Drones sem supervisão Enxame Characterization Using RF Signals Analysis and Machine Learning Methods é uma publicação de acesso aberto trabalho por Nerya Ashush, Shlomo Greenberg, Erez Manor e Yehuda Ben-Shimol.

Ao longo da última década, os veículos aéreos autónomos não tripulados (UAV) têm atraído uma atenção significativa dos sectores académico e industrial. Os drones oferecem inúmeras vantagens, incluindo aplicações civis e militares, fotografia e videografia aéreas, cartografia e topografia, agricultura e gestão de catástrofes. No entanto, os recentes avanços na tecnologia dos UAV também levaram à sua utilização maliciosa, como a violação de áreas seguras, como aeroportos, e a facilitação de actividades terroristas. A possibilidade de os sistemas de armamento autónomos utilizarem enxames de drones para operações militares complexas suscita ainda mais preocupações.

A utilização de um grande número de drones em simultâneo aumenta a fiabilidade da missão através de redundância, capacidade de sobrevivência, escalabilidade e melhor desempenho em ambientes complexos. Esta investigação propõe uma nova abordagem para caraterizar e detetar enxames de drones através da análise de sinais de RF (radiofrequência) combinada com várias técnicas de aprendizagem automática. Ao contrário dos métodos existentes que se concentram na deteção de um único drone usando aprendizagem supervisionada, este estudo introduz uma abordagem não supervisionada para a caraterização de enxames de drones.

O método proposto tira partido de diversas assinaturas de RF de transmissores de drones. Os autores aplicam várias transformadas de frequência, incluindo transformadas contínuas, discretas e de dispersão wavelet, para extrair caraterísticas de RF de impressões digitais de radiofrequência. Essas caraterísticas são então usadas como entradas para classificadores não supervisionados. Para gerir a dimensionalidade dos dados de entrada, os autores empregam técnicas de redução da dimensionalidade, como a análise de componentes principais (PCA), a análise de componentes independentes (ICA), a aproximação e projeção uniforme de formas (UMAP) e a incorporação de vizinhos estocásticos distribuídos (t-SNE).

A sua abordagem de agrupamento utiliza métodos comuns não supervisionados, incluindo os algoritmos K-means, Mean Shift e X-means. A sua eficácia foi avaliada utilizando conjuntos de dados de enxames de drones personalizados e padrão. Os resultados indicam uma precisão de classificação de aproximadamente 95%, mesmo em condições de ruído branco gaussiano aditivo com diferentes rácios sinal-ruído (SNR).

Data de publicação- fevereiro de 2023

Unsupervised Drones Swarm Characterization Using RF Signals Analysis and Machine Learning Methods contém as seguintes secções principais:

  • Introdução
  • Antecedentes e trabalhos relacionados
  • Abordagem proposta
  • Resultados experimentais
  • Resumo e conclusões

Crédito da imagem do post - Adobe Stock por lililia (Gerado com IA)