《利用先进的数据分析和机器学习反制小型无人机系统》2023年最新131页论文

2021年1月，美国防部发布了第一个反小型无人机系统战略，以应对小型无人机系统的快速技术进步和扩散给军事人员、设施和资产带来的日益增长的风险。现有的反无人机能力--严重依赖电子战来破坏用户和设备之间的通信联系--不再能解决不断变化的威胁，包括自主无人机、COTS技术以及空域中越来越多的无人机，这些都能使C-sUAS操作者不知所措。为了应对日益复杂的小型无人机威胁，由陆军领导的联合反无人机系统办公室正在为其新的系统方法寻求物资和非物资解决方案。一个令人困扰的C-UAS挑战涉及到雷达探测系统将一些SUAS与其他飞行物体（如鸟类）区分开来，因为它们的尺寸相当，运动缓慢，高度较低。由于电子光学传感器和人类操作员在规模上的分类数量有限，使用雷达数据进行不准确或低效的sUAS分类可能是一种武力保护威胁。本论文使用来自两个不同训练环境的鸟类和无人机雷达轨迹数据，探索数据中的隐藏结构，使用这两个数据集开发独立的无监督和监督学习模型，并试验数据采样和特征工程，以提高模型对不同环境和动态环境条件的鲁棒性。

图. 本论文方法包括两个迭代，每个迭代都涉及不同的数据采样技术（第3.4节）的两阶段统计学习方法（第3.5节）。然后，通过比较两个迭代中各自的表现来分析和评估每个训练算法，通过使用训练算法的训练地点的整个数据集和备用训练地点的整个数据集来验证每个算法的预测准确性。

无人机技术的快速发展--包括传感器小型化、电池寿命、飞行效率和改进的控制机制--再加上无人机越来越便宜和商业用途，使其在社会中无处不在。然而，随着无人机可用于越来越多的善意目的，有责任对无人机的使用进行适当的监管，以尽量减少高风险的意外事件和恶意行为者（包括恐怖分子和敌对政权）的邪恶活动的可能性。虽然无人驾驶飞机系统（UAS）已经存在了几十年，但小型无人驾驶飞机系统（sUAS）的全球扩散给美国国防部（DOD）带来了特别棘手的挑战，因为不仅需要保护美国的领空、设施和关键基础设施免受这种日益强大的新威胁，还需要将这种力量保护扩展到前沿作战基地（FOB）或临时任务支持点（MSS），此外还需要在战斗中提供移动力量保护（MFP）。2020年，在纳戈尔诺-卡拉巴赫44天的战争中，阿塞拜疆对其邻国亚美尼亚的一系列攻击（使用低成本的土耳其Baykar Bayraktar [TB2]无人机），以及乌克兰坚韧不拔的防御和反击。在2022年俄乌战争初期，乌克兰（在[TB2]无人机和数以千计的其他无人机系统的帮助下）进行了顽强的防御和反击，以抵消俄罗斯前进的压倒性军事优势，这提供了两个引人注目的例子，说明传统作战系统在大规模无人机的不对称威胁面前的脆弱性。

虽然反小型无人机系统（C-sUAS）的问题集有多个方面--从探测到动能或非动能威胁反应--国防工业正在努力解决，但数据科学家已经特别被雷达系统快速有效地从鸟类和其他大气杂波中分辨出sUAS的挑战吸引。雷达系统在探测和分类无人机系统方面通常有两个主要问题。第一个问题涉及它们的尺寸（容易与鸟类混淆）和速度（非常快或慢，包括它们的悬停能力）的组合。第二，涉及到对具有各种飞行现象、雷达截面（RCS）、光学发射、反射特性和材料结构的多样化的sUAS类型（介于两个一般的旋转翼和固定翼类别之间）的描述。尽管这一领域的一些研究致力于探索一种包括其他传感器类型的系统方法--如光电/红外(IR)、声学和人员监视--以减少雷达系统的脆弱性，但这种解决方案假设了当今有这样一个传感器套件在一个固定地点协同工作的奢侈。然而，追求这种 "黄金标准 "的解决方案对于有效地从探测到分类空中物体的重要性，并不否认改进雷达系统的鉴别性能的持续重要性，无论是独立的还是在不同传感器类型的总体系统中。

经与Anduril工业公司协商，并使用来自两种截然不同的训练环境的鸟类和无人机的雷达跟踪数据，本论文旨在实现两个目标。首先，试图用独立的无监督和有监督的学习方法来验证（或改进）来自国防工业的现有分类算法的性能，并在这两种环境中分别训练模型。第二，试图加强模型对两种不同环境和动态环境条件（即降水和风）的稳健性，目前在每个新环境中都需要一个漫长而昂贵的系统校准过程。

为了实现这两个目标，本研究通过开发、测试和验证各种无监督和有监督学习模型对来自训练模型的环境和替代环境的鸟类和无人机的判别性能，对两个训练环境中的数百只鸟类和无人机的雷达轨迹数据（由Anduril Industries提供）进行了实验。通过采用独立方法，在两个训练环境中表现最好的模型成功地验证了Anduril的分类器（由数据赞助商提供）的性能，该模型在同一环境中训练和验证的准确率分别达到97%和98%。然而，观察到在另一个环境下验证的准确率下降了20-25%（表现最好的模型），以及对两种环境下的数据集和模型的明显差异的直觉，促使对方法的第二次迭代进行了修改，在模型的稳健性方面取得了边际改善。本论文最后提出了四项建议，即继续使用这种方法进行统计和机器学习研究，但要探索收集更多的雷达轨迹数据特征，以便更好地捕捉鸟类和不同类型无人机之间的飞行现象学差异。