שיטה למיון אותות RF של בקרת טיסת כלים בלתי מאוישים על בסיס אנטרופיית סטיית-מרובה-סקלות ורשתות עצביות מותאמות

למה חשוב לזהות רחפנים מוסתרים

רחפנים קטנים כיום זולים, יעילים ונפוצים — מצילום אווירי ומשלוחים ועד סיור בשדה קרב. אבל אותה טכנולוגיה שמאפשרת שימושים מועילים עלולה גם לשמש לריגול, הברחה או הפרעה לשדות תעופה ותשתיות קריטיות. הרשויות זקוקות ליכולת לזהות ולסווג רחפנים במהירות ובאמינות, גם מרחוק או כשמגיעים לעוף נמוך בין בניינים. מאמר זה מציג שיטה חדשה שמאזינה לשיחת הרדיו הבלתי נראית בין הרחפן לשלט שלו כדי לזהות איזה דגם באוויר, ועושה זאת בדיוק יוצא דופן אף בתנאי רעש גבוהים מאוד.

הבעיה עם כלי איתור הרחפנים הקיימים

מערכות גילוי רחפנים עכשוויות מסתמכות על רדאר, מצלמות, חיישני אינפרא־אדום או מיקרופונים. לכל אחת חסרונות משמעותיים. רדאר נאבק עם מטרות קטנות ואיטיות וניתן להטעות אותו בעזרת רעש קרקעי. מצלמות אופטיות ואינפרא־אדום תלויות במזג אוויר ובראות, וביצועיהן יורדים בערפל, גשם או בחושך. שיטות אקוסטיות זולות אך עובדות למרחק קצר וקל להטביען ברעשי רקע. למידת מכונה מבוססת ראיה יכולה לסווג דגמי רחפן מוכרים, אך דורשת מאגרי תיוג ענקיים ועלולה להיכשל נגד דגמים חדשים או תנאי התקפה. חולשות אלה מותירות נקודות תורפה בביטחון המרחב האווירי, במיוחד בערים צפופות או בגובה נמוך.

להקשיב לצ'אטר הרדיו של הרחפן

במקום לצפות או להקשיב לרחפן עצמו, המחברים מתמקדים באותות בקרת תדר הרדיו (RF) — הקישור בין הרחפן לשלט. אותות אלה עוברים דרך מכשולים, פועלים בכל מזג אוויר, ולעתים נתפסים מוקדם יותר ומרחק גדול יותר מאשר הרחפן נראה. עם זאת, מדידת עוצמת אות או ספקטרום בסיסי אינה מספקת כדי להבחין בין דגמי רחפן שונים בסביבה אלקטרומגנטית צפופה. הצוות משתמש במושג שנקרא אנטרופיית סטיית-מרובה-סקלות, אשר, במילים פשוטות, עוקב אחר כמה האות בלתי צפוי ומסובך כשהוא נצפה בחלונות זמן מרובים. באמצעות יישום זה על ארבעה ערוצי נתוני RF (שני ערוצים לכל מסלול אנטנה), הם מכווצים כל אות ל"טביעת אצבע" בת 12 מספרים שתופסת כיצד קישור הבקרה של דגם הרחפן מתנהג.

חיפוש חכם אחר רשת עצבית אופטימלית

לאחר קבלת טביעות האצבע המקוצרות הללו, המחברים מזינים אותן לרשת עצבית קלת משקל שמחליטה איזה מתוך שישה דגמי DJI פופולריים יצר את האות. חידוש מרכזי טמון באופן בה הם מכוונים את הרשת. במקום לנחש ידנית את הפרמטרים הפנימיים או להסתמך רק על ירידת גרדיאנט סטנדרטית, הם משתמשים בגישה אופטימיזציה בהשראת התנהגות הלמינגים בטבע. "אלגוריתם למינג מלאכותי" זה מדמיין אוכלוסיית רשתות מועמדות כחיות המהגרות, חופרות מנהרות, מחפשות מזון ונמלטות מטורפים — ובכך חוקר את מרחב אפשרויות המשקלים וגודל הרשת. לאורך איטרציות רבות, התהליך מתקרב לקונפיגורציה שממזערת את טעות הסיווג, ומונע מלכודות של אופטימום מקומי שעשויות להאט או לשבש אימון מסורתי.

