摘要：

本文概述了被動無人機的檢測。開發了基于SDR的便攜式通用軟件無線電外圍設備（USRP）原型，用于在兩種情況下進行檢測。在無人機與地面控制器通信的情況下，采用無人機信號的循環平穩性特征和偽多普勒原理。對于無人機不發送任何信號的情況，利用RF信號生成的微多普勒簽名進行檢測和識別。

引言：

近年來，由于成本降低，民用無人機的使用急劇增加。同樣，無人駕駛飛機正在世界范圍內迅速流行。然而，無人機的使用有問題的方式引起了公眾的關注。例如，2016年3月，一架漢莎航空的飛機在洛杉磯國際機場附近與一架無人機相撞200英尺內；2015年4月，一架無人機在新加坡聯邦車站附近的地鐵軌道上掉落；2015年1月，一架無人機在白宮墜毀，引發了對政府大樓安全隱患的擔憂；無人機被指控侵犯隱私權甚至進行犯罪活動[1]。這些事件充分說明了為可疑無人機開發監視系統至關重要。為此目的，促使采用無人機檢測方法并估計其到達角度（AoA）。此外，同樣重要的是，該方法應將無人機與其他飛行物體（例如鳥類）區分開。本文概述了兩種情況下的無人駕駛無人機檢測和分類及其AoA估計：無人機與地面控制器通信的情況以及無人機不發送任何信號的情況。主要貢獻是。首先，我們對各種無人機檢測方法進行了詳盡的文獻調查；其次，通過使用現成的硬件，我們設計了一個便攜式且實用的原型，具有較低的復雜性。

文章的結構安排如下。我們調查了各種檢測方法。當無人機發送下行信號時，我們提出了被動檢測和AoA估計。我們討論了使用第三方RF信號進行的無源無人機分類。

檢測方法：

在學術界和工業界已經提出了許多不同的無人機檢測方法。首先，使用基于視頻的方法[2]。它可以提供視覺圖像。主要缺點是它在惡劣的天氣條件下不能很好地工作，并且不適用于夜間。而且，無人機的體積很小，而且飛行速度很慢。因此，有時很難區分無人機與鳥類。為了進行夜間檢測，開發了通過熱像儀進行紅外感應的方法[3]。。無人機發出的熱量通過分析熱圖像用于檢測。但是，小型無人機的有效檢測范圍通常為幾米，因為小型無人機不會產生大量熱量。基于音頻的檢測已用于無人機檢測[4]。市場中不同無人機的聲學特征被收集到數據庫中，并與記錄的特征進行比較以找到匹配的地方。嘈雜的城市環境和城市交通給使用這種方法帶來了挑戰。此外，可以輕松更改無人機的噪聲特征。由于許多包括無人機在內的低端商用無人機（UAV）具有可識別的服務集標識符（SSID）和可廣播的MAC地址，因此基于媒體訪問控制（MAC）地址的檢測方法已被視為可能的候選方法[5]。 ]。挑戰在于維護所有制造無人機的數據庫。并且可以修改端口，并且可以輕松地欺騙MAC地址以避免檢測到。

另一種技術是基于雷達特征的檢測[6]。在這種方法中，觀察目標的雷達截面（RCS）測量以進行檢測。具體而言，來自專用雷達的無線電波被發射，并且以RCS為特征的目標反射率用于驗證它是否是無人機。但是，由于無人機的尺寸以及它們主要由低電導率材料（例如塑料，橡膠和泡沫）制成的事實，無人駕駛飛機是基于RCS的檢測目標，因此降低了RCS。商業無人機通常在低空運行，這也使基于RCS的檢測具有挑戰性。

