Méthode de classification des signaux RF de commande de vol des UAV basée sur l'entropie de divergence multi-échelle et des réseaux neuronaux optimisés

Pourquoi repérer les drones cachés est important

Les petits drones sont désormais bon marché, performants et omniprésents — de la photo aérienne et la livraison de colis à la reconnaissance sur le champ de bataille. Mais la même technologie qui permet des usages utiles peut aussi être détournée pour l'espionnage, la contrebande ou perturber des aéroports et des infrastructures critiques. Les autorités ont besoin de moyens pour détecter et identifier les drones rapidement et de façon fiable, même à grande distance ou lorsqu'ils volent bas entre les bâtiments. Cet article présente une nouvelle méthode qui « écoute » la conversation radio invisible entre un drone et sa télécommande afin de reconnaître quel modèle est en vol, et le fait avec une précision exceptionnellement élevée même dans des conditions très bruitées.

Le problème des outils actuels de détection de drones

Les systèmes actuels de détection de drones s'appuient sur le radar, des caméras, des capteurs infrarouges ou des microphones. Chacun présente des défauts sérieux. Le radar a du mal avec des cibles très petites et lentes et peut être perturbé par le bruit de sol. Les caméras optiques et infrarouges dépendent d’un temps clair et d’une bonne visibilité ; leurs performances chutent dans le brouillard, la pluie ou l'obscurité. Les méthodes acoustiques sont peu coûteuses mais ne fonctionnent que sur de courtes distances et sont facilement noyées par le bruit ambiant. L'apprentissage profond basé sur la vision peut classer des types de drones connus, mais il exige d'immenses jeux de données étiquetés et peut échouer face à des modèles nouveaux ou à des conditions adverses. Ces faiblesses laissent des lacunes dans la sécurité de l'espace aérien, notamment en milieu urbain dense ou en basse altitude.

Écouter le bavardage radio du drone

Plutôt que de regarder ou d'entendre le drone lui-même, les auteurs se concentrent sur ses signaux de commande en radiofréquence (RF) — le lien entre le drone et sa télécommande. Ces signaux peuvent traverser des obstacles, fonctionner par tous les temps et être souvent captés plus tôt et à plus grande distance que le drone n'est visible. Cependant, mesurer simplement la puissance du signal ou des spectres basiques ne suffit pas à distinguer différents modèles de drones dans un environnement électromagnétique encombré. L'équipe utilise un concept appelé entropie de dispersion multi-échelle qui, en termes simples, suit à quel point le signal est imprévisible et complexe lorsqu'on l'observe sur plusieurs fenêtres temporelles. En l'appliquant à quatre canaux de données RF (deux par voie d'antenne), ils compressent chaque signal en une « empreinte » de 12 nombres qui capture le comportement du lien de commande de ce drone particulier.

Une recherche intelligente du meilleur réseau neuronal

Une fois ces empreintes compactes obtenues, les auteurs les alimentent dans un réseau neuronal léger qui décide lequel des six modèles populaires de DJI a produit le signal. L'innovation clé réside dans la manière dont ils règlent ce réseau neuronal. Plutôt que de deviner manuellement les paramètres internes ou de se fier uniquement à la descente de gradient classique, ils utilisent une approche d'optimisation inspirée du comportement des lemmings dans la nature. Cet « algorithme artificiel du lemming » imagine une population de réseaux candidats comme des animaux qui migrent, creusent des tunnels, cherchent de la nourriture et fuient les prédateurs, explorant l'espace des poids et des tailles de réseau possibles. Au fil de nombreuses itérations, ce processus converge vers une configuration qui minimise l'erreur de classification, évitant les pièges des optima locaux qui freinent souvent l'entraînement traditionnel.

Mise à l'épreuve de la méthode

Les chercheurs ont évalué leur système sur DroneRFa, un grand jeu de données public de signaux RF réels de drones. Ils se sont concentrés sur six plateformes DJI largement utilisées dont le matériel radio est similaire, rendant le problème de classification plus difficile. Pour chaque signal, ils ont extrait 10 000 échantillons, calculé les caractéristiques d'entropie multi-échelle pour les quatre canaux et utilisé ces 12 caractéristiques comme entrée du réseau neuronal optimisé. La nouvelle méthode a atteint une précision de classification de 97,2 %, surpassant plusieurs alternatives populaires qui combinent aussi réseaux neuronaux et schémas d'optimisation différents (algorithmes génétiques, essaim particulaire et méthodes du loup gris) d'environ 5 à 7 points de pourcentage. Tout aussi important, leur système a convergé beaucoup plus rapidement, atteignant 90 % de précision après seulement 65 itérations d'entraînement, et nécessitait relativement peu de paramètres — ce qui le rend adapté au déploiement en temps réel et en périphérie (edge).

Rester précis dans un monde bruyant

Les environnements RF réels sont désordonnés : Wi‑Fi, Bluetooth et d'innombrables autres dispositifs partagent les ondes. Pour tester la robustesse, les auteurs ont délibérément ajouté un fort bruit artificiel aux signaux des drones, réduisant le rapport signal/bruit étape par étape jusqu'à un niveau où le signal est aussi fort que le bruit. Les jeux de caractéristiques concurrents basés sur des coefficients inspirés de l'audio, des spectres simples ou des diagrammes de constellation ont tous subi de fortes baisses de précision dans ces conditions. En revanche, les caractéristiques d'entropie multi-échelle ont diminué seulement doucement, et le système a continué d'identifier correctement les drones dans 90 % des cas au niveau de bruit le plus sévère testé. Des analyses statistiques ont montré que ces caractéristiques séparent mieux les différents types de drones tout en conservant la cohérence interne de chaque type, ce qui explique leur résilience.

Ce que cela signifie pour des cieux plus sûrs

En termes pratiques, les auteurs ont construit un outil d’« empreinte radio » capable d'écouter le lien de commande caché d'un drone, de le résumer en un petit ensemble de nombres, et d'utiliser un réseau neuronal efficacement réglé pour indiquer quel modèle est en vol — même lorsque les ondes sont encombrées et bruyantes. Comparée aux méthodes existantes, leur approche est plus précise, s'entraîne plus vite et est suffisamment légère pour fonctionner sur du matériel modeste. Cela en fait un composant attractif pour de futurs systèmes de gestion du trafic en basse altitude et des installations de sécurité autour des aéroports, des frontières et des sites sensibles. Bien que l'étude actuelle cible six modèles spécifiques, les idées sous-jacentes — descriptions riches multi-échelle des signaux associées à une optimisation intelligente de réseaux neuronaux simples — pourraient être étendues à des flottes plus larges de drones et à d'autres appareils sans fil, renforçant notre maîtrise d'un ciel de plus en plus fréquenté.

Citation: 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

Mots-clés: détection de drones, signaux radiofréquence, empreinte radio sans fil, optimisation de réseau neuronal, sécurité de l'espace aérien