Колко точни са детекторите на дрони при идентифициране на FPV БЛА в сложни райони?

Разбиране на точността на детекторите за дронове в реални градски среди

Определяне на точността в контекста на системи за засичане на дронове

Точността на детекторите за дронове в крайна сметка се свежда до това колко добре могат да засичат реални безпилотни летателни апарати, без да дават лъжливи сигнали за птици, прелитащи над главата, странни метеорологични явления или целия случаен електронен шум, който се случва всеки ден в градовете. Когато разглеждаме какво прави тези системи ефективни, изпъкват три основни фактора: на какво разстояние могат да засичат дронове (обикновено между 1 и 5 километра с радиочестотни сензори), колко сигурни са при идентифицирането на целите (повечето системи постигат точност над 85% на места като електроцентрали или летища) и колко бързо реагират, след като се появи нещо подозрително (идеално под пет секунди, за да може охраната да реагира, преди да е нанесена вреда). Въпреки това, реалното тестване разкрива различна картина. В лаборатории се получават отлични резултати, но щом се появи отразяването на сигнали от сгради в гъсто населени градски райони, нещата бързо стават сложни. Наскорошно проучване от миналата година показа, че такъв тип смущения намалява успешните идентификации с около една трета в много пренаселени градски пространства.

Ключови фактори, влияещи на производителността на детекторите на дронове в градски условия

Три основни фактора определят ефективността на засичане в градовете:

1. Геометрия на разположението на сензорите : Стратегически ъгли на инсталиране помагат за намаляване на блокирането на сигнала, причинено от сгради
2. Околната интерференция : Мобилни предаватели и Wi-Fi мрежи създават фонов шум в радиочестотния диапазон над -80 dBm, което прикрива по-слабите сигнали от FPV дронове
3. Спецификации на дроновете : Конструкции с нисък радарен отразен профил (RCS) и микро БЛА под 500 грама затрудняват традиционните радарни системи

Проучване от 2023 г. установи, че радиочестотните сканиращи устройства засичат само 61% от аналоговите FPV дронове на 5,8 GHz в градски райони, спрямо 92% в открит терен, поради предизвикателствата, свързани със съотношението сигнал към шум ( Проучване на засичане на дронове в градска среда ).

Разликата между точността при засичане на дронове в лабораторни условия и в реални условия

Производителите често посочват точност над 95% при идеални лабораторни условия с непречени траектории на полет. Въпреки това, данните от 142 градски екипа за сигурност показват значително влошаване на представянето:

Тази разлика се дължи на непредвидими фактори, като временни строежи, излъчващи аномални РЧ сигнатури. За преодоляването ѝ водещите доставчици насърчават използването на комбинирани сензори, които обединяват РЧ анализ с радарна обработка, подсилена от изкуствен интелект.

Характеристики на сигнала на FPV БЛА и предизвикателствата при засичането им

Как FPV дроновете използват радиочестотни, мобилни и сателитни връзки за управление и предаване на видео

Повечето FPV дронове разчитат на радиочестотни връзки, най-често работещи в диапазоните 2,4 GHz и 5,8 GHz, за осъществяване на реално време управление и предаване на видео. По-евтините дронове все още използват аналогови системи, докато по-скъпите цифрови HD опции разполагат с по-добри кодери, които могат да намалят латентността под 30 милисекунди. Някои нови модели започват да включват връзки с мобилни мрежи за полети извън зрителния обхват, но тази функция е приета само от около 12% от комерсиалните FPV конфигурации поради проблеми с инфраструктурата, според Drone Defense Quarterly от миналата година. Сателитните връзки в момента са доста необичайни и обикновено се използват само когато мисиите изискват преодоляване на разстояния над 50 километра. Проблемът е, че сателитите добавят забележимо закъснение, което ги прави непрактични за бързи маневрени полети, където най-важно е бързото реагиране.