最后，基于射頻的載波方法提供了一種強大而有效的無人機檢測方法[7]因為它可以在任何天氣條件下晝夜工作。通常，基于RF的檢測有兩種方法：主動檢測和被動檢測。主動方法類似于基于RCS的檢測，后者要求專門設計的發送器和接收器以協作方式進行操作。發射器廣播射頻信號，而接收器收聽并捕獲來自無人機的反射信號。然后分析反射的信號，該信號可能包含由飛行的無人機引起的某些獨特特征，然后對其進行分析，以確認無人機的存在及其物理特性。一個典型的示例是使用由提供速度信息的空中目標引起的多普勒效應，從而實現對飛行物體的檢測。這里，[8]。在無源方法中，沒有專用的發射器。僅需要接收機來收聽和分析由無人機產生的電磁波，或者由第三方RF發射機產生并由無人機散射的電磁波。因此，與主動檢測不同，在主動檢測中，發射機是為方便檢測而定制的，而在接收器和EM生成器之間就沒有用于被動檢測的合作。與主動方法相比，被動檢測在硬件和軟件要求方面具有較低的成本（例如，代替大功率電源，只需要一個電池），操作和維護，便攜性和易于部署，具有回彈力的優勢。 ， 等等。因此，本文重點介紹被動方法，它包括兩種情況，即表1概述了討論的各種檢測方法。

通過無人機下行視頻信號進行被動監視

在無人機發送RF信號的情況下，可以通過監聽無人機與其地面控制器之間的通信來實現無人機監視。從技術上講，該系統可以通過使用無線接收器處理從無人機發送到其控制器的數據來檢測無人機并估計其AoA。由于大多數商用無人機都經常與其控制器通信以更新狀態并接收命令，因此無人機及其控制器之間始終存在數據鏈接。因此，RF接收機可以收集無線數據樣本，對其進行分析，并檢測無人機的存在。

無人機與地面控制器間的通信

無人機系統通常包括三個組件：無人機，其控制器和移動智能手機。控制器是與無人機通信的主要來源。無人機從控制器接收信號以管理其飛行狀態，例如沿著所需軌跡移動。以下是無人機與其控制器[9]之間的三個主要通信通道：上行通道
控制和配置無人機的指令是由手機生成的。然后，控制器通過發送遠程命令數據將這些指令中繼到無人機。通常，定期發送遙控信號（例如，對于鸚鵡Ar。Drone，為30次/ s）。

表1.無人機檢測方法摘要。

下行通道
無人機將飛行信息和機載傳感器讀數（例如高度，位置，飛行速度和路徑）發送到其控制器。這些遙測信號也定期發送。例如，鸚鵡Ar.Drone在演示和完整模式下分別發送了大約15次/秒和200次/秒的下行鏈路信息。

下行第一人稱視角（FPV）頻道
安裝在無人機上的攝像機可以通過下行RF鏈路將數字格式的實時視頻傳輸到地面控制器。然后，該視頻流顯示在用戶的手機上。 商業無人機中使用的通信技術通常基于現有的無線標準協議。例如，DJI Phantom 3無人機的上行鏈路和下行鏈路信道都位于工業，科學和醫學（ISM）頻段。地面控制器可以創建一個在ISM頻段上運行的移動無線熱點，該移動電話將連接到該熱點。用于上行鏈路信道的調制方案使用跳頻擴頻。信號具有2 MHz帶寬，并且在2.4–2.49 GHz范圍內跳變。8個默認下行鏈路信道占用2.401 GHz至2.481 GHz的帶寬；每個都有10 MHz帶寬。用于下行鏈路視頻流的調制方案使用正交頻分復用（OFDM）。無人機發送的OFDM信號提供了執行無人機檢測和AoA估計的主要來源。

OFDM是一種頻分復用方案，它采用多個相鄰的正弦波音調作為同一信道帶寬內的載波（即子載波）。在一個子載波的峰值出現在所有其他子載波的零點的意義上，將子載波選擇為彼此正交。OFDM使用快速傅立葉變換（FFT）和逆FFT（IFFT）來執行多載波調制和解調。在發射機處，對頻域子載波執行IFFT，以產生時域符號。在接收機處，對符號執行FFT，以恢復原始數據。

