Método para la clasificación de señales RF de control de vuelo de UAV basado en entropía de dispersión multiescala y redes neuronales optimizadas

Por qué es importante detectar drones ocultos

Los drones pequeños son hoy baratos, capaces y omnipresentes —desde la fotografía aérea y la entrega de paquetería hasta el reconocimiento en el campo de batalla. Pero la misma tecnología que posibilita aplicaciones útiles también puede usarse para espionaje, contrabando o para perturbar aeropuertos e infraestructuras críticas. Las autoridades necesitan métodos para detectar e identificar drones de forma rápida y fiable, incluso cuando están lejos o vuelan bajo entre edificios. Este artículo presenta un nuevo método que escucha la conversación radioeléctrica invisible entre un dron y su mando para reconocer qué modelo está en el aire, y lo hace con una precisión inusualmente alta aun en condiciones muy ruidosas.

El problema de las herramientas actuales para detectar drones

Los sistemas actuales de detección de drones se basan en radar, cámaras, sensores infrarrojos o micrófonos. Cada uno tiene inconvenientes serios. El radar tiene dificultades con objetivos muy pequeños y lentos y puede confundirse con la clutter del terreno. Las cámaras ópticas e infrarrojas dependen del buen tiempo y la visibilidad, y su rendimiento cae en niebla, lluvia o oscuridad. Los métodos acústicos son económicos pero sólo funcionan a corta distancia y se ven fácilmente enmascarados por ruido de fondo. Los enfoques de visión con aprendizaje profundo pueden clasificar tipos de drones conocidos, pero requieren enormes conjuntos de datos etiquetados y pueden fallar al encontrar modelos nuevos o condiciones adversas. Estas debilidades dejan brechas en la seguridad del espacio aéreo, especialmente en entornos urbanos densos o a baja altitud.

Escuchar el parloteo radioeléctrico del dron

En lugar de ver o escuchar el dron mismo, los autores se centran en sus señales de control por radiofrecuencia (RF): el enlace entre el dron y su mando remoto. Estas señales pueden atravesar obstáculos, funcionan con cualquier clima y a menudo se captan antes y desde más lejos de lo que puede verse el dron. Sin embargo, medir simplemente la intensidad de la señal o espectros básicos no basta para distinguir entre distintos modelos en un entorno electromagnético concurrido. El equipo usa un concepto llamado entropía de dispersión multiescala que, en términos sencillos, rastrea cuán impredecible y compleja es la señal cuando se observa en varias ventanas temporales. Aplicado a cuatro canales de los datos RF (dos por trayectoria de antena), comprimen cada señal en una “huella” de 12 números que captura cómo se comporta ese enlace de control en particular.

Una búsqueda inteligente de la mejor red neuronal

Una vez obtenidas estas huellas compactas, los autores las introducen en una red neuronal ligera que decide cuál de seis modelos populares de DJI produjo la señal. Una innovación clave reside en cómo afinan esta red neuronal. En lugar de adivinar manualmente los parámetros internos o fiarse sólo del descenso por gradiente estándar, emplean un enfoque de optimización inspirado en el comportamiento de los lemmings en la naturaleza. Este "algoritmo lemming artificial" imagina una población de redes candidatas como animales que migran, cavan túneles, buscan alimento y huyen de depredadores, explorando el espacio de posibles pesos y tamaños de red. Tras muchas iteraciones, este proceso converge hacia una configuración que minimiza el error de clasificación, evitando las trampas de óptimos locales que a menudo ralentizan o paralizan el entrenamiento tradicional.

Poniendo el método a prueba

Los investigadores evaluaron su sistema con DroneRFa, un gran conjunto abierto de señales RF reales de drones. Se centraron en seis plataformas ampliamente usadas de DJI cuya electrónica de radio es similar, lo que hace el problema de clasificación más desafiante. De cada señal extrajeron 10 000 muestras, calcularon las características de entropía multiescala para los cuatro canales y usaron estas 12 características como entrada a la red neuronal optimizada. El nuevo método alcanzó una precisión de clasificación del 97,2 %, superando a varias alternativas populares que también combinan redes neuronales con distintos esquemas de optimización (algoritmos genéticos, enjambre de partículas y métodos de lobo gris) por aproximadamente 5–7 puntos porcentuales. Igualmente importante, su sistema convergió mucho más rápido, alcanzando el 90 % de precisión tras sólo 65 iteraciones de entrenamiento, y requirió relativamente pocos parámetros, lo que lo hace adecuado para despliegues en tiempo real en el borde.

Mantener la precisión en un mundo ruidoso

Los entornos RF reales son desordenados: Wi‑Fi, Bluetooth y multitud de otros dispositivos comparten el espectro. Para evaluar la robustez, los autores añadieron deliberadamente ruido artificial intenso a las señales de dron, reduciendo la relación señal/ruido paso a paso hasta un nivel en que la señal tiene la misma amplitud que el ruido. Conjuntos de características competidores basados en coeficientes inspirados en audio, espectros simples o diagramas de constelación sufrieron caídas pronunciadas en precisión bajo tales condiciones. En contraste, las características de entropía multiescala solo se degradaron de forma gradual, y el sistema aún identificó correctamente los drones en el 90 % de los casos en el nivel de ruido más severo probado. Los análisis estadísticos mostraron que estas características separan mejor los distintos tipos de dron manteniendo la consistencia interna de cada tipo, lo que explica su resistencia.

Qué supone esto para cielos más seguros

En términos cotidianos, los autores han construido una herramienta de “huella radioeléctrica” que puede escuchar el enlace de control oculto de un dron, resumirlo en un pequeño conjunto de números y usar una red neuronal eficientemente ajustada para indicar qué modelo está volando —incluso cuando las ondas están concurridas y ruidosas. Comparado con métodos existentes, su enfoque es más preciso, más rápido de entrenar y lo bastante ligero para ejecutarse en hardware modesto. Esto lo convierte en un bloque de construcción atractivo para futuros sistemas de gestión de tráfico a baja altitud e instalaciones de seguridad alrededor de aeropuertos, fronteras y sitios sensibles. Aunque el estudio actual se dirige a seis modelos concretos, las ideas subyacentes —descripciones de señal multiescala ricas combinadas con optimización inteligente de redes neuronales simples— podrían extenderse a flotas más amplias de drones y otros dispositivos inalámbricos, reforzando el control sobre un cielo cada vez más concurrido.

Cita: 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

Palabras clave: detección de drones, señales de radiofrecuencia, huella inalámbrica, optimización de redes neuronales, seguridad del espacio aéreo