Drones no supervisados Enjambre Characterization Using RF Signals Analysis and Machine Learning Methods es una publicación de acceso abierto trabajo por Nerya Ashush, Shlomo Greenberg, Erez Manor y Yehuda Ben-Shimol.

En la última década, los vehículos aéreos autónomos no tripulados (UAV) han suscitado una gran atención en los sectores académico e industrial. Los drones ofrecen numerosas ventajas, como aplicaciones civiles y militares, fotografía y videografía aéreas, cartografía y topografía, agricultura y gestión de catástrofes. Sin embargo, los recientes avances en la tecnología de los UAV también han dado lugar a su uso malintencionado, como la irrupción en zonas seguras como aeropuertos y la facilitación de actividades terroristas. El potencial de los sistemas de armamento autónomos para desplegar enjambres de drones en operaciones militares complejas suscita aún más preocupación.

El uso simultáneo de un gran número de drones mejora la fiabilidad de las misiones gracias a la redundancia, la capacidad de supervivencia, la escalabilidad y la mejora del rendimiento en entornos complejos. Esta investigación propone un enfoque novedoso para caracterizar y detectar enjambres de drones mediante el análisis de señales de RF (radiofrecuencia) combinado con diversas técnicas de aprendizaje automático. A diferencia de los métodos existentes centrados en la detección de un solo dron mediante aprendizaje supervisado, este estudio introduce un enfoque no supervisado para la caracterización de enjambres de drones.

El método propuesto aprovecha diversas firmas de RF de transmisores de drones. Los autores aplican varias transformadas de frecuencia, incluidas transformadas de dispersión continuas, discretas y wavelet, para extraer características de RF de las huellas dactilares de radiofrecuencia. A continuación, estas características se utilizan como entradas para clasificadores no supervisados. Para gestionar la dimensionalidad de los datos de entrada, los autores emplean técnicas de reducción de la dimensionalidad como el Análisis de Componentes Principales (ACP), el Análisis de Componentes Independientes (ACI), la Aproximación y Proyección Uniforme de Múltiplos (UMAP) y la Incrustación Estocástica de Vecinos t-Distribuida (t-SNE).

Su enfoque de agrupación utiliza métodos comunes no supervisados, incluidos los algoritmos K-means, Mean Shift y X-means. Su eficacia se ha evaluado utilizando conjuntos de datos de enjambres de drones tanto personalizados como estándar. Los resultados indican una precisión de clasificación de aproximadamente 95% incluso en condiciones de ruido blanco gaussiano aditivo con distintas relaciones señal-ruido (SNR).

Fecha de publicación- Febrero de 2023

Unsupervised Drones Swarm Characterization Using RF Signals Analysis and Machine Learning Methods contiene las siguientes secciones principales:

  • Introducción
  • Antecedentes y trabajos relacionados
  • Enfoque propuesto
  • Resultados experimentales
  • Resumen y conclusiones

Post Image Credit- Adobe Stock by lililia (Generado con IA)