摘要：

本文概述了被动无人机的检测。开发了基于SDR的便携式通用软件无线电外围设备（USRP）原型，用于在两种情况下进行检测。在无人机与地面控制器通信的情况下，采用无人机信号的循环平稳性特征和伪多普勒原理。对于无人机不发送任何信号的情况，利用RF信号生成的微多普勒签名进行检测和识别。

引言：

近年来，由于成本降低，民用无人机的使用急剧增加。同样，无人驾驶飞机正在世界范围内迅速流行。然而，无人机的使用有问题的方式引起了公众的关注。例如，2016年3月，一架汉莎航空的飞机在洛杉矶国际机场附近与一架无人机相撞200英尺内；2015年4月，一架无人机在新加坡联邦车站附近的地铁轨道上掉落；2015年1月，一架无人机在白宫坠毁，引发了对政府大楼安全隐患的担忧；无人机被指控侵犯隐私权甚至进行犯罪活动[1]。这些事件充分说明了为可疑无人机开发监视系统至关重要。为此目的，促使采用无人机检测方法并估计其到达角度（AoA）。此外，同样重要的是，该方法应将无人机与其他飞行物体（例如鸟类）区分开。本文概述了两种情况下的无人驾驶无人机检测和分类及其AoA估计：无人机与地面控制器通信的情况以及无人机不发送任何信号的情况。主要贡献是。首先，我们对各种无人机检测方法进行了详尽的文献调查；其次，通过使用现成的硬件，我们设计了一个便携式且实用的原型，具有较低的复杂性。

文章的结构安排如下。我们调查了各种检测方法。当无人机发送下行信号时，我们提出了被动检测和AoA估计。我们讨论了使用第三方RF信号进行的无源无人机分类。

检测方法：

在学术界和工业界已经提出了许多不同的无人机检测方法。首先，使用基于视频的方法[2]。它可以提供视觉图像。主要缺点是它在恶劣的天气条件下不能很好地工作，并且不适用于夜间。而且，无人机的体积很小，而且飞行速度很慢。因此，有时很难区分无人机与鸟类。为了进行夜间检测，开发了通过热像仪进行红外感应的方法[3]。。无人机发出的热量通过分析热图像用于检测。但是，小型无人机的有效检测范围通常为几米，因为小型无人机不会产生大量热量。基于音频的检测已用于无人机检测[4]。市场中不同无人机的声学特征被收集到数据库中，并与记录的特征进行比较以找到匹配的地方。嘈杂的城市环境和城市交通给使用这种方法带来了挑战。此外，可以轻松更改无人机的噪声特征。由于许多包括无人机在内的低端商用无人机（UAV）具有可识别的服务集标识符（SSID）和可广播的MAC地址，因此基于媒体访问控制（MAC）地址的检测方法已被视为可能的候选方法[5]。 ]。挑战在于维护所有制造无人机的数据库。并且可以修改端口，并且可以轻松地欺骗MAC地址以避免检测到。

另一种技术是基于雷达特征的检测[6]。在这种方法中，观察目标的雷达截面（RCS）测量以进行检测。具体而言，来自专用雷达的无线电波被发射，并且以RCS为特征的目标反射率用于验证它是否是无人机。但是，由于无人机的尺寸以及它们主要由低电导率材料（例如塑料，橡胶和泡沫）制成的事实，无人驾驶飞机是基于RCS的检测目标，因此降低了RCS。商业无人机通常在低空运行，这也使基于RCS的检测具有挑战性。

最后，基于射频的载波方法提供了一种强大而有效的无人机检测方法[7]因为它可以在任何天气条件下昼夜工作。通常，基于RF的检测有两种方法：主动检测和被动检测。主动方法类似于基于RCS的检测，后者要求专门设计的发送器和接收器以协作方式进行操作。发射器广播射频信号，而接收器收听并捕获来自无人机的反射信号。然后分析反射的信号，该信号可能包含由飞行的无人机引起的某些独特特征，然后对其进行分析，以确认无人机的存在及其物理特性。一个典型的示例是使用由提供速度信息的空中目标引起的多普勒效应，从而实现对飞行物体的检测。这里，[8]。在无源方法中，没有专用的发射器。仅需要接收机来收听和分析由无人机产生的电磁波，或者由第三方RF发射机产生并由无人机散射的电磁波。因此，与主动检测不同，在主动检测中，发射机是为方便检测而定制的，而在接收器和EM生成器之间就没有用于被动检测的合作。与主动方法相比，被动检测在硬件和软件要求方面具有较低的成本（例如，代替大功率电源，只需要一个电池），操作和维护，便携性和易于部署，具有回弹力的优势。 ， 等等。因此，本文重点介绍被动方法，它包括两种情况，即表1概述了讨论的各种检测方法。