具有單通道接收器的USRP原型

無人機檢測和AoA估計可以使用具有空間位移元素的天線陣列來完成。元素的物理位置可以在幾何上配置為線性，平面和體積陣列。陣列間距可以是均勻的，不均勻的和隨機的。均勻線性陣列（ULA）和均勻圓形陣列（UCA）可能是最受歡迎的天線陣列。與ULA相比，UCA在空間上更加緊湊。因此，UCA更適合便攜式實施。通常，接收器包括RF前端電路，該電路將RF信號下變頻為中頻（IF）信號，將IF信號數字化的模數轉換（ADC）組件，以及直接下變頻的電路。轉換（DDC），將信號轉換為基帶。

接收器有兩種類型：單通道接收器和多通道接收器。對于多通道接收器，每個天線元件后接一個包括RF前端，ADC和DOC的接收器。這意味著如果數組具有? 元素， ?接收器是必需的。對于單通道實施，僅一個接收器用于服務多個天線元件。諸如MUSIC和ESPRIT算法之類的眾所周知的高分辨率估計方法本質上是多通道的。這是因為這些算法需要快照觀察。也就是說，在特定時刻?因此，應同時提取所有天線元件的基帶數據，以便可以制定數據相關矩陣。對于單通道實現不是這種情況，因為一次僅提取一個元素數據樣本。但是，在多通道技術的性能優于單通道技術的情況下，需要進行權衡。首先，多通道實施要求多個接收器應該是連貫的。特別是，相位和天線增益應同步，并且必須在不同的信號處理時間和寬范圍的工作溫度范圍內保持這種同步。在實踐中，實時定期校準用于實現此目標。顯然，這將增加硬件和軟件的復雜性以及功耗。第二，與多通道接收器相比，單通道系統在尺寸，靈活性，重量和成本方面具有優勢。因此，多通道系統更適合于固定站點安裝的應用。對于檢測飛行無人機，便攜性至關重要。因此，更期望具有單通道接收器的手持系統。

圖1顯示了在我們的工作中使用的基于軟件定義無線電（SDR）的功能圖。圖1a中的系統由天線陣列，基于通用軟件無線電外圍設備（USRP）的單通道接收器以及在便攜式計算機上實現的GNU無線電信號處理組成。天線由形成UCA的四個元素組成。一次將一個元素的輸出傳遞到SDR，如圖1b所示，在其中進行無人機檢測和AoA估計的信號處理。

圖1 單通道USRP接收機的檢測和估計功能圖：a）基于USRP的接收機；b）檢測和估計算法。

通過循環平穩簽名進行無人機檢測

如上所述，無人機信號由上行鏈路遙控信號和下行鏈路數字遙測/視頻流信號組成。下行鏈路視頻信號具有特征頻譜形狀，可用于無人機檢測。

眾所周知，大多數人造通信信號的統計參數（例如均值，方差和自相關）會隨時間周期性變化。這是由于振幅的周期性鍵控，重復的擴頻碼和前同步碼。隨機過程的統計參數隨時間周期性變化的性質稱為循環平穩[10]。如果隨機信號的自相關函數在時間上是周期性的，則稱其具有二階循環平穩性。通過將兩個時刻的振幅相乘來計算自相關? 和 t + τ （哪里 τ是樣本函數的時間滯后，然后在集合中對乘積求平均（即期望操作）。在實踐中，可以用平均時間限制代替期望值。自相關功能為找到信號重復碼型提供了一種分析工具。由于自相關函數是周期性的，因此可以通過傅立葉展開由傅立葉級數表示。相應的傅里葉系數稱為循環自相關函數（CAF），其傅里葉變換定義為頻譜相關密度（SCD）函數。由于即使在信噪比（SNR）低的情況下也可以精確測量CAF / SCD功能，因此它提供了強大的被動檢測工具。

