Набор данных дронов с синхронизацией по времени, собранный с нескольких радаров и радиоприёмника

Почему важно следить за небом

Дроны быстро перешли из разряда игрушек и инструментов для кино в важные машины для доставки, инспекций, сельского хозяйства и прочего. Но те же небольшие аппараты, которые приносят пользу, могут использоваться и во вред — для шпионажа, контрабанды или даже атак. Остановить опасный дрон нелегко: они малы, быстры и часто летают в хаотичной городской или природной обстановке. В этой статье представлен новый открытый набор данных, который помогает учёным и инженерам создавать более интеллектуальные системы для обнаружения, отслеживания и идентификации дронов, опираясь не только на их внешний вид или звук, но и на невидимые радиочастотные «отпечатки».

Слушая дронов невидимыми волнами

Вместо опоры на камеры или микрофоны исследователи сосредоточились на радиоволнах, которые работают и днём, и ночью, а также в тумане, дожде или при ярком солнечном свете. Они используют три разных радиоресурса одновременно: один радар посылает постоянный тон для фиксации движения, другой радар выполняет частотное сканирование, чтобы измерять и расстояние, и скорость, а радиоприёмник просто «прислушивается» к собственным управляющим и видеосигналам дрона. Каждый сенсор видит дрон по‑своему — через слабые вибрации лопастей, через изменение расстояния до объекта или через структуру беспроводной связи — подобно тому, как объединение зрения, слуха и осязания даёт более полное представление.

Построение внимательно контролируемого полигона испытаний

Чтобы получить надёжные данные, команда использовала четыре популярных коммерческих дрона и разместила простой металлический уголковый отражатель в качестве эталонного не‑дронового объекта на открытом поле, свободном от больших строений. Все цели зависали на одной высоте и были направлены к кластеру сенсоров, смонтированных вместе на треногах, так что каждое устройство наблюдало сцену практически под одинаковым углом. Дроны измерялись на дистанциях от 2 до 30 метров с шагом 2 метра, при этом для каждой комбинации типа дрона, расстояния и сенсора делалось 500 повторных записей. Такая тщательная организация позволяет изучать, как меняется обнаружение с удалением дрона, и сравнивать модели, различающиеся по размеру, массе и конструкции.

Синхронное «дыхание» разных сенсоров

Ключевая особенность набора данных — программная синхронизация трёх сенсоров по времени. Все устройства управляются одной программой, которая запускает их одновременно и сохраняет выходы в строгой последовательности. Каждая запись одного сенсора имеет соответствующие записи от других, выровненные по общему индексу, а не по сложным аппаратным часам. Для двух радаров система сохраняет либо необработанные сигналы, либо обработанные карты, показывающие, как отражённая энергия распределяется по расстоянию и скорости. Радиоприёмник хранит сырый коммуникационный сигнал. Общая временная метка позволяет исследователям напрямую объединять данные с разных сенсоров — например, сопоставляя мерцание лопастей с всплеском в управляющем канале — без трудностей последующей синхронизации.

От сырых волн к изображениям, готовым для машин

Поскольку современные средства обнаружения часто опираются на глубокое обучение, авторы также преобразуют сырые измерения в картоподобные представления, которые легко обрабатываются компьютерами. Для радаров с постоянным тоном выделяют частотные закономерности, вызванные вращением пропеллеров — так называемые микродвижения — и представляют их как простые спектры. Для сканирующего радара генерируют цветные изображения «расстояние–скорость», подчёркивающие, где и как движется дрон, предварительно удаляя фоновый мусор. Для радиоприёмника вычисляют распределение мощности по частотам, создавая «отпечатки» стиля связи каждого дрона. Каждому сырому файлу соответствует файл‑изображение, поэтому специалисты могут работать либо на уровне сигналов, либо сразу подключать стандартные нейросети, обученные на изображениях.

Доказательство: больше глаз лучше, чем один

Чтобы показать практическую пользу набора данных, команда обучила известную сеть распознавания изображений отдельно на изображениях каждого сенсора и затем на объединённых комбинациях всех трёх. Как и ожидалось, радары сильнее страдают с удалением: отражённые сигналы ослабевают, и точность классификации снижается с ростом дистанции. Радиоприёмник выдерживает дальность лучше, но некоторые дроны используют очень схожие полосы связи, и отличить их по одному лишь этому сенсору сложно. Когда исследователи объединили три представления в единый композитный вход, производительность улучшилась во всех случаях, особенно для маленьких и труднообнаружимых дронов. Это показывает, что синхронизированная многосенсорная информация компенсирует слепые зоны каждого отдельного устройства.

Что это значит для безопасности воздушного пространства

Проще говоря, авторы создали подробный публичный «тренировочный полигон», где интеллектуальные алгоритмы могут научиться распознавать дроны, используя сразу несколько типов радиочувствительных «глаз». Выпустив как сырые сигналы, так и готовые изображения вместе с примерным кодом, они снижают барьер для тех, кто хочет разработать надёжные системы обнаружения, работающие в меняющихся условиях и на разных дистанциях. Со временем инструменты, созданные на основе этого набора данных, могут помочь аэропортам, критическим объектам и городским властям лучше отличать дружелюбные дроны от подозрительных, делая низкоуровневое воздушное пространство безопаснее без полной зависимости от камер или человеческих наблюдателей.

Цитирование: Han, SK., Jung, YH. A Time-Synchronized Multi-Sensor drone dataset acquired from multiple radars and RF receiver. Sci Data 13, 407 (2026). https://doi.org/10.1038/s41597-026-06802-6

Ключевые слова: обнаружение дронов, радарное обнаружение, радиочастотные сигналы, слияние сенсоров, открытый набор данных