通过无人机下行视频信号进行被动监视

在无人机发送RF信号的情况下，可以通过监听无人机与其地面控制器之间的通信来实现无人机监视。从技术上讲，该系统可以通过使用无线接收器处理从无人机发送到其控制器的数据来检测无人机并估计其AoA。由于大多数商用无人机都经常与其控制器通信以更新状态并接收命令，因此无人机及其控制器之间始终存在数据链接。因此，RF接收机可以收集无线数据样本，对其进行分析，并检测无人机的存在。

无人机与地面控制器间的通信

无人机系统通常包括三个组件：无人机，其控制器和移动智能手机。控制器是与无人机通信的主要来源。无人机从控制器接收信号以管理其飞行状态，例如沿着所需轨迹移动。以下是无人机与其控制器[9]之间的三个主要通信通道：上行通道
控制和配置无人机的指令是由手机生成的。然后，控制器通过发送远程命令数据将这些指令中继到无人机。通常，定期发送遥控信号（例如，对于鹦鹉Ar。Drone，为30次/ s）。

下行通道
无人机将飞行信息和机载传感器读数（例如高度，位置，飞行速度和路径）发送到其控制器。这些遥测信号也定期发送。例如，鹦鹉Ar.Drone在演示和完整模式下分别发送了大约15次/秒和200次/秒的下行链路信息。

下行第一人称视角（FPV）频道
安装在无人机上的摄像机可以通过下行RF链路将数字格式的实时视频传输到地面控制器。然后，该视频流显示在用户的手机上。 商业无人机中使用的通信技术通常基于现有的无线标准协议。例如，DJI Phantom 3无人机的上行链路和下行链路信道都位于工业，科学和医学（ISM）频段。地面控制器可以创建一个在ISM频段上运行的移动无线热点，该移动电话将连接到该热点。用于上行链路信道的调制方案使用跳频扩频。信号具有2 MHz带宽，并且在2.4–2.49 GHz范围内跳变。8个默认下行链路信道占用2.401 GHz至2.481 GHz的带宽；每个都有10 MHz带宽。用于下行链路视频流的调制方案使用正交频分复用（OFDM）。无人机发送的OFDM信号提供了执行无人机检测和AoA估计的主要来源。

OFDM是一种频分复用方案，它采用多个相邻的正弦波音调作为同一信道带宽内的载波（即子载波）。在一个子载波的峰值出现在所有其他子载波的零点的意义上，将子载波选择为彼此正交。OFDM使用快速傅立叶变换（FFT）和逆FFT（IFFT）来执行多载波调制和解调。在发射机处，对频域子载波执行IFFT，以产生时域符号。在接收机处，对符号执行FFT，以恢复原始数据。

具有单通道接收器的USRP原型

无人机检测和AoA估计可以使用具有空间位移元素的天线阵列来完成。元素的物理位置可以在几何上配置为线性，平面和体积阵列。阵列间距可以是均匀的，不均匀的和随机的。均匀线性阵列（ULA）和均匀圆形阵列（UCA）可能是最受欢迎的天线阵列。与ULA相比，UCA在空间上更加紧凑。因此，UCA更适合便携式实施。通常，接收器包括RF前端电路，该电路将RF信号下变频为中频（IF）信号，将IF信号数字化的模数转换（ADC）组件，以及直接下变频的电路。转换（DDC），将信号转换为基带。

接收器有两种类型：单通道接收器和多通道接收器。对于多通道接收器，每个天线元件后接一个包括RF前端，ADC和DOC的接收器。这意味着如果数组具有ñ 元素， ñ接收器是必需的。对于单通道实施，仅一个接收器用于服务多个天线元件。诸如MUSIC和ESPRIT算法之类的众所周知的高分辨率估计方法本质上是多通道的。这是因为这些算法需要快照观察。也就是说，在特定时刻Ť因此，应同时提取所有天线元件的基带数据，以便可以制定数据相关矩阵。对于单通道实现不是这种情况，因为一次仅提取一个元素数据样本。但是，在多通道技术的性能优于单通道技术的情况下，需要进行权衡。首先，多通道实施要求多个接收器应该是连贯的。特别是，相位和天线增益应同步，并且必须在不同的信号处理时间和宽范围的工作温度范围内保持这种同步。在实践中，实时定期校准用于实现此目标。显然，这将增加硬件和软件的复杂性以及功耗。第二，与多通道接收器相比，单通道系统在尺寸，灵活性，重量和成本方面具有优势。因此，多通道系统更适合于固定站点安装的应用。对于检测飞行无人机，便携性至关重要。因此，更期望具有单通道接收器的手持系统。

