Συμβολή στην ανάπτυξη συνδυαστικών μεθόδων ανίχνευσης μικρών μη-επανδρωμένων ιπτάμενων συστημάτων

Abstract

The present thesis studies the development and implementation of an original system aiming to detect small Unmanned Aerial Systems (UAS) using a combination of active and passive methods. The wide use of UAS applications in many fields of activities inevitably creates the need for systems able to detect flights over specific areas of interest. Low radar cross-section (RCS), flight altitude and speed, all render UASs difficult targets for traditional radar systems to detect. The cooperation of passive methods, that exploit signals emitted by the UAS, produces a synergy that leads to facilitating their identification.The study begins by briefly presenting aspects of the emerging UAS technology, in order to outline the multi-layered approach necessary to address the task of UAS detection. Basic principles of EM theory involved in UAS detection using active methods are presented; respectively, for passive methods that exploit acoustic (sound) waves emitted by UASs, suitable techniques of microphone array signal processing and machine learning are reported. A detailed analysis follows, describing the proposed methods for (a) active detection using continuous wave Doppler radar, (b) estimating the direction of arrival (DOA) of incoming sound signal and (c) UAS sound identification using machine learning, discerning them from other sound sources. Next, a report of radar systems that were tested for the purposes of the thesis is presented, with emphasis given to the proposed 24 GHz CW Doppler radar and its development stages. Using custom made software created for radar control and data acquisition, the FFT of the in-phase (I) and quadrature (Q) component of its output is exploited for real-time, reliable UAS detection over significant distances. Measurement data from live test runs performed using both static mode and 360° scanning mode, confirmed the system’s detection effectiveness.Regarding the use of passive methods for UAS detection and identification, two setups were examined: a linear microphone array and a cross-shaped array. Because of the inherent inability of the linear (one-dimensional) array for sound DOA angle estimation, the main focus shifted towards examining the cross-shaped array that consisted of 4 condenser microphones. Optimal distances between the array elements were determined through simulation and the maximum distance for DOA estimation was measured during live tests conducted at 3 different types of locations. For the task of UAS sound identification, (a) harmonic line association and (b) machine learning techniques were explored; emphasis was given in (b), by designing and training a multi-layered convolutional neural network that utilizes spectrograms of the sound signal captured by the microphones to identify UAS flights in real-time.The proposed system integrating the abovementioned active and passive methods, has been extensively tested outdoors, performing live measurements of real-life airborne vehicles, confirming the results for reliable detection and identification.