許多無人機的下行FPV通信使用基于OFDM的WiFi技術，該技術基于工業IEEE 802.11標準[11]。WiFi信號是逐幀生成的。幀包括前導數據，后跟OFDM符號。用于信道均衡和同步的前同步碼以已知的幅度和相位發送。針對具有312.5 kHz載波間隔的單個OFDM符號實現了64點IFFT。這給出了一個IFFT輸出持續時間為1 / 312.5 千赫= 3.2 μ 小號 。在這64個子載波中，有12個未使用，包括中央零子載波。48是信息數據副載波。圖4是用于由具有已知幅度和相位的二進制相移鍵控（BPSK）信號的相同序列調制的導頻音。的循環前綴0.8 μ 小號 作為保護間隔添加到每個數據間隔的開頭。因此，總符號間隔為4 μ 小號 。對這種高度結構化數據幀的CAF或SCD的分析可以揭示嵌入在類似WiFi的OFDM信號中的循環平穩性特征。尤其是，飛行員誘導和循環前綴誘導的循環平穩性提供了非常有用的信息，并且影響更大。為了便于檢測，生成了列出市場上各種無人機的載波頻率和信號帶寬的表，并且可以檢測到在列表上具有類似WiFi的OFDM信號的無人機。圖2a顯示了DJI Phantom 3信號在飛行員感應CAF上的實驗示例，第一個峰值出現在大約4.8 ms處。在14毫秒左右出現的一個較大的峰值代表無人機遙測信號的周期性模式。注意，盡管我們在圖2a中有多個峰對于給定的無人機傳輸，對于不同類型的周期性信號，CAF中的信號強度等模式將有所不同。因此，不會發生系統歧義。

圖2 基于循環平穩性的檢測和基于多普勒頻移的估計：a）循環自相關函數的示例；b）由于天線元件的旋轉開關引起的多普勒頻移。

偽多普勒原理的AoA估計

AoA估計基于多普勒原理，如果天線元件朝著撞擊信號移動，則接收信號頻率會增加，如果移開，則會降低接收信號的頻率。參照圖1假設UCA天線元件繞中心軸以恒定速率旋轉。隨著旋轉元件交替地更靠近和遠離撞擊信號，旋轉元件處的接收信號被以旋轉頻率進行正弦頻率調制。如果我們將接收的信號通過調頻（FM）接收器，則FM解調器可以將變化的多普勒頻移識別為接收信號上的FM信號疊加。因此，FM解調器輸出包括一個在相同轉速下的正弦波。取這個解調的多普勒信號和從天線旋轉電路獲取的參考信號的相位差，可以確定AoA。

機械地旋轉天線元件既不實用也不理想。取而代之的是，可以通過依次切換四個UCA元素來電子旋轉該元素，以使單個接收器一次連接到一個元素。直覺是，由于元件是順序切換的，因此接收器將其視為單個旋轉天線。此外，我們可以使用系統時鐘-現場可編程門陣列（FPGA）/ USRP-來控制天線陣列，因為FPGA時鐘將確保采樣到達主機時切換處于同步狀態。對于圖1中的RF旋轉開關，我們在實驗中使用了Peregrine Semiconductor的EK42441，圖2b顯示了由EK42441旋轉開關產生的7.8 kHz多普勒頻移。

如圖1所示，通過使用FM檢測器通過相位解調來獲得AoA估計。接收到的數據被傳遞到提取相位的相位解調器。通過應用微分運算可以得出瞬時頻率。然后采用高通濾波器去除直流電。這將產生一個正弦輸出，開關頻率為頻率，AoA為相位。將輸出與開關參考進行比較可得出AoA。