图1显示了在我们的工作中使用的基于软件定义无线电（SDR）的功能图。图1a中的系统由天线阵列，基于通用软件无线电外围设备（USRP）的单通道接收器以及在便携式计算机上实现的GNU无线电信号处理组成。天线由形成UCA的四个元素组成。一次将一个元素的输出传递到SDR，如图1b所示，在其中进行无人机检测和AoA估计的信号处理。

通过循环平稳签名进行无人机检测

如上所述，无人机信号由上行链路遥控信号和下行链路数字遥测/视频流信号组成。下行链路视频信号具有特征频谱形状，可用于无人机检测。

众所周知，大多数人造通信信号的统计参数（例如均值，方差和自相关）会随时间周期性变化。这是由于振幅的周期性键控，重复的扩频码和前同步码。随机过程的统计参数随时间周期性变化的性质称为循环平稳[10]。如果随机信号的自相关函数在时间上是周期性的，则称其具有二阶循环平稳性。通过将两个时刻的振幅相乘来计算自相关Ť 和 t + τ （哪里 τ是样本函数的时间滞后，然后在集合中对乘积求平均（即期望操作）。在实践中，可以用平均时间限制代替期望值。自相关功能为找到信号重复码型提供了一种分析工具。由于自相关函数是周期性的，因此可以通过傅立叶展开由傅立叶级数表示。相应的傅里叶系数称为循环自相关函数（CAF），其傅里叶变换定义为频谱相关密度（SCD）函数。由于即使在信噪比（SNR）低的情况下也可以精确测量CAF / SCD功能，因此它提供了强大的被动检测工具。

许多无人机的下行FPV通信使用基于OFDM的WiFi技术，该技术基于工业IEEE 802.11标准[11]。WiFi信号是逐帧生成的。帧包括前导数据，后跟OFDM符号。用于信道均衡和同步的前同步码以已知的幅度和相位发送。针对具有312.5 kHz载波间隔的单个OFDM符号实现了64点IFFT。这给出了一个IFFT输出持续时间为1 / 312.5 千赫= 3.2 μ 小号 。在这64个子载波中，有12个未使用，包括中央零子载波。48是信息数据副载波。图4是用于由具有已知幅度和相位的二进制相移键控（BPSK）信号的相同序列调制的导频音。的循环前缀0.8 μ 小号 作为保护间隔添加到每个数据间隔的开头。因此，总符号间隔为4 μ 小号 。对这种高度结构化数据帧的CAF或SCD的分析可以揭示嵌入在类似WiFi的OFDM信号中的循环平稳性特征。尤其是，飞行员诱导和循环前缀诱导的循环平稳性提供了非常有用的信息，并且影响更大。为了便于检测，生成了列出市场上各种无人机的载波频率和信号带宽的表，并且可以检测到在列表上具有类似WiFi的OFDM信号的无人机。图2a显示了DJI Phantom 3信号在飞行员感应CAF上的实验示例，第一个峰值出现在大约4.8 ms处。在14毫秒左右出现的一个较大的峰值代表无人机遥测信号的周期性模式。注意，尽管我们在图2a中有多个峰对于给定的无人机传输，对于不同类型的周期性信号，CAF中的信号强度等模式将有所不同。因此，不会发生系统歧义。

伪多普勒原理的AoA估计

AoA估计基于多普勒原理，如果天线元件朝着撞击信号移动，则接收信号频率会增加，如果移开，则会降低接收信号的频率。参照图1假设UCA天线元件绕中心轴以恒定速率旋转。随着旋转元件交替地更靠近和远离撞击信号，旋转元件处的接收信号被以旋转频率进行正弦频率调制。如果我们将接收的信号通过调频（FM）接收器，则FM解调器可以将变化的多普勒频移识别为接收信号上的FM信号叠加。因此，FM解调器输出包括一个在相同转速下的正弦波。取这个解调的多普勒信号和从天线旋转电路获取的参考信号的相位差，可以确定AoA。

