Metoda klasyfikacji sygnałów radiowych sterowania lotem UAV oparta na wieloskalowej entropii dyspersji i zoptymalizowanych sieciach neuronowych

Dlaczego wykrywanie ukrytych dronów ma znaczenie

Małe drony stały się tanie, zaawansowane i powszechne — od fotografii lotniczej i dostaw przesyłek po rozpoznanie na polu bitwy. Ta sama technologia, która umożliwia pożyteczne zastosowania, może być też wykorzystywana do szpiegostwa, przemytu lub zakłócania pracy lotnisk i infrastruktury krytycznej. Władze potrzebują metod szybkiego i wiarygodnego wykrywania i identyfikacji dronów, nawet gdy są daleko lub latają nisko między budynkami. W artykule przedstawiono nową metodę, która nasłuchuje niewidocznej radiowej rozmowy między dronem a jego kontrolerem, by rozpoznać model w powietrzu, osiągając przy tym wyjątkowo wysoką dokładność nawet w bardzo zaszumionych warunkach.

Problemy dzisiejszych narzędzi do wykrywania dronów

Obecne systemy wykrywania dronów opierają się na radarze, kamerach, czujnikach podczerwieni lub mikrofonach. Każde z nich ma poważne ograniczenia. Radar ma trudności z bardzo małymi, wolnymi celami i może być zdezorientowany przez zakłócenia naziemne. Kamery optyczne i termiczne zależą od pogody i dobrej widoczności — ich skuteczność spada we mgle, deszczu lub w nocy. Metody akustyczne są tanie, ale działają tylko na krótkich dystansach i łatwo je zagłuszyć hałasem otoczenia. Systemy widzenia oparte na głębokim uczeniu mogą klasyfikować znane typy dronów, ale wymagają ogromnych zestawów oznaczonych danych i zawodzą wobec nowych modeli lub warunków przeciwnika. Te słabości pozostawiają luki w zabezpieczeniu przestrzeni powietrznej, szczególnie w zatłoczonych obszarach miejskich i na niskich wysokościach.

Nasłuchując radiowego czatu drona

Zamiast obserwować lub nasłuchiwać samego drona, autorzy skupiają się na jego sygnałach radiowych (RF) sterowania — łączu między dronem a pilotem. Sygnały te mogą przenikać przez przeszkody, działają w każdych warunkach pogodowych i często można je odebrać wcześniej i z większej odległości niż drona da się zobaczyć. Jednak samo mierzenie siły sygnału czy podstawowych widm nie wystarcza, by rozróżnić modele dronów w zatłoczonym środowisku elektromagnetycznym. Zespół wykorzystuje koncepcję zwaną wieloskalową entropią dyspersji, która, w prostych słowach, śledzi, jak nieprzewidywalny i złożony jest sygnał przy obserwacji na różnych skalach czasowych. Stosując to do czterech kanałów danych RF (po dwa na ścieżkę antenową), kompresują każdy sygnał do 12‑elementowego „odcisku palca”, który uchwyca charakterystykę łącza sterowania danego modelu drona.

Inteligentne poszukiwanie najlepszej sieci neuronowej

Mając te zwartyc odciski, autorzy wprowadzają je do lekkiej sieci neuronowej, która decyduje, który z sześciu popularnych modeli DJI wygenerował sygnał. Kluczową innowacją jest sposób strojenia tej sieci. Zamiast ręcznie dobierać ustawienia wewnętrzne lub polegać wyłącznie na standardowym opadzie gradientu, używają podejścia optymalizacyjnego inspirowanego zachowaniem lemingów w naturze. „Sztuczny algorytm lemingów” wyobraża populację kandydatów na sieci jako zwierzęta, które migrują, kopią tunele, żerują i uciekają przed drapieżnikami, eksplorując przestrzeń możliwych ustawień wag i rozmiarów sieci. W toku wielu iteracji proces ten wyłania konfigurację minimalizującą błąd klasyfikacji, unikając pułapek lokalnych minimów, które często spowalniają lub unieruchamiają tradycyjne uczenie.

Testy metody

Naukowcy ocenili swój system na zbiorze DroneRFa, dużym otwartym zestawie rzeczywistych sygnałów RF dronów. Skoncentrowali się na sześciu powszechnie stosowanych platformach DJI, których sprzęt radiowy jest podobny, co czyni problem klasyfikacji trudniejszym. Z każdego sygnału wyodrębnili 10 000 próbek, obliczyli wieloskalowe cechy entropii dla wszystkich czterech kanałów i użyli tych 12 cech jako wejścia do zoptymalizowanej sieci neuronowej. Nowa metoda osiągnęła dokładność klasyfikacji 97,2%, przewyższając kilka popularnych alternatyw łączących sieci neuronowe z różnymi schematami optymalizacji (algorytmy genetyczne, rój cząstek, metoda szarego wilka) o około 5–7 punktów procentowych. Podobnie istotne jest to, że system zbiegał znacznie szybciej, osiągając 90% dokładności już po 65 iteracjach treningu, i wymagał stosunkowo niewielu parametrów — co czyni go odpowiednim do wdrożeń w czasie rzeczywistym na urządzeniach brzegowych.

Utrzymanie dokładności w zaszumionym świecie

Rzeczywiste środowiska RF są chaotyczne: Wi‑Fi, Bluetooth i niezliczone inne urządzenia współdzielą pasma. Aby sprawdzić odporność, autorzy celowo dodali silny szum sztuczny do sygnałów dronów, stopniowo obniżając stosunek sygnału do szumu aż do poziomu, w którym sygnał jest równie silny jak szum. Konkurencyjne zestawy cech oparte na współczynnikach inspirowanych dźwiękiem, prostych widmach czy diagramach konstelacji odnotowały ostre spadki dokładności w takich warunkach. W przeciwieństwie do tego cechy wieloskalowej entropii pogarszały się tylko łagodnie, a system nadal poprawnie identyfikował drony w 90% przypadków przy najsurowszym testowanym poziomie szumu. Analizy statystyczne wykazały, że te cechy lepiej rozdzielają różne typy dronów, zachowując jednocześnie spójność wewnątrz każdego typu, co tłumaczy ich odporność.

Co to oznacza dla bezpieczniejszych przestworzy

Mówiąc prościej, autorzy zbudowali narzędzie „odciskowania radiowego”, które potrafi nasłuchiwać ukrytego łącza sterowania drona, sprowadzić je do niewielkiego zestawu liczb i użyć efektywnie dostrojonej sieci neuronowej, by określić, który model lata — nawet gdy pasma są zatłoczone i zaszumione. W porównaniu z istniejącymi metodami ich podejście jest dokładniejsze, szybsze w treningu i wystarczająco lekkie, by działać na skromnym sprzęcie. To czyni je atrakcyjnym elementem przyszłych systemów zarządzania ruchem na niskich wysokościach oraz instalacji ochronnych wokół lotnisk, granic i obiektów wrażliwych. Choć obecne badanie dotyczy sześciu konkretnych modeli, podstawowe idee — bogate wieloskalowe opisy sygnałów połączone z inteligentną optymalizacją prostych sieci neuronowych — można rozszerzyć na szersze floty dronów i inne urządzenia bezprzewodowe, wzmacniając kontrolę nad coraz bardziej zatłoczonym niebem.

Cytowanie: 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

Słowa kluczowe: wykrywanie dronów, sygnały radiowe, bezprzewodowe odciskanie palców, optymalizacja sieci neuronowych, bezpieczeństwo przestrzeni powietrznej