Сигнални характеристики, които затрудняват радиочестотното засичане на FPV БПЛА

Системите FPV използват три ключови сигнали, които затрудняват засичането:

• Ниска предавателна мощност : 90% от аналоговите FPV предаватели работят под 600 mW, за да избегнат регулаторно внимание
• Честотна мобилност : 74% от дроновете за състезания автоматично превключват между повече от 40 канала в диапазона 5,8 GHz
• Импулсно предаване : Цифровите системи компресират видеото в кратки импулси с продължителност под 4 ms

В градовете многопътното интерференционно смущение допълнително влошава отношението сигнал-шум в радиочестотния диапазон с 60–80% в сравнение с открити територии (Проучване на разпространението на сигнали в урбанизирани райони, 2024).

Сигнали с ниска мощност и скоклива честота в системите FPV: Тактики за избягване?

Повечето дронове с първо лице (FPV), налични на пазара днес, използват слабомощни системи под 1 ват, заедно с технология за честотно скоково разпространение (FHSS), която им помага да избягват засичане. Според скорошно проучване, публикувано в началото на 2024 г., детекторите на сигнали пропускат тези дронове с FHSS много по-често от очакваното. Степента на фалшиво отрицателен резултат нараства от едва 5 процента до цели 43 процента в райони с натоварени и оживени радиочестоти. Въпреки това, има и недостатък. Същите тези скривани характеристики идват с цена. Операторите установяват, че обхватът на управление намалява между 35 и дори 60 процента, така че винаги съществува баланс между оставането скрити и осигуряването на надеждно управление на дрона по време на операциите.

Кейс студия: Анализ на аналогов FPV при 5,8 GHz спрямо цифрови HD системи (DJI O3, Walksnail)

Полевите тестове показват, че аналоговите системи могат да бъдат засечени на разстояния, които са 1,8 пъти по-големи в сравнение с цифровите еквиваленти, но прекъсващите сигнали на цифровите HD системи избягват 34% повече алгоритми за автоматично засичане.

Околните и операционни пречки за засичане на FPV дронове в градовете

Физически ограничения при засичането на дронове с нисък радарен отразен профил (RCS) и ниско ниво на полет в градове

Съвременните FPV дрони идват с малки рамки под 50 см в диаметър и са изработени от леки композитни материали, които намаляват радиолокационния им отпечатък с около две трети до четири пети в сравнение с по-големите търговски модели. Когато тези малки машини летят на височина под 50 метра, те практически изчезват сред всички наземни смущения, поради което стандартните радари имат затруднения да ги засекат. Системите за визуално разпознаване също срещат допълнителни проблеми, тъй като сгради, дървета и други конструкции често пречат. Според анализ на сигнали от миналата година, когато пилотите на FPV дрони задържат летателните си апарати на ниска височина и използват естествените релефни форми за прикритие, им се удърява да избягват засичане от около три четвърти от обхватa, който повечето обикновени детектори на дрони могат да наблюдават.

Градско замърсяване и многопътни интерференции, които влошават RF и радарното засичане

Градските зони имат много високо фоново ниво на електромагнитен шум, около 15 до 22 децибела, което затруднява важните FPV сигнали за управление на 2,4 GHz и 5,8 GHz да се предават правилно. Бетонните сгради навсякъде създават множествени пътни грешки, достигащи над 40 метра, когато се опитваме да локализираме обекти чрез радиочестоти. И нека не забравяме всички останали безжични мрежи, които постоянно заемат около 92% от достъпната честотна лента. Наскоро проведено проучване за начина, по който градовете се справят с дроновете, разкрива интересен факт: автоматизираните системи често се объркват и приблизително в една трета от случаите бъркат истинските FPV видео потоци с обикновени Wi-Fi или Bluetooth сигнали. Това показва защо използването само на един тип сензор не е достатъчно ефективно в сложни среди като съвременните градове.