机械地旋转天线元件既不实用也不理想。取而代之的是，可以通过依次切换四个UCA元素来电子旋转该元素，以使单个接收器一次连接到一个元素。直觉是，由于元件是顺序切换的，因此接收器将其视为单个旋转天线。此外，我们可以使用系统时钟-现场可编程门阵列（FPGA）/ USRP-来控制天线阵列，因为FPGA时钟将确保采样到达主机时切换处于同步状态。对于图1中的RF旋转开关，我们在实验中使用了Peregrine Semiconductor的EK42441，图2b显示了由EK42441旋转开关产生的7.8 kHz多普勒频移。

如图1所示，通过使用FM检测器通过相位解调来获得AoA估计。接收到的数据被传递到提取相位的相位解调器。通过应用微分运算可以得出瞬时频率。然后采用高通滤波器去除直流电。这将产生一个正弦输出，开关频率为频率，AoA为相位。将输出与开关参考进行比较可得出AoA。

通过第三方RF信号进行被动检测

无人机的飞行也可以由机载计算机自主控制。例如，基于GPS的无人机可以自行飞行，并且可以预先计划和配置目的地，飞行高度和速度。在这种情况下，无人机可以在不发送任何信号的情况下运行，这可能会导致更严重的安全问题，因为用于犯罪和恐怖主义活动的无人机现在可以自主飞行，因此可以超越无人机控制器的范围限制而变小注意到了。由于未发送信号，因此检测必须依靠无人机从非合作的第三方RF信号（例如环境RF信号，即环境中的机会照明器）收集并处理EM散射和反射。包括商业广播，例如电视，数字音频/视频广播，飞行的无人机与周围的RF信号相互作用。反射和散射的EM波将被监视接收器捕获。因此，在飞行的无人机没有发送任何信号的情况下，可以利用第三方RF被动地感知反射/散射的EM波，以进行无人机监视。一个定向天线可以指向信号源以获得“干净”参考信号，而检测天线将收听不同的方向以搜索EM反射的存在。除了监视天线之外，我们还需要参考天线的原因是，由于可能存在许多第三方RF信号，因此检测器必须准确知道哪个散射/反射信号将用于无源信号处理。图3图1示出了信号处理流程图，其中，检测算法基于微多普勒签名。

微多普勒签名

当飞行的无人机与RF信号相互作用时，散射信号的属性会反映无人机的特性。已知来自空中目标的散射信号的载波频率由于多普勒效应而经历频移。微多普勒现象是一种附加效应，目标的主体上的任何其他运动都会由于这种运动而在主位移周围引入更多的多普勒位移[12]。。从这个意义上讲，微多普勒签名可以提供有关目标的额外信息。在飞行无人机的情况下，微多普勒签名可能是由于无人机机身的振动和无人机螺旋桨的旋转所致，并且由于不同类型的飞行无人机具有独特的微多普勒签名，这与飞行方式有关。无人机的操作取决于无人机结构和旋转螺旋桨的具体配置。例如，对于相同的螺旋桨转速但叶片数量不同的微型多普勒信号，可以用来区分无人机。而且，实验表明，对于相同数量和速度的旋转螺旋桨，不同的螺旋桨材料和尺寸会导致不同的微多普勒信号。

由螺旋桨旋转产生的实际微多普勒签名通常是不稳定的且复杂的，并且通常很难找到微多普勒签名的闭合形式，显式且精确的数学表达式。为了捕获微多普勒信号，可以使用一些视觉表示。一种这样的表示是通过频谱图绘制处理微多普勒信号获得的。频谱图是信号随时间变化的时频图。这通常是通过将短时傅立叶变换（STFT）应用于时域微多普勒信号而产生的。简而言之，首先将由散射的RF信号生成的时域数据分割成较短的相等时间间隔，称为窗口。然后将傅立叶变换应用于每个窗口段。一般来说，

1. 确定窗口大小和连续窗口之间的重叠。
2. 选择开窗功能。
3. 将数据样本与开窗功能相乘以生成窗段。
4. 对每个加窗段执行FFT。

图4说明了我们用于测量微多普勒信号的实验设置。非合作RF单音信号用作照明器。实验在一个被树木和树木包围的开放校园区域中进行。无人机是直升机DJI Phantom3。旋翼直径为23.5厘米。便携式计算机是带有英特尔®酷睿TM i7处理器的HP ENVY DV6，软件操作系统是Linux Ubuntu 14.04。SDR实现采用GNURadio 3.8。在左图所示的设置中，照明器，无人机和SDR接收器大致对齐，而在右图中，照明器-无人机接收器的角度是任意设置的。

