Агентство перспективных оборонных исследовательских проектов США (DARPA) начало разработку новой технологии, обеспечивающей возможность «видения» сквозь стены и корпуса машин на расстоянии до километра. Финансирование проекта XENA (X-ray Extreme-Range Non-Imaging Analysis) предоставлено компании BBN Technologies. Главная задача программы заключается в преодолении ограничений, присущих современным рентгеновским системам, и увеличении радиуса их действия до 1 километра. Это позволит существенно улучшить осведомленность о тактической обстановке в условиях, когда непосредственный подход к потенциально опасным объектам невозможен или сопряжен с излишним риском.
Обычные переносные рентгеновские сканеры обеспечивают качественное изображение лишь при небольшом расстоянии до объекта. С увеличением дистанции сигнал ослабевает, а на изображение накладываются размытие, вызванное движением, и помехи. Компания XENA предложила совершенно новый метод решения этой задачи. Вместо стремления к получению одного идеального снимка, система будет собирать серию менее качественных, «зашумленных» сканов. Специализированные алгоритмы, использующие математическое моделирование и современное программное обеспечение для обработки изображений, объединят эти фрагментарные данные в цельную картину. Подобный подход можно представить как формирование четкого изображения из нескольких смазанных фотографий. Анализируя повторяющиеся элементы, система сможет восстановить скрытую структуру объектов, созданных человеком, что позволит операторам выявлять спрятанное оружие, тайные места или слабые участки конструкции на больших расстояниях, чем это было возможно ранее.
Важной особенностью проекта является то, что разработчики отказались от сбора больших объемов реальных данных для обучения нейронных сетей, что представляется сложной и дорогостоящей задачей при работе на больших расстояниях. Вместо этого специалисты BBN Technologies, совместно с экспертами из Технологического института Джорджии, планируют активно применять крупномасштабное компьютерное моделирование. Симуляции позволят с высокой точностью определить, как система будет вести себя при слабом и искаженном сигнале, а также оценить, насколько алгоритмы способны извлекать ключевую информацию даже из неполных данных. По словам ведущего исследователя BBN Джошуа Фашинга, такая стратегия направлена на разработку алгоритмов, способных преобразовать несколько нечетких «моментальных снимков» в достаточный объем информации, необходимой для принятия решений, например, для оценки рисков или поддержки поисково-спасательных работ.