Metodo per la classificazione dei segnali RF di controllo di volo UAV basato su entropia di dispersione multiscala e reti neurali ottimizzate

Perché è importante individuare i droni nascosti

I piccoli droni oggi sono economici, performanti e onnipresenti — dalla fotografia aerea e la consegna di pacchi alla ricognizione in campo di battaglia. Ma la stessa tecnologia che abilita applicazioni utili può anche essere usata per spionaggio, contrabbando o per creare disagi in aeroporti e infrastrutture critiche. Le autorità hanno bisogno di metodi per rilevare e identificare i droni rapidamente e in modo affidabile, anche quando sono lontani o volano basso tra gli edifici. Questo articolo presenta un nuovo metodo che «ascolta» la conversazione radio invisibile tra un drone e il suo radiocomando per riconoscere quale modello è in volo, ottenendo un’accuratezza sorprendentemente alta anche in condizioni di forte rumore.

Il problema degli strumenti attuali per individuare droni

I sistemi di rilevamento dei droni oggi usano radar, telecamere, sensori infrarossi o microfoni. Ognuno ha limiti importanti. Il radar fatica con bersagli molto piccoli o lenti e può essere confuso da echi di terreno. Le telecamere ottiche e termiche dipendono da condizioni atmosferiche e visibilità e peggiorano in caso di nebbia, pioggia o buio. I metodi acustici sono economici ma funzionano solo a breve distanza e vengono facilmente sommersi dal rumore di fondo. L’apprendimento profondo basato sulla visione può classificare tipi di droni noti, ma richiede grandi dataset etichettati e può fallire con modelli nuovi o in condizioni avverse e avversarie. Queste debolezze lasciano lacune nella sicurezza dello spazio aereo, specialmente nelle aree urbane affollate o a bassa quota.

Ascoltare il traffico radio del drone

Invece di osservare o ascoltare il drone stesso, gli autori si concentrano sui segnali di controllo a radiofrequenza (RF) — il collegamento tra drone e radiocomando. Questi segnali possono attraversare ostacoli, funzionare in qualsiasi condizione meteo e spesso essere captati prima e da più lontano rispetto al drone visibile. Tuttavia, misurare solo la potenza del segnale o spettri di base non basta per distinguere modelli diversi in un ambiente elettromagnetico affollato. Il gruppo utilizza un concetto chiamato entropia di dispersione multiscala che, in termini semplici, tiene traccia di quanto un segnale sia imprevedibile e complesso quando lo si osserva su più finestre temporali. Applicando questo a quattro canali dei dati RF (due per percorso dell’antenna), comprimono ogni segnale in un «impronta» di 12 numeri che cattura il comportamento del link di controllo di quel particolare drone.

Una ricerca intelligente per la migliore rete neurale

Una volta ottenute queste impronte compatte, gli autori le passano a una rete neurale leggera che decide quale dei sei modelli DJI più diffusi ha generato il segnale. L’innovazione chiave sta nel modo in cui sintonizzano la rete. Invece di indovinare manualmente i parametri interni o affidarsi solo alla discesa del gradiente, adottano un approccio di ottimizzazione ispirato al comportamento dei lemming in natura. Questo «algoritmo artificiale dei lemming» immagina una popolazione di reti candidate come animali che migrano, scavano tunnel, cercano cibo e fuggono dai predatori, esplorando lo spazio delle possibili impostazioni di pesi e dimensioni della rete. Dopo molte iterazioni, il processo converge su una configurazione che minimizza l’errore di classificazione, evitando le trappole di ottimi locali che spesso rallentano o compromettono l’addestramento tradizionale.

Mettere il metodo alla prova

I ricercatori hanno valutato il sistema sul dataset DroneRFa, un ampio archivio aperto di segnali RF reali di droni. Si sono concentrati su sei piattaforme DJI largamente usate il cui hardware radio è simile, rendendo il problema di classificazione più difficile. Da ogni segnale hanno estratto 10.000 campioni, calcolato le caratteristiche di entropia multiscala per tutti e quattro i canali e usato queste 12 caratteristiche come input per la rete neurale ottimizzata. Il nuovo metodo ha raggiunto un’accuratezza di classificazione del 97,2%, superando di circa 5–7 punti percentuali diverse alternative popolari che combinano reti neurali con altri schemi di ottimizzazione (algoritmi genetici, particle swarm e grey wolf). Altrettanto importante, il sistema ha convergendo molto più velocemente, raggiungendo il 90% di accuratezza dopo solo 65 iterazioni di addestramento, e richiedendo relativamente pochi parametri — il che lo rende adatto a distribuzioni in tempo reale e su dispositivi periferici.

Mantenere l’accuratezza in un mondo rumoroso

Gli ambienti RF reali sono disordinati: Wi‑Fi, Bluetooth e innumerevoli altri dispositivi condividono le onde radio. Per testare la robustezza, gli autori hanno aggiunto deliberatamente forte rumore artificiale ai segnali dei droni, riducendo gradualmente il rapporto segnale-rumore fino a un livello in cui il segnale è pari al rumore. Set di caratteristiche concorrenti basati su coefficienti ispirati all’audio, spettri semplici o diagrammi di costellazione hanno subito cali drastici di accuratezza in tali condizioni. Al contrario, le caratteristiche di entropia multiscala si sono degradate solo lentamente e il sistema ha comunque identificato correttamente i droni nel 90% dei casi al livello di rumore più severo testato. Analisi statistiche hanno mostrato che queste caratteristiche separano meglio i diversi tipi di drone mantenendo la coerenza interna di ciascun tipo, il che spiega la loro resilienza.

Cosa significa per cieli più sicuri

In termini pratici, gli autori hanno costruito uno strumento di «impronta radio» che può ascoltare il link di controllo nascosto di un drone, riassumerlo in un piccolo insieme di numeri e usare una rete neurale efficientemente ottimizzata per dire quale modello sta volando — anche quando le frequenze sono affollate e rumorose. Rispetto ai metodi esistenti, il loro approccio è più accurato, più veloce da addestrare e sufficientemente leggero da girare su hardware modesto. Questo lo rende un elemento interessante per futuri sistemi di gestione del traffico a bassa quota e installazioni di sicurezza attorno ad aeroporti, frontiere e siti sensibili. Pur essendo lo studio attuale focalizzato su sei modelli specifici, le idee di base — descrizioni di segnale multiscala ricche abbinate a un’ottimizzazione intelligente di reti neurali semplici — potrebbero estendersi a flotte più ampie di droni e ad altri dispositivi wireless, rafforzando il controllo su un cielo sempre più trafficato.

Citazione: 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

Parole chiave: rilevamento droni, segnali a radiofrequenza, impronte digitali wireless, ottimizzazione di reti neurali, sicurezza dello spazio aereo