基于被动射频和电光图像的小型无人机定位与识别的多阶段融合架构：案例研究
信号处理
2024-06-26 v1 人工智能
摘要
可靠检测、定位和识别小型无人机对于推动无人机系统（UAS，简称无人机）的安全、安全和尊重隐私的操作至关重要。这是一个日益具有挑战性的问题，尤其是仅使用单一模态感知时，尤其是检测和识别小型无人机。本文开发了一种使用被动射频（RF）和电光（EO）图像数据的多阶段融合架构，以利用不同感知模态之间的协同作用，以提高整体跟踪和分类能力。对于EO图像的检测，探索了基于监督深度学习技术以及无监督的前景/背景分离技术，以应对具有挑战性的环境。使用实地收集的Group 1和Group 2无人机数据，量化了每种算法的能力。为了弥补仅使用EO图像检测的任何性能差距，以及为无人机提供唯一的设备标识符，被动RF被用于EO图像可用时进行集成。特别是，通过3D到2D转换后，将图像平面上的无人机检测与被动RF位置估计相结合进行检测到检测的关联。最终在2D图像平面上执行跟踪。每条轨迹质心被赋予一个唯一的识别符，通过RF指纹实现。该提议的融合架构在空军研究实验室（AFRL）通过ESCAPE-21（实验、情景、作战概念和原型工程）数据收集中使用同时收集的被动RF和EO数据进行测试和跟踪性能量化，以说明该提议方法的有效性。
引用
@article{arxiv.2406.16875,
title = {Multi-Stage Fusion Architecture for Small-Drone Localization and Identification Using Passive RF and EO Imagery: A Case Study},
author = {Thakshila Wimalajeewa Wewelwala and Thomas W. Tedesso and Tony Davis},
journal= {arXiv preprint arXiv:2406.16875},
year = {2024}
}