针对海量噪声中的无人机跟踪：基于5G-A基站数据的尖针探寻

无人机（UAV）在日常生活中的潜在应用使其监控变得必不可少。然而，现有监控无人机的系统通常依赖摄像头、激光雷达或雷达，这些传感器的感知范围有限或部署成本高，阻碍了大规模应用。在此基础上，我们开发了BSense——首个利用商业5G-A基站点云数据进行无人机跟踪的系统。关键挑战在于，噪声点数量显著超过真实无人机点数，噪声到无人机的比例超过100:1。因此，从原始点云中识别无人机类似于寻找针头。为克服这一难题，我们提出了分层框架，在点、对象和轨迹三个层次进行噪声过滤。在点层面，我们观察到来自不同空间区域的噪声点呈现可区分且一致的信号指纹，这些指纹可被建模用于识别和去除。在对象层面，我们设计了空间一致性和速度一致性检查来识别虚假对象，并通过聚合多个帧的检查结果计算置信度得分，以实现更可靠的判别。在最终的轨迹层面，我们提出了基于Transformer的网络，捕获多帧运动模式以过滤剩余少量虚假轨迹。在城市环境中部署的商业5G-A基站上进行评估。无人机在7天内沿25条不同轨迹执行54个案例，产生超过14,000帧、155分钟的数据。该数据集上，我们的系统将每帧的误检数从平均168.05个降至0.04个，平均F1分数达到95.56%，在距离最远可达1000米时，平均定位误差为4.9米。