- Projekt opuścił już fazę czysto teoretyczną. Mamy gotową część radiową oraz algorytmy do rozpoznawania dronów, wytrenowane na danych dostępnych publicznie. Obecnie pracujemy nad integracją całego systemu i przeprowadzeniem testów, które zweryfikują, czy nasze rozwiązanie naprawdę działa - przekazał Mikołaj Data, elektronik w zespole.
Rozwiązanie studentów składa się z urządzeń niewielkich rozmiarów. Każde z nich wyposażone jest w moduł radiowy, który pozwala dołączyć do sieci. Aby wykrywać zagrożenia, węzeł może być dodatkowo zaopatrzony w czujniki, na przykład w mikrofon.
Jak to działa?
- Korzystając z modeli uczenia maszynowego, uczymy komputer rozpoznawania dźwięku drona, dzięki temu kiedy nadleci intruz, model uruchomiony na urządzeniu może wygenerować wiadomość o wykryciu drona. Sam dobór rodzaju czujników zależy od wyboru użytkownika i jego potrzeb - powiedział Mikołaj Data.
Kluczowym elementem systemu jest architektura mesh. W odróżnieniu od tradycyjnych sieci Wi-Fi w tej sieci każdy węzeł może przekazywać wiadomości innych urządzeń.
- Architektura mesh to sieć, w której każdy węzeł przekazuje wiadomości innych węzłów. Takie sieci mają tę zaletę, że przy awarii jednego z węzłów jego rolę przejmuje inny. Jeżeli chcielibyśmy przekazać wiadomość w takiej sieci do dwóch węzłów, które nie słyszą się nawzajem, wiadomość wysyłamy za pośrednictwem innych węzłów. Wiadomość może przeskoczyć nawet przez kilkanaście innych urządzeń, nim trafi do adresata - tłumaczy student.
Do jednoznacznego określenia pozycji wykrytego obiektu wystarczają trzy urządzenia wyposażone w sensory znajdujące się w jego okolicy. Im większa gęstość sensorów, tym dokładniejsza lokalizacja i wyższa niezawodność całej sieci.
W fazie prototypu zespół korzysta z otwartego protokołu Meshtastic (którego sieć już funkcjonuje na terenie Polski dzięki wysiłkom radioamatorów) oraz dedykowanej elektroniki. Modele uczenia maszynowego tworzone są z wykorzystaniem popularnych bibliotek języka Python: PyTorch, TensorFlow i NumPy.
Największymi atutami projektu są niska cena produkcji, łatwa skalowalność oraz odporność na uszkodzenia pojedynczych węzłów.
- Chcieliśmy stworzyć rozwiązanie, które pozwoli na szybkie i tanie dodawanie nowych urządzeń, nawet w warunkach polowych przy użyciu podstawowych narzędzi - podkreśla Mikołaj Data.
Głównym ograniczeniem pozostaje obecnie zużycie energii przez węzły wyposażone w czujniki. Zespół planuje rozwiązać ten problem poprzez optymalizację modeli uczenia maszynowego, co pozwoli na zastosowanie komponentów o niższym zapotrzebowaniu energetycznym. Rozważana jest także wersja zasilana bezpośrednio z sieci elektrycznej.
Mają pierwszych chętnych na swój produkt
Od czasu zwycięstwa w hackathonie do studentów zgłosiło się już kilka instytucji publicznych oraz firm prywatnych, w tym z sektora obronnego. Pojawiają się również propozycje komercjalizacji, jednak priorytetem pozostaje obecnie przetestowanie rozwiązania.
Projekt powstał z myślą o zastosowaniach wojskowych na polu walki, ale studenci widzą jego potencjał również w ochronie infrastruktury krytycznej oraz obiektów cywilnych.
- Nie zarzuciliśmy możliwości wykorzystania systemu przez wojsko. Uważamy, że każdy pomysł zwiększający bezpieczeństwo Polski jest wart rozwoju. Przed nami jeszcze wiele testów - powiedział Mikołaj Data.
Nad rozwojem technologii pracują również: inżynier uczenia maszynowego Michał Wysocki, programiści Patryk Dziki i Jakub Świątek oraz Piotr Łukasik, odpowiedzialny za wsparcie merytoryczne.
Koło Naukowe Machine Learning działa na Wydziale Matematyki i Fizyki Stosowanej Politechniki Rzeszowskiej od 2020 r. Studenci zajmują się nie tylko uczeniem maszynowym, lecz także tworzeniem oprogramowania i elektroniki z zastosowaniem w biznesie.
Źródło: PAP
Źródło zdjęcia głównego: Politechnika Rzeszowska
Facts Only
Students from the Machine Learning Scientific Circle at Rzeszów University of Technology’s Faculty of Mathematics and Applied Physics are developing a drone detection system.
