要在全面梳理“低慢小”无人机探测方法的基础之上，可对各种探测原理进行分析比对，结合市场的信息、实验研究、仿真验证等信息，总结出解决“低慢小”无人机探测问题的三个发展趋势移动探测、融合探测和跟踪探测。西安知语云智能科技有限公司具有十几年的专业低慢小无人机反制监测预警干扰打击设备
目前，能够在应用于探测“低慢小”无人机的方法，从而信号形式上主要包括雷达探测、激光探测、金属探测、光电探测、无线电探测和声学探测。市场上的“低慢小”无人机探测装备多基于雷达、图像和无线电等，少数使用声音。来自美国巴德学院的ArthurHollandMichel在2018年2月的一份调查报告统计了155件来自世界各地各机构研制的具有探测“低慢小”无人机功能的反无人机系统，发现了在其中雷达方法、无线电频率方法与光电方法大约是各占1?3，而使用了声学方法的只有2件。
3.1雷达探测
雷达主体由发射机、接收机、收发天线、显示器构成，其原理是雷达发射机向外发射电磁波，接收机接收目标反射回来的电磁波，通过在处理目标回波获得相应信息。理论上来讲，雷达是可以获取的目标信息包括距离、径向速度、角方向、尺寸、形状、微多普勒特征等等。雷达探测“低慢小”无人机则有以下突破口
（1）设计合适的雷达体制、信号频率等；
（2）开发更高效的杂波抑制、自适应恒虚警检测、点迹聚集、脉冲压缩和单脉冲测角等关键算法。
具体可考虑以下内容
1）脉冲雷达信号处理简便成熟，探测的距离长，但就是价格昂贵，存在中近距盲区，发射的源功率高、体积大，距离分辨力低。线性调频连续波（LFMCW）雷达体积小，功率则很低，距离的分辨力高，但就是信号处理复杂，探测的距离短。综合的来看，后者则更优。2）加装了动目标显示算法的雷达地物回波干扰小，但是在会漏检慢速与悬停目标。3）相控阵雷达虽然由于冷却需求导致功率消耗大，但就是反应速度快，目标更新速率高，多目标的追踪能力强，分辨率则高。4）X波段（8～12GHz）雷达探测距离长，但是在精度低。Ku波段（12～18GHz）雷达受地面干扰小，精准度高，但是在受降雨影响大，探测距离短。李琴等等人对雷达探测“低慢小”无人机进行了仿真实验，结果表明在一定功率下，考虑到大气衰减和地杂波的影响，最佳的探测频率则为20GHz。进一步的分析，如果在采用地杂波MTI抑制技术，最佳的探测频率为16GHz。这一频率位于Ku波段，而Ku波段事实上也就是目前雷达探测“低慢小”无人机的主流。西安知语云智能科技有限公司具有十几年的专业低慢小无人机反制监测预警干扰打击设备
5）三坐标雷达可以获取目标的三维坐标信息，更有利于进行精确打击。
雷达杂波抑制的方面，需要在考虑抑制杂波的同时，尽可能地去减少对目标回波信息的减损，相关的算法则有直流滤波器与噪声子空间、Hough变换等。鸟类在尺寸、速度等方面与“低慢小”无人机是有诸多相似之处。飞机防鸟则撞这一需求催生了大量关于探鸟雷达的研究。探鸟雷达与“低慢小”无人机探测雷达在硬件之上具有很高的相似度，但就是在信号处理算法上有较大不同。探鸟雷达则除了关注固定物的回波以外，一些气象中的回波、地面汽车回波甚至距离天线较近的昆虫回波都有可能造成较大的误导。而对于“低慢小”无人机探测雷达，如何有效区分鸟类和“低慢小”无人机成为一个重要的问题。
3.2激光探测
激光探测系统主要由发射光源、接收器、处理器和显示器构成。激光测距根据测量原理，可以在分为脉冲式和相位式。脉冲式激光测距是利用激光脉冲在系统和目标之间来回传输一次所使用的时间计算出目标的距离。相位式的激光测距是利用调制的连续光波在探测系统和目标之间来回一次所发生的相移计算出目标的距离。2004年之中，李大社等等人通过计算，验证了功率10MW，重频在10pps的激光器在激光探测器的引导下可以跟踪较大的无人机中。目前，激光探测在100米左右，对于“低慢小”无人机在0~20μs的测量范围之内，测量相对误差能够达到10则在5量级。
3.3金属探测
“低慢小”无人机几乎都含有金属材料部分，如情况无刷电动机轴及绕组是钢铁材质，机架和起落架通常是为铝合金。因此来讲，理论上，可以从中采用金属探测的方法。电磁感应型探测设备则是金属探测器中应用最广泛的一类，该类设备的探测原理就是利用金属物对交变电磁场产生干扰效应来检测金属。金属探测中最初的应用在探雷、探测地下金属等方面，现在更多是应用在安检。