Στην παρούσα διατριβή μελετάται η ανάπτυξη ενός πρωτότυπου συστήματος ανίχνευσης μικρών μη – επανδρωμένων ιπτάμενων συστημάτων (ΣμηΕΑ - UAS) χρησιμοποιώντας συνδυασμό ενεργητικής και παθητικής μεθόδου. Η ευρεία διάδοση στη χρήση των UAS σε πολλούς τομείς δραστηριοτήτων, αναπόφευκτα δημιουργεί την ανάγκη για την υλοποίηση συστημάτων ικανών να ανιχνεύουν πτήσεις πάνω από περιοχές ενδιαφέροντος. Η πολύ χαμηλή ενεργός διατομή (RCS) τους, σε συνδυασμό με το χαμηλό ύψος και ταχύτητα πτήσης, καθιστούν τα UAS δύσκολα ανιχνεύσιμα από τα παραδοσιακά συστήματα ραντάρ. Η χρησιμοποίηση παθητικών μεθόδων λειτουργώντας συνεργατικά, εκμεταλλεύεται τα εκπεμπόμενα σήματα από το UAS καθιστώντας δυνατή και την ταυτοποίησή τους.Η διατριβή ξεκινά με σύντομη παρουσίαση στοιχείων της νεοφυούς τεχνολογίας των UAS, ώστε να αναδειχθεί η πολυδιάστατη προσέγγιση που απαιτείται για την ανίχνευσή τους. Στη συνέχεια γίνεται αναφορά σε βασικές αρχές της ΗΜ θεωρίας στην οποία βασίζεται η ενεργητική μέθοδος ανίχνευσης∙ αντίστοιχα, για την παθητική μέθοδο που αξιοποιεί τα εκπεμπόμενα ακουστικά (ηχητικά) κύματα, παρουσιάζονται οι χρησιμοποιούμενες τεχνικές επεξεργασίας σήματος συστοιχιών μικροφώνων και μηχανικής μάθησης. Ακολουθεί η λεπτομερής ανάλυση των προτεινόμενων μεθόδων (α) ενεργητικής ανίχνευσης με χρήση ραντάρ Doppler συνεχούς κύματος, (β) του αλγόριθμου εντοπισμού γωνίας άφιξης του λαμβανόμενου ηχητικού σήματος και (γ) της τεχνικής μηχανικής μάθησης που υλοποιήθηκε και χρησιμοποιήθηκε για την ταυτοποίηση UAS μέσω ακουστικού σήματος, διακρίνοντάς τα από άλλες πηγές.Στη συνέχεια γίνεται αναλυτική αναφορά στα διάφορα συστήματα ραντάρ που δοκιμάστηκαν κατά τη διάρκεια εκπόνησης της διατριβής, με έμφαση στο προτεινόμενο σύστημα CW Doppler ραντάρ συχνότητας 24 GHz και στα διάφορα στάδια εξέλιξής του. Με κατάλληλο λογισμικό που δημιουργήθηκε για τον έλεγχο και τη συλλογή δεδομένων του ραντάρ, χρησιμοποιείται ο γρήγορος μετασχηματισμός Fourier (FFT) της συμφασικής (Ι) και ορθογώνιας (Q) συνιστώσας της εξόδου του σε πραγματικό χρόνο, για την αξιόπιστη ανίχνευση πτήσης UAS σε μεγάλη απόσταση. Τα δεδομένα των μετρήσεων από δοκιμές της διάταξης τόσο σε στατική λειτουργία, όσο και σε λειτουργία περιμετρικής σάρωσης μιας περιοχής ενδιαφέροντος, επιβεβαίωσαν την αποτελεσματική λειτουργία του συστήματος κατά την ανίχνευση.Όσον αφορά τον τομέα των παθητικών μεθόδων για την ανίχνευση και ταυτοποίηση UAS, εξετάστηκε η λειτουργία συστοιχίας μικροφώνων σε ευθύγραμμη διάταξη και σε διάταξη σταυρού. Λόγω της εγγενούς αδυναμίας της (μονοδιάστατης) ευθύγραμμης συστοιχίας για εκτίμηση γωνίας άφιξης του ακουστικού σήματος, δόθηκε βαρύτητα στη μελέτη της συστοιχίας 4 πυκνωτικών μικροφώνων σε διάταξη σταυρού. Με κατάλληλες αποστάσεις ανάμεσα στα στοιχεία που υπολογίστηκαν μέσω προσομοίωσης, προσδιορίστηκε -κατόπιν δοκιμών σε 3 διαφορετικούς τύπους περιβάλλοντος- η μέγιστη απόσταση στην οποία είναι εφικτή η εκτίμηση της γωνίας άφιξης του σήματος UAS. Για την ταυτοποίηση του ακουστικού σήματος, εξετάστηκε η χρήση (α) συσχέτισης αρμονικών γραμμών και (β) τεχνικών μηχανικής μάθησης. Έμφαση δόθηκε στο (β), με την ανάπτυξη και εκπαίδευση πολυεπίπεδου συνελικτικού νευρωνικού δικτύου, το οποίο αξιοποιώντας τα spectrograms των λαμβανόμενων ηχητικών σημάτων ως είσοδο, επιτυγχάνει ταυτοποίηση του σήματος διάφορων εναέριων μέσων σε πραγματικό χρόνο.Το προτεινόμενο ενοποιημένο σύστημα που ενσωματώνει τις δυο παραπάνω μεθόδους, δοκιμάστηκε εκτενώς σε εξωτερικούς χώρους εκτελώντας μετρήσεις πεδίου κατά την πτήση πραγματικών αεροχημάτων, επαληθεύοντας την εγκυρότητα των αποτελεσμάτων του στην ανίχνευση και ταυτοποίηση.