摘要

研究了一种新型的射频（RF）辅助算法，用于在具有小尺寸麦克风阵列传感器的情况下对无人驾驶飞行器（UAV）进行声学识别和定位，其中声学信号的多通道处理得到了射频功率模式分析的帮助。不明身份的无人机的螺旋桨产生的噪声可以用来获得关于它的一些线索，因为具有不同尺寸、重量或机械特性的无人机产生不同的声学信号。具体来说，在这项工作中，由多通道麦克风阵列检测到的声学信号的光谱特征被用来识别无人机。此外，射频信号由Wi-Fi天线发射，并测量接收信号强度（RSS）以协助声学定位。到达方向（DOA）和与声源的距离都可以被预测。提出了一个解决方案，其中一个四阶段卷积神经网络（CNN）通过其声谱特征进行无人机识别，并通过内在特征提取、射频和声学特征的融合以及回归产生射频辅助声学定位。应用是反无人机监测策略，从飞行的无人机反对非法使用无人机和外部无人机攻击。提出了一个集中式架构，用于从多个空中节点获取数据和流。一个名为Zylia的19通道球形麦克风阵列被采用。为了分析这项研究的现状，提出了实验与结果描述。

引言

我们解决的问题是检测作为声源的不明无人机的存在，通过处理螺旋桨噪声产生的声学信号在不同的无人机中识别它，并通过估计声学信号的到达方向（DOA）和与无人机的距离对无人机进行定位。我们提出了一个解决方案，其中声学处理得到了射频（RF）传输模式分析的帮助。这样，当声学定位前端检测到来自射频天线组件估计方向的声学活动时，声源定位可以得到完善，并通过波束成形增强记录信号。这是因为，当使用安装在多旋翼无人机（UAV）上的小尺寸麦克风阵列进行声学记录时，如[1,2,3]，由于对麦克风阵列尺寸的限制，可能导致信号-噪声增强不佳、空间分辨率低和空间信息不完整等问题，对感兴趣的声源的处理和信号增强变得特别具有挑战性。为了解决这些限制，最近在[4,5]中介绍了一种新的基于射频的声源定位处理方法，该方法也能进行距离估计，但没有引入识别能力。因此，我们现在研究射频辅助算法的性能，该算法也能识别未识别的空中声源。我们的算法可以应用于针对非法使用无人机和外部无人机攻击的反无人机监测策略[6,7]，即使是在敌对环境中。

最近，深度学习（DL）和深度神经网络（DNN）研究领域的发展所带来的计算和性能上的进步，促进了文献中无人机识别算法的增加，如[8,9,10]。特别是，已经证明主要由螺旋桨、马达和机体的机械振动产生的综合声学信号具有足够独特的特征，可以用来在现实的开放世界条件下在一些无人机类别中识别无人机类型。DL和DNN也被研究用于涉及多通道声学处理的各种应用，如[11,12]和[13]中，多通道频谱相位信息被用作卷积神经网络（CNN）的输入，用于DOA估计。在我们的研究中，一个基于CNN的四级网络的算法的性能被引入到识别和定位任务中。两个平行阶段处理射频数据和声学数据的内在特征。第三阶段进行声源识别，第四阶段进行回归。这种算法既能产生无人机识别，又能对DOA和与声源的距离进行联合预测。本文对这一研究的现状进行了讨论。

为了研究我们的方法，我们用两个不同的无人机产生的实验声学数据和来自分布式天线阵列的合成射频数据创建了一个半模拟的场景。麦克风阵列是一个19通道的球形阵列，能够进行三维声学场景分析。还提出了一个实验性的传感器数据流架构，其中只有小尺寸和低成本的硬件用于采集系统和机载处理单元，称为单板计算机（SBC），将数据流向地面站（GS），在那里可以用高计算能力进行基于CNN的定位处理。