The team includes Mikołaj Data (electronics), Michał Wysocki (machine learning), Patryk Dziki and Jakub Świątek (programmers), and Piotr Łukasik (advisory support).
The system uses small devices with radio modules and optional sensors (e.g., microphones) to detect drones via machine learning models trained on public datasets.
A mesh network architecture allows nodes to relay messages, ensuring redundancy if individual devices fail.
Three sensor-equipped devices can triangulate a drone’s position; higher sensor density improves accuracy.
The prototype uses the open-source Meshtastic protocol and Python libraries (PyTorch, TensorFlow, NumPy).
Key advantages cited: low production cost, scalability, and resilience to node failures.
Energy consumption in sensor-equipped nodes is a current limitation; solutions under consideration include model optimization and wired power.
The project originated from a hackathon win and has attracted interest from public institutions and private companies, including defense sector entities.
Primary applications envisioned: military use and critical infrastructure protection.
The team prioritizes testing before commercialization.
The Machine Learning Scientific Circle has been active since 2020, focusing on AI, software, and electronics for business applications.
Executive Summary
Students from the Machine Learning Scientific Circle at Rzeszów University of Technology have developed a low-cost, scalable system for detecting drones using mesh network architecture and machine learning. The project, led by electronics specialist Mikołaj Data, integrates small devices equipped with radio modules and optional sensors (e.g., microphones) to identify drone sounds via trained AI models. The mesh network ensures resilience—if one node fails, others reroute messages—while three sensor-equipped devices can triangulate a drone’s position. The team uses open-source protocols like Meshtastic and Python libraries (PyTorch, TensorFlow) for model development. Though initially designed for military applications, the system has potential for civilian infrastructure protection. Challenges include energy consumption in sensor-equipped nodes, which the team aims to address through model optimization or wired power solutions. Interest from public institutions and private firms, including defense sector entities, suggests commercial viability, though testing remains a priority.
The project emerged from a hackathon victory and involves collaborators like machine learning engineer Michał Wysocki and programmers Patryk Dziki and Jakub Świątek. The team emphasizes affordability, scalability, and field-deployable simplicity, aligning with broader trends in decentralized, resilient surveillance technologies. While the system’s effectiveness is still under validation, its dual-use potential—military and civilian—highlights the growing intersection of open-source innovation and security applications.
Full Take
**Steelman:** This is a compelling example of grassroots innovation addressing a real security gap—low-cost, decentralized drone detection. The team’s use of open-source tools (Meshtastic, PyTorch) and mesh networking demonstrates technical pragmatism, while their focus on scalability and resilience aligns with modern distributed systems design. The dual-use potential (military/civilian) is a strength, not a weakness, reflecting adaptable engineering. Credit is due for transparency about limitations (energy use) and the emphasis on testing before deployment.
**Pattern Scan:** The narrative leans into a "David vs. Goliath" framing—students outmaneuvering institutional inertia with agile tech—but avoids overt emotional exploitation. The mention of "defense sector" interest could subtly invoke fear appeals (ARC-0012: Fear as Motivator), though it’s contextually relevant. No distortion or bad faith is detectable; the claims are modest and evidence-backed. The only potential systemic pattern is the unexamined assumption that more surveillance inherently equals more security (ARC-0031: Uncritical Technosolutionism), but the team doesn’t overpromise.
**Root Cause:** The paradigm here is *democratized security*—the belief that open, scalable tools can outpace centralized, expensive alternatives. This echoes historical patterns like the rise of open-source software or guerrilla warfare tactics, where distributed networks challenge hierarchical systems. The unstated assumption is that drone threats are ubiquitous enough to justify pervasive sensing, a premise worth interrogating.
**Implications:** For human agency, this could empower communities to monitor their airspace without relying on state actors, but it also risks normalizing constant surveillance. Costs are borne by privacy (sensor density requires widespread deployment) and potential false positives (AI models trained on public data may misclassify sounds). Second-order effects could include arms races in drone/counter-drone tech or mission creep into civilian monitoring.
**Bridge Questions:**
1. How might this system be abused if deployed in authoritarian contexts? What safeguards could prevent misuse?
2. The team cites public datasets for training—what biases or blind spots might these introduce (e.g., inability to detect novel drone models)?
3. If energy constraints limit sensor uptake, could this create "blind spots" that adversaries exploit?
**Counterstrike Scan:** A coordinated influence campaign would likely exaggerate the system’s readiness (e.g., "battle-tested!") or demonize drones to stoke urgency. This article does neither—it acknowledges testing phases and focuses on technical details. The only minor alignment is the defense sector’s implied endorsement, which could be leveraged for credibility, but the team’s caution mitigates this. No structural red flags detected.
*Patterns detected: ARC-0012 Fear as Motivator (minor), ARC-0031 Uncritical Technosolutionism (contextual)*
Sentinel — Human
The article appears to be written by a human journalist.