20. June 2026
Har du tenkt over hvor vanskelig det faktisk er å stoppe en drone som koster en brøkdel av en vanlig personbil? En litauisk oppstartsbedrift har nettopp lansert et åpent nettverk for å detektere og spore Shahed-lignende droner. Systemet baserer seg på et desentralisert nettverk av rimelige mikrofoner som fanger opp lydsignaler, som deretter analyseres i sanntid for å avdekke uønsket luftaktivitet.
Bakgrunnen er den voldsomme økningen i bruk av lavtflyvende, billige angrepsdroner i moderne konflikter. Tradisjonelle og ekstremt kostbare militære radarsystemer er primært bygget for å fange opp store, raske objekter i høyden, og de sliter ofte med å oppdage små plastdroner som sniker seg under radaren. Løsningen her er å lytte etter dem. Ved å trene algoritmer til å kjenne igjen de unike, gressklipper-aktige frekvensene fra drone-motorer, klarer systemet å skille reelle trusler fra vanlig bystøy eller vindkast med bemerkelsesverdig presisjon.
For selskaper som forvalter kritisk infrastruktur – som strømnett, raffinerier, flyplasser eller store logistikk- og havneområder – representerer dette et spennende skifte innen fysisk sikring. I stedet for å investere millioner i proprietære forsvarssystemer, viser dette initiativet at man kan etablere robuste, distribuerte overvåkningsnettverk ved hjelp av rimelig hyllevare-maskinvare og målrettet maskinlæring på kanten (edge-AI). Sikkerhetsansvarlige i sensitive industrisektorer bør merke seg hvordan denne typen demokratisert teknologi nå gjør avansert perimeter-overvåkning tilgjengelig for langt flere.
Dette åpner også dører for innovative aktører innen IoT og sensor-teknologi. De underliggende prinsippene for akustisk mønstergjenkjenning kan nemlig overføres til sivile formål. For eksempel kan skogbruksbedrifter tilpasse modellene til å detektere ulovlig hogst (motorsager), mens produksjonsbedrifter kan overvåke maskinparken for å fange opp mikroskopiske endringer i driftslyden før kritiske feil oppstår. Det at prosjektet er basert på åpen kildekode betyr at utviklingsteam kan hente ut ferdige datasett og modeller, og raskt skreddersy dem til egne forretningsbehov uten å måtte starte fra scratch.
Du kan lese mer om prosjektet og deteksjonsnettverket hos LRT English.