Método para classificação de sinais RF de controle de voo de VANTs baseado em entropia de dispersão multiescala e redes neurais otimizadas

Por que detectar drones ocultos é importante

Drones pequenos hoje são baratos, capazes e onipresentes — da fotografia aérea e entrega de pacotes ao reconhecimento em campo de batalha. Mas a mesma tecnologia que possibilita aplicações úteis também pode ser usada indevidamente para espionagem, contrabando ou para atrapalhar aeroportos e infraestruturas críticas. As autoridades precisam de formas de detectar e identificar drones de forma rápida e confiável, mesmo quando estão distantes ou voando baixo entre prédios. Este artigo apresenta um novo método que “escuta” a conversa invisível por rádio entre o drone e seu controlador para reconhecer qual modelo está no ar, obtendo precisão incomumente alta mesmo em condições muito ruidosas.

O problema das ferramentas atuais de detecção de drones

Sistemas atuais de detecção de drones dependem de radar, câmeras, sensores infravermelhos ou microfones. Cada um tem desvantagens sérias. Radar tem dificuldade com alvos muito pequenos e lentos e pode ser confundido por clutter no solo. Câmeras ópticas e infravermelhas dependem de tempo claro e boa visibilidade, com desempenho reduzido em neblina, chuva ou escuridão. Métodos acústicos são baratos, mas só funcionam a curta distância e são facilmente abafados por ruído de fundo. Aprendizado profundo baseado em visão pode classificar tipos conhecidos de drones, mas exige grandes conjuntos de dados rotulados e pode falhar diante de modelos novos ou de condições adversariais. Essas fraquezas deixam lacunas na segurança do espaço aéreo, especialmente em ambientes urbanos congestionados ou de baixa altitude.

Escutando a troca de rádio do drone

Em vez de observar ou ouvir o próprio drone, os autores focam nos sinais de controle em radiofrequência (RF) — o enlace entre o drone e seu controlador remoto. Esses sinais atravessam obstáculos, funcionam em qualquer clima e frequentemente podem ser captados antes e a maior distância do que o drone pode ser visto. No entanto, medir apenas a intensidade do sinal ou espectros básicos não é suficiente para distinguir modelos diferentes em um ambiente eletromagnético congestionado. A equipe usa um conceito chamado entropia de dispersão multiescala que, em termos simples, acompanha quão imprevisível e complexa a forma do sinal é quando observada em várias janelas de tempo. Aplicando isso a quatro canais dos dados RF (dois por caminho de antena), eles comprimem cada sinal em uma “impressão digital” de 12 números que captura o comportamento do enlace de controle daquele drone.

Uma busca inteligente pela melhor rede neural

Com essas impressões digitais compactas, os autores as alimentam em uma rede neural leve que decide qual dos seis modelos populares da DJI produziu o sinal. Uma inovação chave está em como eles ajustam essa rede neural. Em vez de chutar manualmente os parâmetros internos ou confiar apenas em gradiente descendente padrão, eles utilizam uma abordagem de otimização inspirada no comportamento de lemmings na natureza. Esse “algoritmo artificial dos lemmings” imagina uma população de redes candidatas como animais que migram, cavam túneis, forrageiam e fogem de predadores, explorando o espaço de possíveis pesos e tamanhos de rede. Ao longo de muitas iterações, esse processo converge para uma configuração que minimiza o erro de classificação, evitando as armadilhas de óptimos locais que frequentemente atrasam ou prejudicam o treinamento tradicional.

Testando o método

Os pesquisadores avaliaram o sistema no DroneRFa, um grande conjunto de dados público de sinais RF reais de drones. Eles focaram em seis plataformas DJI amplamente usadas, cujo hardware de rádio é similar, tornando o problema de classificação mais desafiador. De cada sinal extraíram 10.000 amostras, calcularam as features de entropia multiescala para os quatro canais e usaram essas 12 features como entrada para a rede neural otimizada. O novo método atingiu 97,2% de acurácia de classificação, superando várias alternativas populares que também combinam redes neurais com diferentes esquemas de otimização (algoritmos genéticos, enxame de partículas e método do lobo cinzento) por cerca de 5–7 pontos percentuais. Igualmente importante, o sistema convergiu muito mais rápido, alcançando 90% de acurácia após apenas 65 iterações de treinamento, e exigiu relativamente poucos parâmetros — tornando-o adequado para implantação em tempo real na borda.

Manter a precisão em um mundo ruidoso

Ambientes RF reais são bagunçados: Wi‑Fi, Bluetooth e inúmeros outros dispositivos compartilham o espectro. Para testar robustez, os autores adicionaram deliberadamente ruído artificial forte aos sinais de drone, reduzindo a relação sinal-ruído passo a passo até um nível onde o sinal tem a mesma intensidade que o ruído. Conjuntos de features concorrentes baseados em coeficientes inspirados em áudio, espectros simples ou diagramas de constelação sofreram quedas acentuadas de acurácia nessas condições. Em contraste, as features de entropia multiescala degradaram-se apenas gradualmente, e o sistema ainda identificou corretamente drones em 90% dos casos no nível de ruído mais severo testado. Análises estatísticas mostraram que essas features separam melhor os diferentes tipos de drone mantendo a consistência interna de cada tipo, o que explica sua resiliência.

O que isso significa para céus mais seguros

Em termos práticos, os autores construíram uma ferramenta de “impressão digital por rádio” que pode escutar o enlace de controle oculto de um drone, resumí‑lo em um pequeno conjunto de números e usar uma rede neural eficientemente ajustada para dizer qual modelo está voando — mesmo quando as ondas estão congestionadas e ruidosas. Em comparação com métodos existentes, a abordagem é mais precisa, mais rápida para treinar e leve o suficiente para rodar em hardware modesto. Isso a torna um componente atraente para futuros sistemas de gestão de tráfego de baixa altitude e instalações de segurança ao redor de aeroportos, fronteiras e locais sensíveis. Embora o estudo atual foque seis modelos específicos, as ideias subjacentes — descrições ricas multiescala do sinal emparelhadas com otimização inteligente de redes neurais simples — poderiam ser estendidas a frotas mais amplas de drones e outros dispositivos sem fio, reforçando o controle sobre um céu cada vez mais movimentado.

Citação: 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

Palavras-chave: detecção de drones, sinais de radiofrequência, impressão digital sem fio, otimização de rede neural, segurança do espaço aéreo