Скорост и маневреност на състезателни дронове намаляват прозорците за откриване

FPV състезателните дронове са сериозно бързи машини, способни да достигат скорости над 120 километра в час и да извършват рязко завои само за 100 милисекунди. Това оставя операторите с едва осем секунди, за да реагират, преди нещо да се случи. Повечето сензорни системи отнемат около 12 до 15 секунди за обработване на информацията, което е твърде бавно, когато се опитвате да проследите няколко дрона едновременно. Софтуерът за откриване трябва да анализира повече от 80 различни фактора само за три секунди, ако иска да поддържа точност над 90% при идентифицирането на целите. За съжаление, тази тежка работна нагрузка причинява проблеми в реални градски среди, където броят на фалшивите отрицателни резултати нараства с около 27%, което прави задачата още по-трудна за всеки, който се опитва да следи тези малки летящи състезатели.

Развитие на RF и мулти-модално откриване за подобряване на идентификацията на дронове

Принципи на откриване чрез RF, използващо наблюдение на спектъра

Повечето спектрални анализатори се фокусират върху наблюдението на честоти в диапазона от 2,4 GHz до 5,8 GHz, тъй като около три четвърти от всички FPV дронове работят в тези ленти. Когато разглеждаме как функционират тези устройства, те по същество изучават неща като модели на модулация и промени в силата на сигнала, за да установят какво прави всеки дрон различен от другите. Проучванията в областта на радиочестотното засичане всъщност показват, че този вид анализ е основа за много от регламентите за дистанционно идентифициране (Remote ID), които в момента се прилагат в различни юрисдикции. Наскорошни изследвания потвърждават това. Един конкретен анализ, проведен миналата година, установи, че когато се комбинира с методи на машинно обучение, сензорите могат да разграничават сигналите на дроновете от обикновен градски Wi-Fi около 94 пъти от 100, което е доста впечатляващо, имайки предвид колко претоварени са нашите безжични среди.

Определяне на посоката и точност на геолокацията в среда с гъста сигнална плътност

Мултипътното разпространение в градовете намалява точността на геолокацията с 40-60%. Напреднали системи използват фазирани антенни решетки и алгоритми за разлика във времето на пристигане (TDoA), но все пак бетонни препятствия могат да причинят позиционни грешки над 30 метра за слаби FPV сигнали.

Защо разчитането само на един метод за откриване не работи в сложни райони

Няма една-единствена технология, която осигурява надеждно откриване на дронове в градски условия: радарите имат затруднения с рамки от въглеродно влакно, оптичните системи не работят при лоша видимост, а РЧ сензорите не могат да проследяват дронове без радиосигнал. Полеви тестове потвърждават, че самостоятелните системи пропускат 35% от вторженията, засечени от многосензорни масиви.

Синергия между РЧ, радар и EO/IR системи за надеждно откриване на дронове

Интегрирането на идентифициране на РЧ сигнали (90% специфичност), радарно определяне на разстояние (до 3 км) и електрооптично/инфрачервено (EO/IR) потвърждение намалява лъжливите аларми с 72%. Радарът осигурява наблюдение на 360°, докато EO/IR позволява визуално различаване между дронове и птици.

Тенденция: Мрежови RF сензори и фузиране на данни за проследяване в реално време

Мрежови RF сензори с крайно изчисление постигат закъснение при отговор под 500 мс. Централизирано ИИ корелиране на RF, радарни и топлинни данни подобри точността на прогнозиране на траекторията до 88% при полеви изпитвания през 2023 г.

Визуално засичане с ИИ: Модели YOLO и работни резултати

Ролята на дълбокото обучение за подобряване на визуалната идентификация на FPV дронове

За засичане на FPV дронове с помощта на електрооптични или инфрачервени сензори, методите за дълбоко обучение са се оказали незаменими. Вземете например YOLOv7 и YOLOv8 – тези архитектури използват нещо наречено разширени ефективни мрежи за агрегиране на слоеве, или накратко E ELAN. Според проучване, публикувано в Nature миналата година, те успяват да обработват изображения приблизително с 28 процента по-бързо в сравнение с предишните версии, без да падат под точност от 91% при тестовете. Това, което ги отличава, е способността им да различават FPV дронове от птици, като просто наблюдават как се въртят роторите и откриват онези характерни сигнали, които обикновените птици просто не произвеждат. Тази възможност е от голямо значение в реални ситуации, където разграничаването между истински заплахи и невинна дива природа може да спести време и ресурси по време на операции по наблюдение.