通過第三方RF信號進行被動檢測

無人機的飛行也可以由機載計算機自主控制。例如，基于GPS的無人機可以自行飛行，并且可以預先計劃和配置目的地，飛行高度和速度。在這種情況下，無人機可以在不發送任何信號的情況下運行，這可能會導致更嚴重的安全問題，因為用于犯罪和恐怖主義活動的無人機現在可以自主飛行，因此可以超越無人機控制器的范圍限制而變小注意到了。由于未發送信號，因此檢測必須依靠無人機從非合作的第三方RF信號（例如環境RF信號，即環境中的機會照明器）收集并處理EM散射和反射。包括商業廣播，例如電視，數字音頻/視頻廣播，飛行的無人機與周圍的RF信號相互作用。反射和散射的EM波將被監視接收器捕獲。因此，在飛行的無人機沒有發送任何信號的情況下，可以利用第三方RF被動地感知反射/散射的EM波，以進行無人機監視。一個定向天線可以指向信號源以獲得“干凈”參考信號，而檢測天線將收聽不同的方向以搜索EM反射的存在。除了監視天線之外，我們還需要參考天線的原因是，由于可能存在許多第三方RF信號，因此檢測器必須準確知道哪個散射/反射信號將用于無源信號處理。圖3圖1示出了信號處理流程圖，其中，檢測算法基于微多普勒簽名。

圖3 通過第三方RF信號進行被動分類的信號處理流程圖。

微多普勒簽名

當飛行的無人機與RF信號相互作用時，散射信號的屬性會反映無人機的特性。已知來自空中目標的散射信號的載波頻率由于多普勒效應而經歷頻移。微多普勒現象是一種附加效應，目標的主體上的任何其他運動都會由于這種運動而在主位移周圍引入更多的多普勒位移[12]。。從這個意義上講，微多普勒簽名可以提供有關目標的額外信息。在飛行無人機的情況下，微多普勒簽名可能是由于無人機機身的振動和無人機螺旋槳的旋轉所致，并且由于不同類型的飛行無人機具有獨特的微多普勒簽名，這與飛行方式有關。無人機的操作取決于無人機結構和旋轉螺旋槳的具體配置。例如，對于相同的螺旋槳轉速但葉片數量不同的微型多普勒信號，可以用來區分無人機。而且，實驗表明，對于相同數量和速度的旋轉螺旋槳，不同的螺旋槳材料和尺寸會導致不同的微多普勒信號。

由螺旋槳旋轉產生的實際微多普勒簽名通常是不穩定的且復雜的，并且通常很難找到微多普勒簽名的閉合形式，顯式且精確的數學表達式。為了捕獲微多普勒信號，可以使用一些視覺表示。一種這樣的表示是通過頻譜圖繪制處理微多普勒信號獲得的。頻譜圖是信號隨時間變化的時頻圖。這通常是通過將短時傅立葉變換（STFT）應用于時域微多普勒信號而產生的。簡而言之，首先將由散射的RF信號生成的時域數據分割成較短的相等時間間隔，稱為窗口。然后將傅立葉變換應用于每個窗口段。一般來說，

確定窗口大小和連續窗口之間的重疊。

選擇開窗功能。

將數據樣本與開窗功能相乘以生成窗段。

對每個加窗段執行FFT。

圖4說明了我們用于測量微多普勒信號的實驗設置。非合作RF單音信號用作照明器。實驗在一個被樹木和樹木包圍的開放校園區域中進行。無人機是直升機DJI Phantom3。旋翼直徑為23.5厘米。便攜式計算機是帶有英特爾?酷睿TM i7處理器的HP ENVY DV6，軟件操作系統是Linux Ubuntu 14.04。SDR實現采用GNURadio 3.8。在左圖所示的設置中，照明器，無人機和SDR接收器大致對齊，而在右圖中，照明器-無人機接收器的角度是任意設置的。

圖4 微型多普勒簽名的實驗設置。

圖5顯示了微多普勒信號的一項實驗結果。第一行中的兩個圖像由FFT圖生成，第二行中的兩個圖像由STFT創建。第一列中的兩個圖像是無人機螺旋槳關閉時的圖像（即，僅繪制了照明器信號的FFT和STFT），第二列中的兩個圖像是無人機螺旋槳的微多普勒簽名。可以看出，旋轉螺旋槳的微型多普勒信號非常明顯。

