< Terug naar vorige pagina

Project

Drone-detectie, classificatie en neutralisatie door middel van kunstmatige intelligentie op basis van RF-detectie en protocolbewuste jamming

Op afstand bestuurde mini vliegtuigsystemen (RPAS-Mini remotely piloted aircraft systems) vormen een bedreiging voor de nationale veiligheid. De laatste jaren is de dreiging steeds actueler geworden door de brede beschikbaarheid van drones en de verschillende illegale incidenten op verschillende beveiligingsgevoelige plaatsen zoals luchthavens, nationale campagnes en internationale sportevenementen. De kleine radardoorsnede van minidrones maakt ze moeilijk te detecteren door de bestaande radars. Evenzo maakt de gelijkenis van drone met vogels het moeilijk om te worden gedetecteerd door visuele detectie. Integendeel, passieve RF-detectie kan drones van een groter bereik detecteren en is minder afhankelijk van het weer. Het doel van dit doctoraatsonderzoek is het bestuderen en ontwikkelen van een RF-gebaseerde detectie-uitschakel-keten om de drone te detecteren en te neutraliseren. Het onderzoek zal worden verdeeld in 2 delen: (i) Detectie en classificatie van dronesignalen, en (ii) Drone-neutralisatie door een protocolbewust stoorsignaal. Het eerste deel van het onderzoek gaat over de detectie en classificatie van het signaal dat wordt gebruikt voor de communicatie tussen drone en besturingsapparaat. Een drone voert bidirectionele communicatie uit met zijn besturingsapparaat met behulp van het commando- en besturingssignaal, videosignaal en telemetriesignaal. In het algemeen zijn de signalen frequentie-hopping spread spectrum (FHSS) of direct sequence spread spectrum (DSSS), werkend op 2,4 GHz of 5,8 GHz ISM-band. Het is mogelijk om de aanwezigheid van drone en de operator alleen te detecteren door een van deze signalen te detecteren met behulp van een blinde energiedetectietechniek. In de aanwezigheid van interferentie (bijvoorbeeld wifi of toegangspunten) wordt het echter heel moeilijk om het signaal van een drone te identificeren met behulp van een bestaande spectrumdetectiemethode. Het eerste doel van dit onderzoek is het ontwikkelen van een detectie- en classificatiemethode op basis van kunstmatige intelligentie om het signaal van een drone te identificeren in aanwezigheid van interferentie. Diepgaande (deep learning) leermodellen kunnen worden gebruikt om het type modulatie te classificeren en de opdracht en besturing, telemetrie en videosignaal verder te onderscheiden. Het detectie- en classificatie-algoritme moet ook in staat zijn het type drone te classificeren op basis van de tijd- en frequentiesignatuur van het signaal. Naast detectie en identificatie is het belangrijk om de drone te neutraliseren voor veiligheidsdoeleinden. Het tweede deel van dit onderzoek zal zich richten op drone-neutralisatie door RF-storing. De bestaande RF-jammer blokkeert de volledige frequentieband die door de drone wordt gebruikt met een hoog vermogen ruissignaal. Hij neutraliseert de drone, maar veroorzaakt ook interferentie met alle RF-communicatiesystemen in de omgeving, waardoor het onmogelijk wordt om het te gebruiken op openbare plaatsen. Het doel van het tweede deel van dit onderzoek is het ontwikkelen van een slimme RF-jammer om de drone te neutraliseren met een minimale interferentie met elk systeem of elke service in de omgeving. Het idee is om protocolbewust stoorsignaal uit te voeren met behulp van de kennis uit de classificatiefase met het laagst mogelijke zendvermogen. Directionele storing wordt uitgevoerd met behulp van een directioneleantenne. Het jammen omvat drone-lokalisatie en tracking.

Datum:9 aug 2019  →  Heden
Trefwoorden:Spectrum monitoring, Protocol aware jamming, Deep learning
Disciplines:Microgolf- en millimetergolftechnologie, Signaalverwerking
Project type:PhD project