Производителност на базирани на YOLO модели при детектиране на дронове в реално време от EO потоци

Градските условия представляват особени предизвикателства за откриване на дрони, където YOLOv10 постига около 86% точност при засичане на FPV дрони на височина под 150 метра. Въпреки това, нещата стават по-сложни на по-големи височини, като показателят за откриване пада до само 63%, тъй като тези малки летателни апарати стават по-трудни за виждане на фона на небето. Някои скорошни тестове разкриха нещо интересно – когато комбинираме компютърното зрение на YOLO с радарна информация, броят на лъжливите сигнали намалява почти наполовина, като тези 41% по-малко грешки действително се набиват в очи. И нека не забравяме и за скоростта. Системата обработва 4K запис доста добре, като изисква само 33 милисекунди на кадър, което е достатъчно бързо за повечето сигурностни приложения, нуждаещи се от незабавни времена на реакция.

Предизвикателства при обучението: Наличност на публични набори от данни за дрони

Липсата на разнообразни обучащи данни наистина пречи при опитите за ефективно внедряване на тези системи. Вече съществуват някои набори от данни, като DroneRF с около 15 000 RF примера и MultiDrone, съдържащ приблизително 8200 анотирани EO изображения. Но при по-внимателен анализ установяваме, че по-малко от 12 процента всъщност обхващат точно онези специфични FPV ситуации, за които всички постоянно говорят днес – неща като внезапни промени в посоката на движение по време на полет или справяне с честотното скакане, което създава смущения. Поради тази липса повечето разработчици се оказват в ситуация да създават приблизително три четвърти от своите обучаващи данни чрез симулационни методи. И нека да сме честни – този подход често насочва моделите към предпочитане на изкуствени сценарии вместо реални условия, с които те ще се сблъскат на терена.

Анализ на противоречия: Преобръщане в контролирани набори от данни срещу устойчивост в полеви условия

Когато моделите за визуално разпознаване се обучават с внимателно подбрани набори от данни, те обикновено постигат точност над 90% в контролирани лабораторни условия. Но когато бъдат използвани в реални градски среди, тяхната ефективност рязко спада до някъде между 58% и 67%. Изследователи от 2024 г. установиха интересен факт относно моделите, изградени с данни от VisioDect – те имат тенденцията прекомерно да се фокусират върху определени условия на осветление. Проучването показа значително понижение с цели 29% в ефективността през залез-слънце в сравнение с ясни дневни условия. Много експерти в областта сочат, че съществуващите методи за тестване на тези системи пропускат доста очевидни трикове, използвани от оператори на FPV. Елементи като специални отразяващи материали по дроновете или непредсказуеми модели на движение напълно заобикалят стандартните методи за откриване, което поражда сериозни въпроси относно истинската надеждност на тези системи при разверзване извън тестови среди.

Често задавани въпроси (ЧЗВ)

• Какви са основните предизвикателства за откриване на дронове в урбанизирани среди? Градските среди представляват предизвикателства като смущения в сигнала, причинени от сгради, високи нива на RF шум от мобилни кули и Wi-Fi мрежи и ограничения поради дронове с нисък радарен отражателен профил (RCS).
• Защо реалната точност на детекторите на дронове е по-ниска в сравнение с лабораторни условия? Реалната точност се влияе от непредвидими фактори като временни строителни площадки, излъчващи RF сигнатури, и градско претрупване, което води до смущения в сигнала – нещо, което значително се различава от контролираните условия в лабораториите.
• Как FPV дроновете използват RF сигнали? FPV дроновете обикновено използват RF сигнали в диапазоните 2,4 GHz и 5,8 GHz за реално време управление и предаване на видео, въпреки че някои могат да интегрират клетъчни и сателитни връзки за операции на по-голямо разстояние.
• Какво прави FPV дроновете трудни за откриване? FPV дроновете са трудни за откриване поради ниска предавателна мощност, гъвкавост по честота и импулсно предаване. Тези характеристики позволяват по-добро избягване в претъпкани RF среди.