Drones non supervisés Essaim Characterization Using RF Signals Analysis and Machine Learning Methods est une publication en libre accès. travail par Nerya Ashush, Shlomo Greenberg, Erez Manor et Yehuda Ben-Shimol.

Au cours de la dernière décennie, les véhicules aériens autonomes sans pilote (UAV) ont fait l'objet d'une attention particulière de la part des secteurs universitaires et industriels. Les drones offrent de nombreux avantages, notamment des applications civiles et militaires, la photographie et la vidéographie aériennes, la cartographie et l'arpentage, l'agriculture et la gestion des catastrophes. Toutefois, les progrès récents de la technologie des drones ont également conduit à leur utilisation malveillante, notamment pour pénétrer dans des zones sécurisées telles que les aéroports et faciliter les activités terroristes. La possibilité pour les systèmes d'armes autonomes de déployer des essaims de drones dans le cadre d'opérations militaires complexes suscite également des inquiétudes.

L'utilisation simultanée d'un grand nombre de drones améliore la fiabilité des missions grâce à la redondance, à la capacité de survie, à l'évolutivité et à l'amélioration des performances dans des environnements complexes. Cette recherche propose une nouvelle approche pour caractériser et détecter les essaims de drones en analysant les signaux RF (radiofréquence) combinés à diverses techniques d'apprentissage automatique. Contrairement aux méthodes existantes axées sur la détection d'un seul drone à l'aide de l'apprentissage supervisé, cette étude introduit une approche non supervisée de la caractérisation des essaims de drones.

La méthode proposée exploite les diverses signatures RF des émetteurs de drones. Les auteurs appliquent diverses transformées de fréquence, y compris des transformées de diffusion continues, discrètes et en ondelettes, pour extraire les caractéristiques RF des empreintes de radiofréquence. Ces caractéristiques sont ensuite utilisées comme entrées pour des classificateurs non supervisés. Pour gérer la dimensionnalité des données d'entrée, les auteurs emploient des techniques de réduction de la dimensionnalité telles que l'analyse en composantes principales (ACP), l'analyse en composantes indépendantes (ICA), l'approximation et la projection uniformes du manifold (UMAP) et l'intégration des voisins stochastiques distribués (t-SNE).

Leur approche de regroupement utilise des méthodes non supervisées courantes, notamment les algorithmes K-means, Mean Shift et X-means. Son efficacité a été évaluée à l'aide d'ensembles de données d'essaims de drones standard et personnalisés. Les résultats indiquent une précision de classification d'environ 95%, même dans des conditions de bruit blanc additif gaussien avec des rapports signal-bruit (RSB) variables.

Date de publication- Février 2023

Unsupervised Drones Swarm Characterization Using RF Signals Analysis and Machine Learning Methods (Caractérisation non supervisée des essaims de drones à l'aide de l'analyse des signaux RF et de méthodes d'apprentissage automatique) contient les sections principales suivantes :

  • Introduction
  • Contexte et travaux connexes
  • Approche proposée
  • Résultats expérimentaux
  • Résumé et conclusions

Crédit photo : Adobe Stock par lililia (Généré par l'IA)