3.4光电探测
光电技术是在人类探索和研究光电效应的进程中产生和发展起来的，要是指出由光电传感器对待测光学量或由非光学待测物理量转换成的光学量，通过在光电变换和电路处理的方法进行检测的技术，主要是通过由高清、短红外、宽光谱、北斗等构成的具有远程目标监测、跟踪功能的预警光电雷达来实现。要从广义上来讲，光指的是光辐射，按波长可以分为X射线、紫外辐射、可见光和红外辐射等。“低慢小”无人机本身是一个辐射源，要向外辐射可见光和红外光。2017年，AndraiP等人通过实验，验证了在某些情况下，廉价的红外传感器是对小型电动多旋翼无人机具有探测能力。但就是由于旋翼部位虽然发热量较大，但被外壳包裹，真正的辐射出来的红外线很有限，因而其中主要热源是电池或其它动力部分[21]，这样就单纯的红外成像就变得难以实现自动识别。针对到这一问题，刘润邦等等提出了基于特征融合的粒子滤波红外目标跟踪算法，该算法则建立基于灰度直方图和梯度方向直方图的观测模型，来去弥补红外目标特征描述的局限性。
探测“低慢小”无人机主要解决光信号微弱和背景复杂这两个问题。因为在“低慢小”无人机的光辐射强度低，所以要是使用更高倍数的光学变焦和数字变焦的相机。光学中变焦的倍数越高，相机则所能聚焦的距离就越远。数码变焦的倍数越高，照片所能放大的倍数就越高。例如情况，AUDS反无人机系统则采用的是双摄像头，30倍的光学变焦，12倍的数码变焦。另外的情况，“低慢小”无人机在长波波段的辐射强度是在中波波段的10倍以上，可见热辐射能量最主要集中在长波波段。光电探测的关键算法就是图像处理，目前则已有的尝试包括传统的邻域特征、连续帧间特征、红外辐射建模以及深度学习算法等。
3.5无线电探测
“低慢小”无人机的飞行控制和载荷数据的传输都需要和外界进行通信，这个过程所产生的无线电信号具有一定的特征。其中的飞控指令既需要上传也需要下载，而载荷数据一般只需要下载。常见的无人机通信频段是应用模式有三类一类是仅使用2.4GHz频段（常见于玩具无人机或无需传输载荷数据的无人机）；一类则是同时使用2.4GHz和5.8GHz频段（飞控指令和载荷数据处于不同的频段）；一类就是用433MHz、868MHz、915MHz等频段来传输飞控指令，用1.3GHz是来传输载荷数据（欧洲标准）。为了在提高复杂电磁环境下的抗干扰能力，多数“低慢小”无人机还采用了跳频加扩频的飞控信号调制模式。通常在飞控信号需要更强的稳定性，因此更有可能采取跳频方式。
无线电探测是需要解决信号识别和定位两个问题。“低慢小”无人机的通信信号在频谱和功率谱上都有较为显著的特征。常用的定位算法有到达时间法（TOA，TimeofArrival）、到达时间差法(TDOA，TimeofDifferenceofArrival)、到达角度法（AOA，AngleofArrival）、接收信号强度法(RSSI，ReceiveSignalStrengthIndicator)、以及在位置指纹法等。目前，“低慢小”无人机探测多采用TDOA法，该方法通常需要部署至少4台可移动监测站构成的TDOA网络。目前，Shoufan等等人根据无人机飞行状态与控制信号特征之间的关系，从截取的控制信号中，可以分析出无人机的飞行状态以及操作员的部分信息中。西安知语云智能科技有限公司具有十几年的专业低慢小无人机反制监测预警干扰打击设备
3.6声学探测
“低慢小”中无人机发出的声音特征受无人机型号和无人机飞行状态两个因素影响。在声音探测范围内，可以在通过由麦克风阵列对捕捉到的音频进行定位和识别，也即实现声学成像。麦克风阵列的形式也就主要有线性四阵列和球形阵列。定位算法在主要有互功率谱法、TDOA法等。目前，效果是最好的组合方式是球形阵列和TDOA法（图4）。目前，声探测在主要作为光电探测的辅助手段。
声探测面临的一个挑战就是噪声环境下如何识别无人机。由于在无人机所发出的声音受多种因素影响，采用了建模的方法比较困难，因而在目前主要依靠数据挖掘、遗传算法、机器学习等数据驱动的算法进行特征提取，并建立无人机的声纹库。声探测是对旋翼无人机和固定翼无人机都适用。