圖5 無人機螺旋槳的微型多普勒簽名。

無人機檢測的特征提取與分類

如果微多普勒簽名具有特色，那么人們甚至可以通過簡單地觀察頻譜圖圖像將它們分開。但是，如果將諸如計算機之類的機器用于自動目標識別（ATR），則該任務并不容易。顯然，對于無人機檢測而言，更希望實現ATR。在這種情況下，可以采用機器學習[13]，它包括兩個主要組件，即特征提取和模式分類。關鍵思想是，由于不同類型的無人機具有不同的微多普勒信號，因此通過信號訓練和分類，可以得出特定無人機的獨特功能，然后由ATR將其用于模式識別。

顧名思義，特征提取旨在提取構成微多普勒信號特征基礎的特征參數。由于機器只能“讀取”和處理實數，因此特征通常用數字表示。此外，為了促進學習和分類并加快此過程，特征應具有豐富的信息和區分性，并且特征數不應太大（使用術語，這意味著特征向量的維數應較小）。微多普勒信號的第一個特征是無人機的主體速度。它是描述無人機整體運動的參數。主要的多普勒頻移是由于該速度引起的。由于大多數無人機以相對較低的速度飛行，因此主體速度可能較弱。第二個特征是無人機螺旋槳的轉速或周期。由于螺旋槳的旋轉特性，微多普勒信號是周期性的。旋轉速率或周期是關鍵特征參數，因為它是周期性頻譜圖的主要原因。第三個特征是旋轉螺旋槳葉尖的速度。此參數是頻譜寬度的主要原因，因此可以通過頻譜帶寬進行估算。

有幾種特征提取技術[13]。一種流行的方法是奇異值分解（SVD），它是特征分解的一種概括。SVD是矩陣分解工具，能夠將任何矩陣分解為基于正交的空間[14]。此外，SVD可以使用較少的維數找到與原始數據矩陣的最佳近似值。因此，SVD既可以提供特征提取又可以減少尺寸。基于STFT的頻譜圖圖像可以視為2D數據集。一個維度表示信號頻率結構，而另一個維度表示對此類頻率結構進行采樣的維度。特征提取的目的是確定隨時間變化的特征頻率結構。通過應用SVD，頻譜圖被分解為左unit矩陣，對角矩陣和右unit矩陣的乘積，并且頻率和時間信息被解耦。頻率信息被投影到左unit矩陣的奇異矢量上，時間信息被投影到右unit矩陣的奇異矢量上。

特征提取后，可以將特征集傳遞給分類器，以識別無人機的類型。關于無人機類型的決定可以通過由規則和規則組成的預定義系統做出，該規則和規則由通過信號訓練的學習過程建立。

結論

對無人機的監視進行了全面的審查。討論了基于USRP實現和SDR信號處理的兩種方法，用于無源無人機的檢測和分類以及AoA估計。對于使用無人機下行鏈路信號的方法，開發了通過ACF / SCD進行檢測和通過偽多普勒原理進行AoA估計的方法。對于利用環境射頻信號的方法，提出了通過微多普勒簽名和機器學習對無人機進行分類的方法。我們的實驗還表明，與碳纖維螺旋槳相比，塑料螺旋槳的微多普勒信號不明顯。無人機和監視接收器之間的EM波通道通常可以通過小規模衰落和大規模路徑損耗來建模，而小規模衰落通常可以通過Rician分布來表征[15]。Rician因子反映了視線度數（LoS）。在城市環境中，瑞利衰落用于對沒有可用的視線的情況（即，Rician因子變為零）進行建模。對于兩種被動方法，非LoS環境的操作都可能帶來嚴峻的挑戰。已經顯示[15]，無人機飛行高度可能在確定Rician因子和LoS概率方面起重要作用，進而影響接收到的SNR。此外，在無人機丟失其LoS鏈路的情況下，可以使用自適應方法來增強檢測策略[15]。這些問題構成了有希望的研究，可供我們將來進行調查。

原文鏈接：

Low-Complexity Portable Passive Drone Surveillance via SDR-Based Signal Processing?ieeexplore.ieee.org

總結

以上是生活随笔為你收集整理的OFDM子载波频率 知乎_通过基于SDR的信号处理实现的低复杂度便携式无源无人机监控...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。