Metod för klassificering av UAV-flygstyrnings-RF-signaler baserad på multiskalig divergensentropi och optimerade neurala nätverk

Varför det är viktigt att upptäcka dolda drönare

Små drönare är numera billiga, kapabla och omnipresenta — från flygfotografering och paketleverans till spaning på slagfältet. Men samma teknik som möjliggör nyttiga tillämpningar kan också missbrukas för spionage, smuggling eller för att störa flygplatser och kritisk infrastruktur. Myndigheter behöver metoder för att snabbt och tillförlitligt upptäcka och identifiera drönare, även när de är långt borta eller flyger lågt mellan byggnader. Denna artikel presenterar en ny metod som lyssnar på den osynliga radiokommunikationen mellan en drönare och dess kontrollenhet för att känna igen vilken modell som är i luften, och gör det med ovanligt hög noggrannhet även i mycket brusiga förhållanden.

Problemet med dagens verktyg för drönarupptäckt

Nuvarande system för drönarupptäckt förlitar sig på radar, kameror, infraröda sensorer eller mikrofoner. Var och en har allvarliga nackdelar. Radar har svårt med mycket små, långsamma mål och kan förväxlas av markstörningar. Optiska och infraröda kameror är beroende av klart väder och god sikt, och deras prestanda sjunker i dimma, regn eller mörker. Akustiska metoder är billiga men fungerar endast på korta avstånd och överröstas lätt av bakgrundsbrus. Visionbaserade djupa nätverk kan klassificera kända drönartyper, men kräver stora märkta dataset och kan misslyckas när de möter nya modeller eller avsiktligt påverkade förhållanden. Dessa svagheter skapar säkerhetsluckor i luftrummet, särskilt i tätbebyggda stads- eller låghöjdsområden.

Att lyssna på drönarens radioprat

I stället för att titta på eller höra drönaren själv fokuserar författarna på dess radiofrekvens (RF) styrsignaler — länken mellan drönaren och dess fjärrkontroll. Dessa signaler kan passera genom hinder, fungera i alla väder och plockas ofta upp tidigare och längre bort än vad drönaren kan ses. Enbart mätning av signalstyrka eller enkla spektra räcker dock inte för att skilja mellan olika drönarmodeller i en tät elektromagnetisk miljö. Teamet använder ett begrepp kallat multiskalig dispersionentropi, vilket i enkla termer spårar hur oförutsägbar och komplex signalen är när den betraktas över flera olika tidsfönster. Genom att tillämpa detta på fyra kanaler av RF-data (två per antennväg) komprimerar de varje signal till ett 12‑taligt ”fingeravtryck” som fångar hur just den drönarens kontrolllänk beter sig.

En smart sökning efter det bästa neurala nätverket

När de har dessa kompakta fingeravtryck matar författarna in dem i ett lättviktigt neuralt nätverk som avgör vilken av sex populära DJI-drönarmodeller som producerade signalen. En viktig innovation ligger i hur de ställer in detta neurala nätverk. I stället för att manuellt gissa interna inställningar eller endast förlita sig på standard gradientnedstigning använder de en optimeringsmetod inspirerad av lemmingars beteende i naturen. Denna ”artificiella lemmingalgoritm” föreställer sig en population av kandidatnätverk som djur som migrerar, gräver tunnlar, letar föda och flyr rovdjur, och utforskar därigenom rymden av möjliga viktinställningar och nätverksstorlekar. Över många iterationer zoomar denna process in på en konfiguration som minimerar klassificeringsfel, vilket undviker de lokala optima som ofta saktar ner eller förlamar traditionell träning.

Att testa metoden

Forskarna utvärderade sitt system på DroneRFa, ett stort öppet dataset med verkliga drönar‑RF‑signaler. De fokuserade på sex vida använda DJI-plattformar vars radioutrustning är likartad, vilket gör klassificeringsuppgiften mer utmanande. Från varje signal extraherade de 10 000 sampel, beräknade de multiskaliga entropifunktionerna för alla fyra kanaler och använde dessa 12 funktioner som indata till det optimerade neurala nätverket. Den nya metoden nådde en klassificeringsnoggrannhet på 97,2 %, och överträffade flera populära alternativ som också kombinerar neurala nätverk med olika optimeringsscheman (genetiska algoritmer, partikelsvärm och grey wolf-metoder) med ungefär 5–7 procentenheter. Lika viktigt var att deras system konvergerade mycket snabbare, nådde 90 % noggrannhet efter endast 65 träningsiterationer och krävde relativt få parametrar — vilket gör det lämpligt för realtidsdrift på kant‑enheter.

Att behålla noggrannheten i en brusig värld

Verkliga RF‑miljöer är röriga: Wi‑Fi, Bluetooth och otaliga andra enheter delar samma frekvensband. För att pröva robustheten tillsatte författarna avsiktligt starkt artificiellt brus till drönarsignalerna och sänkte signal‑till‑brus‑förhållandet stegvis ner till en nivå där signalen är lika stark som bruset. Konkurrerande funktionsuppsättningar baserade på ljudinspirerade koefficienter, enkla spektra eller konstellationsdiagram drabbades alla av kraftiga tapp i noggrannhet under sådana förhållanden. I kontrast försämrades de multiskaliga entropifunktionerna endast gradvis, och systemet identifierade fortfarande drönare korrekt 90 % av gångerna vid den hårdaste brusnivån som testades. Statistiska analyser visade att dessa funktioner gör ett bättre jobb med att separera olika drönartyper samtidigt som de håller varje typ konsekvent internt, vilket förklarar deras motståndskraft.

Vad detta innebär för säkrare luftrum

I vardagliga termer har författarna byggt ett verktyg för ”radiofingeravtryck” som kan lyssna på en drönarens dolda kontrolllänk, sammanfatta den till en liten mängd tal och använda ett effektivt inställt neuralt nätverk för att säga vilken modell som flyger — även när luftvågorna är trånga och brusiga. Jämfört med befintliga metoder är deras tillvägagångssätt mer träffsäkert, snabbare att träna och tillräckligt lättviktigt för att köras på modest hårdvara. Det gör det till en attraktiv byggsten för framtida system för trafikhantering på låg höjd och säkerhetsinstallationer runt flygplatser, gränser och känsliga objekt. Medan den aktuella studien riktar sig mot sex specifika modeller kan de underliggande idéerna — rika multiskaliga signalbeskrivningar tillsammans med smart optimering av enkla neurala nätverk — utsträckas till bredare drönarflottor och andra trådlösa enheter, och därigenom skärpa vår kontroll över en alltmer trafikerad himmel.

Citering: 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

Nyckelord: upptäckt av drönare, radiofrekvenssignaler, trådligt fingeravtryck, optimering av neurala nätverk, luftfartssäkerhet