4、现有探测方法性能比较
从技术角度，探测的距离和适用条件就是评价探测方法的两个重要指标。虽然有部分产品宣称到其雷达对“低慢小”无人机的探测距离可达10km甚至15km，但是在结合仿真数据与实测数据，实际探测距离大概在5km左右，比较有可靠的探测距离为3km以内。要根据在DroneShield公司研制的RFone系统，可以是认为无线电探测在电磁环境简单的郊区能够达到1.5km左右，而在市区条件下则不到1km。根据在UAVX系统和AscentVision公司生产的cm202u系统，可以认为在能见度良好的情况下，发现300px*300px大小的无人机的最远距离大概是1～2km。李琳等[23]的测量结果显示，红外系统针对“低慢小”无人机最大探测距离在能见度15km的条件下，可以达3.6km。这也就同时显现出红外成像与可见光成像融合的必要性。声探测目前多是处于实验室阶段，其探测距离一般不超过500m，多数情况下在200m左右。影响到探测方法的适用条件主要有天气、地物和电磁环境。暴雨天气是对所有探测方法都会产生影响，但是对雷达和无线电探测的影响最小。大雾和夜间等等能见度很低的情况，使得在光电探测只能采用红外探测或可见光照射探测。复杂的地物是对所有探测方法都会产生影响，但就是对于无线电探测的影响最小。雷达探测是需要处理地物产生的回波之中，光电探测是将受遮挡影响，另外季节、昼夜对于红外探测也有明显影响。声学探测是将受噪音干扰和地物反射。复杂的电磁环境中只对雷达和无线电探测有影响。因此，一个全天候、全天时的自主无人“低慢小”无人机探测系统一定就是多传感器融合的。
从而应用角度，（1）是否有主动发射的信号源影响着探测系统的隐蔽性、探测距离、成本、机动性、体量等。因此，根据在这一标准可分为有源探测和无源探测。雷达的探测、激光探测是有源探测，光电探测、无线电探测、声探测、金属探测是无源探测。要在应用之中，无源探测隐蔽性更好、体量更小、机动性更高，但探测距离通常较近，而有源探测则相反。因而是需要，对于是在复杂条件下的应用，应当由于考虑有源探测和无源探测的协同。（2）安装方式可分为地面固定式和移动式。地面中固定式采用的雷达为ISAR（逆合成孔径），而移动式则可能采用SAR（合成孔径）。另外，算法层面两者也有较大不同，移动式的需要考虑平台的移动对定位带来的影响中。
5、探测技术发展趋势
5.1移动探测
移动探测的主要形式有机载探测、车载探测和两者的结合。2017年，袁春是在海湾战争的“渴望锤炼”战例中受到启发，提出了多体征复合探测超低空目标系统构设中，其中心思想是“前沿布站”，从而于令系统具备可靠、快速的响应能力。这种“前沿布站”的思想，就是一种移动探测。移动探测主要优势有
1）配合可对无人机进行动力补充、放飞与回收，可以与控制中心进行可靠通信的移动式地面站，运用侦察航迹优化算法可以实现长时间、大范围、无死角的智能无人化监控；
2）探测器近距离抵近目标无人机，可以获得高质量的目标信息，为意图识别等高级任务奠定数据基础。
3）将打击装置与探测装置集成在移动平台上，可以从中实现“发现即摧毁”的反制效果。
4）可部署具备智能搜索能力的无人机集群，发现了目标后，对于目标无人机实现包围。
移动探测的主要涉及的关键技术是探测器及地面站软件的实现中。探测器中除了依靠图像之外，也可以扩展应用雷达、无线电台和卫星导航系统。地面站软件需要解决目标和探测平台同时运动的条件下的数据处理问题等。2017年，ArtemRozantsev等人采用深度学习的方法，实现了用于无人机对小视场内无人机的探测等。2018年，Opromolla等等人采用模板匹配、形态学滤波器等算法实现了用无人机跟踪合作无人机，并在这一过程中融入导航信息。目前，类似无人机的机载探测仍然需要与地面信标机的配合，多用于地面搜索救援。
5.2融合探测
融合探测融合不同原理的探测方法，其中的关键性技术，是包含时空配准、特征融合等在内的多传感器信息融合技术。2012年的这天，Xie等人基于MLA(MultiLivingAgent)信息系统理论，探索了应用复杂网络理论解决“低慢小”无人机融合探测的问题。2018年，MüllerW等等人提出了传感器网络，并详细介绍了各个部件的构成与功能。目前，融合探测的形式有