图5显示了微多普勒信号的一项实验结果。第一行中的两个图像由FFT图生成，第二行中的两个图像由STFT创建。第一列中的两个图像是无人机螺旋桨关闭时的图像（即，仅绘制了照明器信号的FFT和STFT），第二列中的两个图像是无人机螺旋桨的微多普勒签名。可以看出，旋转螺旋桨的微型多普勒信号非常明显。

无人机检测的特征提取与分类

如果微多普勒签名具有特色，那么人们甚至可以通过简单地观察频谱图图像将它们分开。但是，如果将诸如计算机之类的机器用于自动目标识别（ATR），则该任务并不容易。显然，对于无人机检测而言，更希望实现ATR。在这种情况下，可以采用机器学习[13]，它包括两个主要组件，即特征提取和模式分类。关键思想是，由于不同类型的无人机具有不同的微多普勒信号，因此通过信号训练和分类，可以得出特定无人机的独特功能，然后由ATR将其用于模式识别。

顾名思义，特征提取旨在提取构成微多普勒信号特征基础的特征参数。由于机器只能“读取”和处理实数，因此特征通常用数字表示。此外，为了促进学习和分类并加快此过程，特征应具有丰富的信息和区分性，并且特征数不应太大（使用术语，这意味着特征向量的维数应较小）。微多普勒信号的第一个特征是无人机的主体速度。它是描述无人机整体运动的参数。主要的多普勒频移是由于该速度引起的。由于大多数无人机以相对较低的速度飞行，因此主体速度可能较弱。第二个特征是无人机螺旋桨的转速或周期。由于螺旋桨的旋转特性，微多普勒信号是周期性的。旋转速率或周期是关键特征参数，因为它是周期性频谱图的主要原因。第三个特征是旋转螺旋桨叶尖的速度。此参数是频谱宽度的主要原因，因此可以通过频谱带宽进行估算。

有几种特征提取技术[13]。一种流行的方法是奇异值分解（SVD），它是特征分解的一种概括。SVD是矩阵分解工具，能够将任何矩阵分解为基于正交的空间[14]。此外，SVD可以使用较少的维数找到与原始数据矩阵的最佳近似值。因此，SVD既可以提供特征提取又可以减少尺寸。基于STFT的频谱图图像可以视为2D数据集。一个维度表示信号频率结构，而另一个维度表示对此类频率结构进行采样的维度。特征提取的目的是确定随时间变化的特征频率结构。通过应用SVD，频谱图被分解为左unit矩阵，对角矩阵和右unit矩阵的乘积，并且频率和时间信息被解耦。频率信息被投影到左unit矩阵的奇异矢量上，时间信息被投影到右unit矩阵的奇异矢量上。

特征提取后，可以将特征集传递给分类器，以识别无人机的类型。关于无人机类型的决定可以通过由规则和规则组成的预定义系统做出，该规则和规则由通过信号训练的学习过程建立。

结论

对无人机的监视进行了全面的审查。讨论了基于USRP实现和SDR信号处理的两种方法，用于无源无人机的检测和分类以及AoA估计。对于使用无人机下行链路信号的方法，开发了通过ACF / SCD进行检测和通过伪多普勒原理进行AoA估计的方法。对于利用环境射频信号的方法，提出了通过微多普勒签名和机器学习对无人机进行分类的方法。我们的实验还表明，与碳纤维螺旋桨相比，塑料螺旋桨的微多普勒信号不明显。无人机和监视接收器之间的EM波通道通常可以通过小规模衰落和大规模路径损耗来建模，而小规模衰落通常可以通过Rician分布来表征[15]。Rician因子反映了视线度数（LoS）。在城市环境中，瑞利衰落用于对没有可用的视线的情况（即，Rician因子变为零）进行建模。对于两种被动方法，非LoS环境的操作都可能带来严峻的挑战。已经显示[15]，无人机飞行高度可能在确定Rician因子和LoS概率方面起重要作用，进而影响接收到的SNR。此外，在无人机丢失其LoS链路的情况下，可以使用自适应方法来增强检测策略[15]。这些问题构成了有希望的研究，可供我们将来进行调查。

原文链接：

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