בדיקת השיטה במבחן

החוקרים העריכו את המערכת שלהם על DroneRFa, מאגר פתוח גדול של אותות RF אמיתיים של רחפנים. הם התרכזו בשישה פלטפורמות DJI נפוצות שבתכן הרדיו שלהן דומה, מה שהקשו את בעיית הסיווג. מכל אות חילצו 10,000 דגימות, חישבו את תכונות האנטרופיה מרובת־הסקלות לכל ארבעת הערוצים, והשתמשו ב‑12 תכונות אלה כקלט לרשת העצבית המותאמת. השיטה החדשה הגיעה לדיוק סיווג של 97.2%, וגרפה תוצאה טובה יותר בכ־5–7 נקודות אחוז מכמה חלופות פופולריות שמשלבות רשתות עצביות עם סכמות אופטימיזציה אחרות (אלגוריתמים גנטיים, נחיל חלקיקים ושיטת זאב האפור). באותה מידה חשובה, המערכת שלהם התכנסה הרבה יותר מהר, והגיעה ל־90% דיוק אחרי רק 65 איטרציות אימון, ודרשה יחסית מעט פרמטרים — מה שמאפשר פריסה בזמן אמת בקצה הרשת.

שמירה על דיוק בעולם רועש

סביבות RF מעשיות מבולגנות: Wi‑Fi, Bluetooth ומספר בלתי נתפס של מכשירים אחרים חולקים את הגלים. כדי לבחון חסינות, המחברים הוסיפו בכוונה רעש מלאכותי חזק לאותות הרחפן, והורידו את יחס אות לרעש בשלבים עד לרמה שבה האות שווה לעוצמת הרעש. ערכות תכונות מתחרות המבוססות על מקדמים בהשראת שמע, ספקטרות פשוטות או דיאגרמות קונסטלציה ספגו ירידות חדות בדיוק בתנאים אלה. לעומת זאת, תכונות האנטרופיית הסטייה מרובת־הסקלות הידרדרו בעדינות בלבד, והמטרה עדיין זוהתה נכון ב‑90% מהמקרים אף ברמת הרעש הקשה ביותר שנבדקה. ניתוחים סטטיסטיים הראו שתכונות אלה מבדילות טוב יותר בין סוגי רחפנים שונים תוך שמירה על עקביות פנימית בכל סוג, מה שמסביר את עמידותן.

מה המשמעות עבור שמיים בטוחים יותר

במילים פשוטות, המחברים בנו כלי "טביעת אצבע רדיו" שיכול להקשיב לקישור הבקרה הנסתר של רחפן, לסכם אותו למערך מספרי קטן, ולהשתמש ברשת עצבית מכווננת ביעילות כדי לזהות איזה דגם עף — גם כאשר הגלים צפופים ורועשים. בהשוואה לשיטות קיימות, הגישה שלהם מדויקת יותר, מהירה יותר לאימון וקלת משקל מספיק כדי לרוץ על חומרה צנועה. זה הופך אותה לחלק מבטוח ומושך עבור מערכות ניהול תנועה בגובה נמוך והתקנות ביטחוניות סביב שדות תעופה, גבולות ואתרים רגישים. למרות שהמחקר הנוכחי מתמקד בשישה דגמים ספציפיים, הרעיונות הבסיסיים — תיאורים עשירים של האות על פני סקלות מרובות בצירוף אופטימיזציה חכמה של רשתות עצביות פשוטות — ניתנים להרחבה לציי רחפנים רחבים יותר ולמכשירים אלחוטיים אחרים, ובכך לחזק את שליטתנו בשמיים ההולכים ומתמלאים.

ציטוט: 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

מילות מפתח: גילוי רחפנים, אותות תדר רדיו, טביעת אצבע אלחוטית, אופטימיזציה של רשתות עצביות, ביטחון במרחב האווירי