論文の概要: URANUS: Radio Frequency Tracking, Classification and Identification of Unmanned Aircraft Vehicles

• arxiv url: http://arxiv.org/abs/2207.06025v1
• Date: Wed, 13 Jul 2022 08:14:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-15 00:46:47.223080
• Title: URANUS: Radio Frequency Tracking, Classification and Identification of Unmanned Aircraft Vehicles
• Title（参考訳）: URANUS:無人航空機の周波数追跡・分類・識別
• Authors: Domenico Lof\`u, Pietro Tedeschi, Tommaso Di Noia and Eugenio Di Sciascio
• Abstract要約: 重要インフラ(CI)の安全性とセキュリティの問題は、攻撃者がセンシティブな空域を飛ぶ攻撃ベクターとしてドローンをますます採用するにつれて増大している。 このようなケースにおけるドローンの存在を検出し、分類し、識別するために、コスト効率のよいフレームワークが必要である。 本稿では,無人飛行場に侵入するタイムリーかつ効率的なドローンをCIオペレーターが検出し,分類し,識別できることを,URANUSという安価なRFベース検出フレームワークを用いて実証する。
• 参考スコア（独自算出の注目度）: 8.114164858177617
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Safety and security issues for Critical Infrastructures (CI) are growing as attackers increasingly adopt drones as an attack vector flying in sensitive airspace, such as airports, military bases, city centres, and crowded places. The rapid proliferation of drones for merchandise, shipping recreations activities, and other commercial applications poses severe concerns on the CI operators due to the violations and the invasions of the restricted airspaces. A cost-effective framework is needed to detect, classify and identify the presence of drones in such cases. In this paper, we demonstrate that CI operators can detect, classify and identify timely and efficiently drones (multi-copter and fixed-wings) invading no-drone zones, with an inexpensive RF-based detection framework named URANUS. Our experiments show that by using Random Forest classifier, we achieved a classification accuracy of 93.4% in the classification of one or multiple specific drones. The tracking performance achieves an accuracy with an average of MAE=0.3650, MSE=0.9254 and R2 = 0.7502. Our framework has been released as open-source, to enable the community to verify our findings and use URANUS as a ready-to-use basis for further analysis.
• Abstract（参考訳）: 攻撃者が空港や軍事基地、都市中心部、混雑した場所など、繊細な空域を飛行する攻撃ベクトルとしてドローンを採用するようになり、重要なインフラ(ci)の安全性とセキュリティの問題が高まっている。 商品、輸送レクリエーション活動、その他の商業用途のためのドローンの急速な普及は、制限された空域の侵犯と侵略のためにciオペレーターに深刻な懸念を抱かせる。 このようなケースにおけるドローンの存在を検出し、分類し、識別するために、コスト効率のよいフレームワークが必要である。 本稿では, 高速かつ効率的なドローン(マルチコプター, 固定翼)の進入不能ゾーンの検出, 分類, 同定を, URANUS という名称の安価なRFベース検出フレームワークを用いて行うことを実証する。 実験の結果,ランダム林分分類器を用いて1機または複数機のドローンの分類精度93.4%を達成した。 追跡性能は平均MAE=0.3650、MSE=0.9254、R2 = 0.7502の精度が得られる。 我々のフレームワークはオープンソースとしてリリースされ、コミュニティが我々の発見を検証し、さらなる分析のためにURANUSを利用可能な基盤として利用できるようにする。