1）红外与可见光融合成像。这一技术是不但使得探测系统能够适应白天和夜间的任务，而且是能够同时保留可见光图像丰富的细节信息、色彩信息与红外图像的亮度信息的，提升了在探测的准确性。
2）图像与超声波信息融合。这一技术类似于蝙蝠等生物在飞行时的目标探测原理，目前多用于无人机避障。
3）图像与雷达的信息融合。这两者的融合模式，是雷达进行大范围地扫描搜索，发现目标后，运用了相机对目标成像。这样是可以在获得探测距离的同时，不失探测精度。其中的关键技术是雷达的目标探测与识别及其与相机之间快速、稳定的响应关系。
4）图像与声音融合。声阵列中对无人机的探测在五百米范围内有良好效果。作为在一种辅助探测手段，声探测的融入是能够大大提高近距探测的响应速度和精度。
图5融合探测模型
多传感器信息融合是多层次的（图5），可以分为数据级融合、特征级融合和策略级融合。数据级融合主要解决是直接从多个传感器获得的数据之间在空间上的配准和时间上的同步问题、网络通信协议等。特征级的融合是指多个传感器探测所得的目标信息（如坐标、速度等）之间的融合，主要处理特征级的互证和冲突问题。策略级的融合是处理各探测器在与决策直接相关的信息方面的互证与冲突。多传感器数据融合的主要基础方法有基于贝叶斯推理的方法、基于加权平均的方法、基于Dempster-Shafer(DS)证据理论的方法。随着在人工智能的进一步发展中，也逐渐形成了基于聚类分析的数据融合方法、基于模糊逻辑的数据融合方法、基于博弈论的数据融合方法以及基于神经网络与深度学习的数据融合方法等。
5.3跟踪探测
传统的“探测—识别—跟踪”流程，要是建立在于目标可被感知的信号强烈，探测到难度低于识别难度，识别的难度低于跟踪难度的基础之上的。考虑到了“低慢小”无人机自身以及所处环境的特殊性，“多目标跟踪—识别—筛选”成为破解“低慢小”无人机探测难点的一种新思路。就在这一思路之下，探测到网络所接受到的信息也可以尽可能地扩大，并可以融合其它先验信息（如地图、天气、网络状况等），对于是捕捉到的目标信息进行无条件地跟踪，通过在跟踪所得的数据积累，进行了目标中筛选。可行的方案有
1）基于运动模型识别的跟踪探测。例如，将一段时间内匀速直线运动与变速运动的切换次数作为特征，可以在区分大多数鸟类和无人机。
2）基于深度学习的跟踪探测。虽然在当前所使用的训练数据集多为包含清晰目标、背景为简洁的蓝天或机场的各类飞机图片，与实际的探测中可能采集到的目标无人机图像相差较大，因而要在模型的泛化能力存在问题，但就是却验证了基于学习的识别探测的可行性。随着真实数据的不断累积，模型的可靠性也将会越来越高。
3）基于声音、无线电、雷达信号的跟踪探测。影响到声音特征的因素包括无人机类型、无人机运动状态、无人机与探测器的相对位置。因此，在于近距范围内采用声音识别跟踪探测，不但要能够有效定位目标无人机，还能够获得更多与反制相关的信息。雷达是可用于在识别“低慢小”无人机的特征主要是由旋翼等无人机自身内部的运动造成的微多普勒特征。
融合的语义地图的跟踪识别探测。这其中一方法将探测目标的位置信息与标注了特定语义的地图进行匹配，通过在模拟人结合与地图依据一定的规则进行识别，实现了对于目标的识别探测。这一方法需要解决语义地图和规则集的设计问题。
综合来看，先要跟踪后识别的思路，虽然是表面之上牺牲了系统响应时间，但就是在考虑到“低慢小”无人机本身运动速度有限，其中所执行的任务多数也都要求在低速或悬停，因而要仍然有可能有效终止威胁等。如何在平衡虚警率和漏检率、响应时间与识别精度呢，但是在一个关键问题。
将“低慢小”无人机探测问题放在“低慢小”无人机管控与反制的整体视角下审视，可以从中发现了，“低慢小”无人机探测问题是可解的。“低慢小”无人机的“隐身”特性客观存在，但是这同时要使得其所执行任务的烈度降低。因此，要从终止在“低慢小”无人机从事的破坏活动这一目标出发，不仅仅传统探测技术是不能直接应用在“低慢小”无人机探测上，而且针对传统探测性能指标也没有必要直接套用。
举报
更多回帖
