Methode zur Klassifizierung von UAV-Flugsteuerungs-RF-Signalen basierend auf multiskaliger Dispersionsentropie und optimierten neuronalen Netzen

Warum das Aufspüren versteckter Drohnen wichtig ist

Kleine Drohnen sind heute günstig, leistungsfähig und allgegenwärtig – von Luftbildaufnahmen und Paketlieferungen bis zu Aufklärungseinsätzen auf dem Schlachtfeld. Dieselbe Technologie, die nützliche Anwendungen ermöglicht, kann jedoch auch für Spionage, Schmuggel oder Störungen an Flughäfen und kritischer Infrastruktur missbraucht werden. Behörden benötigen Wege, Drohnen schnell und zuverlässig zu erkennen und zu identifizieren, selbst wenn sie weit entfernt sind oder niedrig zwischen Gebäuden fliegen. Dieses Papier stellt eine neue Methode vor, die dem unsichtbaren Funkgespräch zwischen Drohne und Fernsteuerung lauscht, um zu erkennen, welches Modell in der Luft ist, und dies mit ungewöhnlich hoher Genauigkeit selbst unter sehr lauten Bedingungen tut.

Die Probleme heutiger Drohnendetektionsmittel

Derzeitige Systeme zur Drohnendetektion stützen sich auf Radar, Kameras, Infrarotsensoren oder Mikrofone. Jedes Verfahren hat gravierende Nachteile. Radar hat Schwierigkeiten mit sehr kleinen, langsamen Zielen und kann durch Bodenechos gestört werden. Optische und Infrarotkameras sind auf gutes Wetter und Sicht angewiesen; bei Nebel, Regen oder Dunkelheit sinkt ihre Leistungsfähigkeit. Akustische Methoden sind günstig, funktionieren aber nur über kurze Distanzen und werden leicht von Hintergrundlärm überdeckt. Vision-basierte Deep-Learning-Ansätze können bekannte Drohnentypen klassifizieren, benötigen jedoch riesige, gelabelte Datensätze und können versagen, wenn sie auf neue Modelle oder adversariale Bedingungen treffen. Diese Schwächen lassen Lücken in der Luftraumsicherheit, besonders in dicht besiedelten städtischen oder niedrig fliegenden Umgebungen.

Dem Funkgeflüster der Drohne lauschen

Anstatt die Drohne selbst zu sehen oder zu hören, konzentrieren sich die Autoren auf ihre Funksteuerungssignale – die Verbindung zwischen Drohne und Fernsteuerung. Diese Signale können Hindernisse durchdringen, funktionieren bei jedem Wetter und werden oft früher und weiter empfangen als die Drohne sichtbar ist. Allerdings reicht die einfache Messung der Signalstärke oder grundlegender Spektren nicht aus, um verschiedene Drohnenmodelle in einem überfüllten elektromagnetischen Umfeld zu unterscheiden. Das Team verwendet ein Konzept namens multiskalige Dispersionsentropie, das vereinfacht gesagt erfasst, wie unvorhersehbar und komplex ein Signal ist, wenn man es über verschiedene Zeitfenster betrachtet. Wenn sie dies auf vier Kanäle der RF-Daten anwenden (zwei pro Antennenpfad), komprimieren sie jedes Signal zu einem 12‑stelligen „Fingerprint“, der beschreibt, wie die Steuerverbindung dieser speziellen Drohne charakteristisch funktioniert.

Eine clevere Suche nach dem besten neuronalen Netz

Sobald diese kompakten Fingerprints vorliegen, füttern die Autoren sie in ein leichtgewichtiges neuronales Netz, das entscheidet, welches von sechs populären DJI-Drohnenmodellen das Signal erzeugt hat. Eine zentrale Innovation liegt in der Abstimmung dieses Netzes. Anstatt die internen Einstellungen manuell zu raten oder sich allein auf Standard-Gradientenverfahren zu verlassen, nutzen sie einen Optimierungsansatz, der vom Verhalten der Lemminge in der Natur inspiriert ist. Dieser „künstliche Lemminge-Algorithmus“ stellt sich eine Population von Kandidaten-Netzen als Tiere vor, die migrieren, Tunnel graben, nach Futter suchen und vor Raubtieren fliehen – und so den Raum möglicher Gewichtskonfigurationen und Netzwerkgrößen erkunden. Über viele Iterationen arbeitet dieser Prozess auf eine Konfiguration hin, die den Klassifikationsfehler minimiert und die Fallstricke lokaler Optima, die traditionelles Training oft verlangsamen oder blockieren, umgeht.