関連論文リスト

• Robust Low-Cost Drone Detection and Classification in Low SNR Environments [0.9087641068861043]
  ドローンを検知し、分類する能力について、様々な畳み込みニューラルネットワーク(CNN)を評価した。 本稿では,標準コンピュータ,ソフトウェア定義無線(SDR),アンテナを用いた低コストドローン検知システムについて紹介する。
  論文  参考訳（メタデータ） (2024-06-26T12:50:55Z)
• Drone-type-Set: Drone types detection benchmark for drone detection and tracking [0.6294091730968154]
  本稿では,認識された物体検出モデルとの比較とともに,各種ドローンのデータセットを提供する。 異なるモデルの実験結果と各手法の記載が提供される。
  論文  参考訳（メタデータ） (2024-05-16T18:56:46Z)
• Radar Fields: Frequency-Space Neural Scene Representations for FMCW Radar [62.51065633674272]
  本稿では,アクティブレーダイメージア用に設計されたニューラルシーン再構成手法であるRadar Fieldsを紹介する。 提案手法では,暗黙的ニューラルジオメトリとリフレクタンスモデルを用いて,暗黙的な物理インフォームドセンサモデルを構築し,生のレーダ測定を直接合成する。 本研究では,密集した車両やインフラを備えた都市景観を含む,多様な屋外シナリオにおける手法の有効性を検証する。
  論文  参考訳（メタデータ） (2024-05-07T20:44:48Z)
• Towards Real-Time Fast Unmanned Aerial Vehicle Detection Using Dynamic Vision Sensors [6.03212980984729]
  無人航空機(UAV)は民間や軍事用途で人気を集めている。 UAVの予防と検出は、機密性と安全性を保証するために重要である。 本稿では,F-UAV-D(Fast Unmanned Aerial Vehicle Detector)を提案する。
  論文  参考訳（メタデータ） (2024-03-18T15:27:58Z)
• TransVisDrone: Spatio-Temporal Transformer for Vision-based Drone-to-Drone Detection in Aerial Videos [57.92385818430939]
  視覚的フィードを用いたドローンからドローンへの検知は、ドローンの衝突の検出、ドローンの攻撃の検出、他のドローンとの飛行の調整など、重要な応用がある。 既存の手法は計算コストがかかり、非エンドツーエンドの最適化に追随し、複雑なマルチステージパイプラインを持つため、エッジデバイス上でのリアルタイムデプロイメントには適さない。 計算効率を向上したエンドツーエンドのソリューションを提供する,シンプルで効果的なフレームワークであるitTransVisDroneを提案する。
  論文  参考訳（メタデータ） (2022-10-16T03:05:13Z)
• UAV-aided RF Mapping for Sensing and Connectivity in Wireless Networks [52.14281905671453]
  無人航空機(UAV)を空飛ぶ無線アクセスネットワーク(RAN)ノードとして使用することは、従来の固定地上配備を補完する。 無線マッピングは、この課題に関連する課題の1つであり、ここでは無線マッピングと呼ばれている。 接続性, センサ性, ローカライゼーション性能の観点から, 無線マッピングによる利点を示す。
  論文  参考訳（メタデータ） (2022-05-06T16:16:08Z)
• A dataset for multi-sensor drone detection [67.75999072448555]
  近年,小型・遠隔操作無人航空機(UAV)の使用が増加している。 ドローン検出に関するほとんどの研究は、取得デバイスの種類、ドローンの種類、検出範囲、データセットを特定することに失敗している。 我々は、赤外線および可視ビデオとオーディオファイルを含むドローン検出のための注釈付きマルチセンサーデータベースにコントリビュートする。
  論文  参考訳（メタデータ） (2021-11-02T20:52:03Z)
• A Multi-UAV System for Exploration and Target Finding in Cluttered and GPS-Denied Environments [68.31522961125589]
  複雑なGPSを用いた複雑な環境において,UAVのチームが協調して目標を探索し,発見するための枠組みを提案する。 UAVのチームは自律的にナビゲートし、探索し、検出し、既知の地図で散らばった環境でターゲットを見つける。 その結果, 提案方式は, 時間的コスト, 調査対象地域の割合, 捜索・救助ミッションの成功率などの面で改善されていることがわかった。
  論文  参考訳（メタデータ） (2021-07-19T12:54:04Z)
• Dogfight: Detecting Drones from Drones Videos [58.158988162743825]
  本稿では,他の飛行ドローンからドローンを検知する問題に対処する。 ソースとターゲットドローンのエロティックな動き、小型、任意の形状、大きな強度、および閉塞は、この問題を非常に困難にします。 これに対処するため,地域提案に基づく手法ではなく,2段階のセグメンテーションに基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-03-31T17:43:31Z)
• Dynamic Radar Network of UAVs: A Joint Navigation and Tracking Approach [36.587096293618366]
  新たな問題は、建物の後ろに隠れている無人小型無人航空機(UAV)を追跡することである。 本稿では,悪意のある標的のリアルタイムかつ高精度な追跡のためのUAVの動的レーダネットワークを提案する。
  論文  参考訳（メタデータ） (2020-01-13T23:23:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。