Keine Zollgebühren - Wir erledigen alles. Alle preise inklusive Mehrwertsteuer, Versand und Zollabgaben.

Das Erkennen von Drohnen und drohnen signale stören in Städten ist schwierig

Wenn Radarsignale von den Wolken in die Straßen einer Stadt gelangen, gibt es plötzlich viele Objekte, die miteinander verwechselt werden können. Mit nur Entfernung, Geschwindigkeit und Richtung können Drohnen auf Radardisplays zwischen langsam fahrenden Autos, Radfahrern, einer Person, die joggt, oder sogar den sich drehenden Flügeln einer Klimaanlage leicht "in Sichtweite" versteckt werden.

Da Drohnen unter Sicherheitsgesichtspunkten immer beliebter und besorgniserregender werden, haben viele Projekte versucht, Systeme zu entwickeln, um sie zu erkennen. Während seiner Zeit als Programmmanager der Defense Advanced Research Projects Agency (DARPA) startete Jeffrey Krolik, Professor für Elektro- und Computertechnik an der Duke University, ein solches Projekt namens "Aerial Dragnet". Unter Verwendung eines Netzwerks von UAV, die über einem Stadtbild oder einem anderen großen, verteidigungsbedürftigen Gebiet schweben, blicken mehrere Arten von Sensoren in die Schluchten der Stadt und suchen nach Drohnen. Sie können von einem UAV Störsender gestoppt und bei Bedarf gestoppt werden . Das Projekt wurde kürzlich erfolgreich mit einem Stadttest in Rossyln, Virginia, abgeschlossen. Es bleibt jedoch eine Herausforderung, Drohnen von städtischen "Unordnung" zu unterscheiden.

Drohnen erkannt und UAV Störsender

Der Einsatz einer Flotte freundlicher Drohnen, um feindliche Drohnen zu finden, ist in einer Umgebung für eine Militäreinheit sinnvoll, die versucht, ein weites Stadtgebiet zu sichern. In Umgebungen, in denen der Schutz eines Anlagevermögens wie einer Botschaft, eines Krankenhauses oder eines Lagers das Ziel ist, ist jedoch ein System erforderlich, das einen Umkreis aus einem sicheren Abstand halten kann. Krolik wird erneut von DARPA finanziert und setzt auf Radar, maschinelles Lernen und spezielle Hardware, um ein Drohnen überwachungs system mit ausreichender Reichweite zu entwickeln, mit dem Drohnen erkannt und UAV stören werden können, bevor sie ein Schutzgebiet in einer Stadt erreichen.

"Es gibt Systeme, die die Signale erkennen können, die zur Steuerung von Standarddrohnen verwendet werden. Sie sind jedoch in der Regel recht teuer, und es gibt bereits kommerzielle Drohnen, die ohne Funksteuerung autonom geflogen werden können", sagte Krolik. "Wir brauchen Erkennungssysteme, die diese Dinge überall und jederzeit erkennen können, unabhängig davon, wie sie gesteuert werden."

Während ein Computer darauf trainiert werden kann, eine Drohne visuell zu erkennen, hätte ein optisches System eine sehr begrenzte Reichweite. Eine Teleskoplinse könnte verwendet werden, aber dann wäre ihr Sichtfeld stark eingeschränkt. Stattdessen wendet sich Krolik der gleichen Technologie zu, die im Zweiten Weltkrieg das Blatt gegen Luftfeinde gewendet hat - Radar. Die Technologie der 1940er Jahre wird jedoch mithilfe einer Art maschinellen Lernens namens Deep Neural Networks (DNN) in den 2020er Jahren aktualisiert.

Kroliks Idee ist es, eine Radarantenne einzurichten, um den Bereich der überwachten Stadtlandschaft abzutasten. Innerhalb weniger Tage oder Wochen trainiert sich der DNN in Abwesenheit von Drohnen darin, zwischen Autos, Fahrrädern, Personen und anderen Objekten zu unterscheiden, indem er deren Kinematik lernt, die auch in den Radarrückläufen als "Mikro-Doppler" angesehen wird als die Wege, die sie nehmen, um sich durch den Raum zu bewegen.

"Die meisten Systeme werden in einem Labor entwickelt, um ins Feld gebracht zu werden", sagte Krolik. "Dieser lernt aus seiner Umgebung, weil eine Drohne die meiste Zeit nicht da ist."

Beispielsweise folgen Autos im Allgemeinen Pfaden, die durch Straßen definiert sind. Während Fahrräder und Fußgänger eine variablere Dynamik aufweisen, sind ihre Mikro-Doppler-Signaturen sehr unterschiedlich. Mit der Zeit lernt der Algorithmus, welche Radarsignale für einen bestimmten Raum normal sind. Wenn eine Drohne vorbeifliegt und eine Propellerbewegung und -trajektorie aufweist, die sich stark von der normalerweise in der Region üblichen unterscheidet, wird ein Alarm ausgelöst.

Bisher funktioniert es. Auf dem Campus von Duke konnte das System in 98 Prozent der Fälle Drohnen im Vergleich zu Radfahrern, Fußgängern, Autos und anderen Objekten erfolgreich klassifizieren.

Um es klar auszudrücken, Krolik und sein Team fliegen nicht zu jeder Tages- und Nachtzeit UAV über den Campus. Stattdessen trainieren sie den Algorithmus, um den normalen Verkehr im Parkhaus des Science Drive zu lernen und Daten von einer Drohne zu sammeln, die in Duke Forrest fliegt. Anschließend setzen sie die Daten rechnerisch zusammen und lassen den DNN an dem resultierenden Mashup arbeiten.