Die Methode im Praxistest

Die Forschenden evaluierten ihr System mit DroneRFa, einem großen offenen Datensatz realer Drohnen-RF-Signale. Sie fokussierten sich auf sechs weit verbreitete DJI‑Plattformen, deren Funkhardware ähnlich ist, was das Klassifikationsproblem anspruchsvoller macht. Aus jedem Signal extrahierten sie 10.000 Stichproben, berechneten die multiskaligen Entropie‑Merkmale für alle vier Kanäle und nutzten diese 12 Merkmale als Eingabe für das optimierte neuronale Netz. Die neue Methode erreichte eine Klassifikationsgenauigkeit von 97,2 % und übertraf damit mehrere gängige Alternativen, die ebenfalls neuronale Netze mit verschiedenen Optimierungsschemata kombinieren (genetische Algorithmen, Partikelschwarm- und Grauwolf-Methoden), um etwa 5–7 Prozentpunkte. Ebenso wichtig ist, dass ihr System deutlich schneller konvergierte, bereits nach nur 65 Trainingsiterationen 90 % Genauigkeit erreichte und relativ wenige Parameter benötigte – was den Einsatz in Echtzeit an der Edge praktikabel macht.

Genau bleiben in einer lauten Welt

Echte RF-Umgebungen sind unordentlich: Wi‑Fi, Bluetooth und zahllose andere Geräte teilen sich die Luftwellen. Um die Robustheit zu prüfen, fügten die Autoren den Drohnensignalen gezielt starke künstliche Störgeräusche hinzu und verringerten das Signal-Rausch-Verhältnis schrittweise bis zu einem Punkt, an dem Signal und Rauschen gleich stark waren. Konkurrenzfähige Merkmalsätze auf Basis audioinspirierter Koeffizienten, einfacher Spektren oder Konstellationsdiagramme erlitten unter solchen Bedingungen starke Genauigkeitsverluste. Im Gegensatz dazu verschlechterten sich die multiskaligen Entropie‑Merkmale nur langsam, und das System identifizierte die Drohnen selbst beim härtesten getesteten Rauschpegel noch zu 90 % korrekt. Statistische Analysen zeigten, dass diese Merkmale verschiedene Drohnentypen besser trennen und gleichzeitig die interne Konsistenz jeder Klasse wahren, was ihre Widerstandsfähigkeit erklärt.

Was das für sichere Lufträume bedeutet

Vereinfacht gesagt haben die Autoren ein „Radio‑Fingerprinting“-Werkzeug entwickelt, das der versteckten Steuerverbindung einer Drohne lauscht, sie in eine kleine Zahlensammlung zusammenfasst und ein effizient abgestimmtes neuronales Netz nutzt, um zu sagen, welches Modell fliegt – selbst wenn die Luftwellen überfüllt und verrauscht sind. Im Vergleich zu bestehenden Verfahren ist ihr Ansatz genauer, schneller zu trainieren und leichtgewichtig genug, um auf bescheidener Hardware zu laufen. Das macht ihn zu einem attraktiven Baustein für künftige Systeme zur Verwaltung des niedrigen Luftraums und Sicherheitsinstallationen an Flughäfen, Grenzen und sensiblen Standorten. Während die aktuelle Studie sechs spezifische Modelle adressiert, ließen sich die zugrunde liegenden Ideen – reichhaltige multiskalige Signalbeschreibungen kombiniert mit intelligenter Optimierung einfacher neuronaler Netze – auf breitere Drohnenflotten und andere drahtlose Geräte ausdehnen und so die Kontrolle über einen zunehmend belebten Himmel verbessern.

Zitation: Liu, B., Liu, J., Shi, M. et al. Method for classification of UAV flight control RF signals based on multi-scale divergence entropy and optimized neural networks. Sci Rep 16, 8420 (2026). https://doi.org/10.1038/s41598-025-25498-z

Schlüsselwörter: Drohnenerkennung, Funkfrequenzsignale, drahtloses Fingerprinting, Optimierung neuronaler Netze, Luftraumsicherheit