инженерной задаче на стыке краудсорсинга, периферийных вычислений (Edge Computing, когда данные обрабатываются прямо на устройстве, а не на сервере), машинного обучения и обработки сигналов. Задача: компенсировать слепые зоны существующих средств наблюдения за счёт массового покрытия. Ниже разбираем, что для этого нужно, как устроена архитектура и где она упирается в физику.

Что понадобится

• Смартфон с камерой, микрофоном, GNSS-приёмником (GPS/ГЛОНАСС, система спутниковой навигации), гироскопом, акселерометром, магнитометром и барометром. Подойдёт большинство моделей не старше 3-4 лет.
• Мобильное приложение-узел с двумя режимами: «Визуальный контакт» и «Акустический контакт». На момент публикации такого приложения в открытом доступе нет, речь об архитектурной концепции.
• Канал связи: LTE или 5G для передачи компактных пакетов метаданных (не видеопотока) на сервер.
• Серверная часть (ЦОД): агрегация, верификация и триангуляция (определение координат объекта по данным из нескольких точек наблюдения).
• Время на понимание архитектуры: 15-20 минут для чтения и осмысления, реализация же требует команды разработчиков.

Как устроена архитектура: от смартфона до оператора ПВО?

Архитектура гибридная и распределённая. Вот её ключевые уровни:

1. Сбор данных на устройстве (Edge-уровень). На смартфоне работают оптимизированные ML-модели (модели машинного обучения, сжатые для работы на слабом процессоре телефона). Они в реальном времени сканируют изображение с камеры или звук с микрофона. Приложение не передаёт на сервер ни видеопоток, ни длинные аудиозаписи. Это принципиально: иначе гражданские сети лягут под нагрузкой, а приватность пользователей окажется под ударом.

2. Формирование пакета наблюдения. При обнаружении потенциального объекта устройство собирает компактный набор телеметрии:

3. координаты наблюдателя (из GNSS)
4. временная метка (UTC)
5. вектор ориентации устройства: азимут и угол места (из IMU, инерциального модуля с шестью степенями свободы, то есть модуля, который «чувствует» повороты и наклоны телефона по трём осям)

6. уникальный хеш устройства и ссылка на короткий буфер записи

7. Агрегация и верификация на сервере (ЦОД). Серверные модели, в частности CNN (свёрточные нейросети для анализа изображений) и LSTM (рекуррентные сети для анализа звуковых спектрограмм), верифицируют акустические и визуальные сигнатуры. Ложные срабатывания отсекаются. Подтверждённые данные от двух и более разнесённых наблюдателей объединяются для триангуляции.

8. Результат уходит оператору не как точное целеуказание для ракеты, а как «вестник тревоги». Пример формата: «Объект типа "низколетящий БПЛА", сектор вероятного положения: азимут 85-95 градусов, эшелон 50-100 м. Время подлёта примерно 25 мин. Статус: верифицировано (2 независимых узла)».

Слияние данных: зачем смартфону фильтр Калмана?

Каждый датчик смартфона по отдельности неточен. GNSS даёт точность 3-5 м на открытом пространстве, но в городских «каньонах» ошибка растёт до 15-20 м из-за отражений сигнала. MEMS-гироскопы (микромеханические датчики вращения) дрейфуют. Магнитометр реагирует на электромагнитные помехи рядом.

Чтобы получить чистый вектор направления на цель, «сырые» данные IMU и GNSS объединяют с помощью фильтра Калмана. Это алгоритм, который предсказывает состояние системы по модели движения, а затем корректирует прогноз с учётом реальных обновлений от спутников и барометра, выдавая оптимальную взвешенную оценку. В нелинейных условиях (а смартфон в руке человека всегда в нелинейных условиях) применяются расширенные версии: EKF или UKF.

Барометр в этой связке критичен: он определяет относительную высоту наблюдателя точнее, чем спутниковая навигация, а без корректной высоты триангуляция по данным нескольких наблюдателей даёт грубые ошибки.

Стереомикрофоны позволяют использовать метод TDoA (определение разницы во времени прихода звука на два микрофона) для грубой пеленгации источника звука. Камера фиксирует угловые координаты визуального контакта.

Асинхронная триангуляция: почему лучи не сходятся в точку?

БПЛА самолётного типа летит со скоростью около 30 м/с. Задержка передачи данных по LTE или 5G составляет от 100 до 500 мс. За это время цель сместится на 3-15 м. Если два наблюдателя зафиксируют объект с разницей в полсекунды, их лучи не пересекутся в одной точке, а образуют «ромб неопределённости».

Сервер решает эту задачу так: данные собираются во временные окна (плюс-минус 1-2 секунды), строится траектория, положение цели экстраполируется к единому «общему» моменту, и только затем рассчитываются 3D-координаты. Дополнительно учитывается высота наблюдателей с коррекцией по барометру и цифровым моделям рельефа.

Релевантная деталь: чем больше наблюдателей в зоне, тем точнее результат. Плотность «сенсоров» растёт с числом пользователей, и это главное преимущество краудсенсинга перед единичными дорогими датчиками.

Что с этого прямо сейчас, по ролям?

Авторам и журналистам. Тема краудсенсинга для обнаружения дронов только формируется. Если вы пишете о технологиях или безопасности, это материал для разборов и инфографики. Ключевые термины для поиска дополнительных источников: distributed drone detection, acoustic BVLOS sensing, crowdsourced ISR.

Инженерам и разработчикам. Описанный стек (Edge ML на смартфоне, фильтр Калмана для Sensor Fusion, CNN+LSTM для верификации, асинхронная триангуляция) не фантастика, каждый элемент реализуем на существующих фреймворках (TensorFlow Lite, Core ML). Узкое место не алгоритмы, а качество данных с бытовых датчиков и отсутствие дальномера.

Предпринимателям и управленцам в РФ и СНГ. Для контекста: в России существует прибор «Булат», прибор для обнаружения дронов, это аппаратное решение с направленным приёмником радиосигнала. Краудсенсинг на смартфонах решает другую задачу: массовое покрытие вместо точечного наблюдения. Эти подходы дополняют друг друга, а не конкурируют. «Булат», прибор для обнаружения дронов, работает с радиочастотным излучением пульта управления, смартфонная сеть обнаруживает сам аппарат визуально и акустически.

Для тех, кто работает с контентом о технологиях и безопасности: эта тема будет расти. Если вы хотите писать о ней грамотно, начните с понимания физических ограничений (нет дальномера, нет гарантии связи, нет защиты от спуфинга) и не обещайте читателю «радар в кармане». Честный разбор ограничений ценнее восторженного анонса.