< Terug naar vorige pagina

Project

Detectie en classificatie van drones met behulp van kunstmatige intelligentie op basis van RF-detectie

Recente technologische ontwikkelingen en de groeiende populariteit van drones hebben geleid tot veel nuttige toepassingen in verschillende sectoren. Hun wijdverspreide beschikbaarheid heeft echter geleid tot een toename van illegale activiteiten. Het implementeren van effectieve Counter-UAS (C-UAS) is essentieel om kritieke infrastructuur te beschermen, regelgeving te handhaven en smokkelwaarleveringen te voorkomen. Door ongeautoriseerde drones snel te identificeren, kunnen autoriteiten de nodige acties ondernemen om een verantwoord gebruik van drones te garanderen en potentiële aansprakelijkheden en risico's in verband met misbruik te beperken. Detectie van drones op basis van radiofrequentie (RF) is van groot belang bij het tegengaan van illegaal gebruik van drones vanwege de effectiviteit en veelzijdigheid ervan. RF-detectiesystemen monitoren de RF-signalen die door een drone en zijn grondcontrolestation (GCS) worden uitgezonden om ze te detecteren en te classificeren. Conventionele classificatiealgoritmen worden echter geconfronteerd met aanzienlijke uitdagingen bij het nauwkeurig classificeren van RF-protocollen van drones vanwege de prevalentie van veelgebruikte RF-communicatiesystemen, zoals Wi-Fi en Bluetooth, die in dezelfde frequentiebanden werken (2,4 GHz en 5 GHz ISM-banden) en gebruikmaken van vergelijkbare modulatietechnieken zoals spread spectrum modulatie. Dit onderzoek richt zich op deze uitdagingen door gebruik te maken van algoritmen op basis van kunstmatige intelligentie (AI) om RF-protocollen voor drones automatisch te detecteren en classificeren. We bereiken onze onderzoeksdoelstelling met de volgende vijf belangrijke bijdragen: (1) Ten eerste wordt een nieuwe en gedetailleerde RF-database gecreëerd met behulp van commerciële RF- en Wi-Fi-communicatiesignalen van drones. Deze database vergemakkelijkt de ontwikkeling van een Deep Learning (DL)-gebaseerd detectie- en classificatieraamwerk, waarmee de afwezigheid van een open-source RF-drone database voor het trainen van dergelijke raamwerken wordt aangepakt. (2) Ten tweede stelt dit proefschrift RF-signaaldetectie, kenmerkextractie en gelijktijdige classificatie voor met behulp van het You Only Look Once (YOLO) raamwerk. We ontwikkelen een YOLO-raamwerk om meerdere signalen tegelijkertijd te detecteren en te classificeren, zelfs bij lage SNR-omstandigheden. (3) Ten derde wordt na signaaldetectie en kenmerkextractie nieuwheidsdetectie uitgevoerd om te bepalen of het gedetecteerde signaal bekend is bij de classificator of nieuw is. (4) Ten vierde wordt in dit proefschrift een op het residuele netwerk gebaseerd model voorgesteld om de RF-protocollen voor drones te classificeren. (5) Tot slot ontwikkelen we een raamwerk voor spectrumvoorspelling om de toekomstige tijd- en frequentiesequenties voor slimme RF-storing te voorspellen.

Datum:9 aug 2019 →  6 dec 2023
Trefwoorden:Spectrum monitoring, Protocol aware jamming, Deep learning
Disciplines:Microgolf- en millimetergolftechnologie, Signaalverwerking
Project type:PhD project