MMOct, 2017

业余无人机的检测和定位的关键技术和系统权衡

PDF
TL;DR本研究旨在提出一种使用监控无人机的调制分类和信号强度定位方法，以精确监测和定位非法飞行的业余爱好者随身携带的无人机，通过在合适高度飞行，调整监控无人机的位置等手段，提高监测和定位性能。
发现论文，激发创造
  • 业余航拍器检测：利用机器学习方法在强干扰环境下的声音信号

    使用无人机侦测领域中的独立成分分析（ICA）机器学习方法可以有效地探测各种声音信号，包括来自鸟类、飞机、雷暴、雨、风和无人机等，并通过功率谱密度（PSD）和 PSD 的 RMS 值检测其是否为业余无人机，是一种在多声源干扰下探测一个或多个业余无人机的独特技术。

    Feb, 2020

  • 低信噪比环境下稳健低成本的无人机检测与分类

    本研究提供了用于模型开发的公开数据集，并对低信噪比条件下的卷积神经网络进行了无人机检测的比较分析，同时部署和现场评估了一个实用、低成本的无人机检测系统。

    Jun, 2024

  • 一种基于认知物联网的业余无人机监控系统

    本文调查了业余无人机监视的现状，并提出一种名为 Dragnet 的新型业余无人机监视网络系统，通过应用新型认知物联网框架来实现，进一步讨论了 Dragnet 的关键技术和挑战，最后提供了一个关于授权和未授权的业余无人机的检测和分类的案例研究。

    Nov, 2017

  • 流氓无人机检测：机器学习方法

    本文提出了一种新的基于机器学习的方法，通过利用无线电测量特征来识别移动网络中的流氓无人机，取得了高的检测率，但在低空中检测精度会下降。

    May, 2018

  • 无人机监测：从视频中识别无人机

    本文提出了使用分割为基础的两阶段方法来检测从其他飞行无人机发射的无人机，通过使用时空注意力线索来确保准确的定位，并以准确性优于其他基线的结果在两个无人机检测数据集上进行了评估。

    Mar, 2021

  • 5G 无人机场景下的深度注意力识别：新颖架构和端到端评估

    提出了一种基于 Deep Attention Recognition 的解决方案，通过认证的 UAV 中嵌入一个小型的深度网络，用可观测参数 SINR 和 RSSI 识别 Line-of-Sight (LoS)，Non-Line-of-Sight (NLoS) 情况下的攻击，并提出数据操作和多数投票技术来补充深度网络决策，探讨了 LSTM 和 Attention 层的影响以及数据不足情况下的精度测试，最后标准分类器测试表明，该算法精度在 LoS 和短距离 NLoS 条件下均高于 XGB 分类器。

    Mar, 2023

  • 带有设备对设备通信的无人机：性能和权衡

    本文研究了利用无人机作为飞行基站为给定地理区域提供即飞即用无线通信的部署，提出了两个无人机工作场景，并对无人机高度、D2D 用户数量等相关参数进行覆盖概率和系统总速率分析，发现最优的无人机高度和覆盖概率存在较强的关联。同时，通过智能移动无人机来实现最小化覆盖整个区域所需的总传输功率，最后讨论了覆盖和延迟之间的权衡。

    Sep, 2015

  • 小型无人机定位与识别的多阶段融合架构：基于无源射频和 EO 图像的案例研究

    使用无人机的无源射频和电光图像数据进行多阶段融合架构的开发，以提高整体跟踪和分类能力，并结合 RF 指纹识别为无人机提供唯一设备标识。

    Mar, 2024

  • 使用单个无人机的基于 RSSI 的户外定位

    本文提出了一种基于 RSSI 的定位方法，利用单个无人机通过聚类方法和奇异值分解来实现，实验结果表明，该方法可以实现低至 7 米的定位准确度。

    Apr, 2020

  • 天空中的眼睛：基于无人机的物体跟踪和三维定位

    本文提出了一种基于深度学习目标检测的无人机多目标跟踪和三维定位方案，将 TrackletNet Tracker（TNT）和多视图立体技术相结合，能够对设备拍摄的对象进行检测、跟踪并测定其三维坐标。

    Oct, 2019