論文の概要: URANUS: Radio Frequency Tracking, Classification and Identification of
Unmanned Aircraft Vehicles
- arxiv url: http://arxiv.org/abs/2207.06025v3
- Date: Wed, 15 Nov 2023 09:02:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-16 21:14:39.797229
- 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 Di Gennaro, Pietro Tedeschi, Tommaso Di Noia
and Eugenio Di Sciascio
- Abstract要約: URANUSは、制限空域におけるドローンの存在を検出するための費用対効果とリアルタイムのフレームワークである。
我々は、UAVを90ドル%の精度でリアルタイムで識別し分類するために、多層パーセプトロンニューラルネットワークを採用する。
我々の分析によると、URANUSは、ほとんどのクリティカルインフラストラクチャーオペレーターが採用できるUAVを特定し、分類し、追跡するための理想的なフレームワークである。
- 参考スコア（独自算出の注目度）: 9.48595824154853
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Safety and security issues for Critical Infrastructures are growing as
attackers adopt drones as an attack vector flying in sensitive airspaces, such
as airports, military bases, city centers, and crowded places. Despite the use
of UAVs for logistics, shipping recreation activities, and commercial
applications, their usage poses severe concerns to operators due to the
violations and the invasions of the restricted airspaces. A cost-effective and
real-time framework is needed to detect the presence of drones in such cases.
In this contribution, we propose an efficient radio frequency-based detection
framework called URANUS. We leverage real-time data provided by the Radio
Frequency/Direction Finding system, and radars in order to detect, classify and
identify drones (multi-copter and fixed-wings) invading no-drone zones. We
adopt a Multilayer Perceptron neural network to identify and classify UAVs in
real-time, with $90$% accuracy. For the tracking task, we use a Random Forest
model to predict the position of a drone with an MSE $\approx0.29$, MAE
$\approx0.04$, and $R^2\approx 0.93$. Furthermore, coordinate regression is
performed using Universal Transverse Mercator coordinates to ensure high
accuracy. Our analysis shows that URANUS is an ideal framework for identifying,
classifying, and tracking UAVs that most Critical Infrastructure operators can
adopt.
- Abstract（参考訳）: 空港、軍事基地、市中心部、混雑した場所など、機密性の高い空域を飛行する攻撃ベクターとして、攻撃者がドローンを採用する中で、臨界インフラの安全性とセキュリティの問題は増えている。
UAVはロジスティクス、船舶のレクリエーション活動、商業用途に使われているが、制限空域への侵入や違反により運用者に深刻な懸念を抱いている。
このようなケースでドローンの存在を検出するには、コスト効率が高くリアルタイムなフレームワークが必要です。
本稿では,URANUSと呼ばれる効率的な無線周波数検出フレームワークを提案する。
我々は、無線周波数/方向検出システムとレーダーによって提供されるリアルタイムデータを活用し、ドローン(マルチコプターと固定翼)の非ドローンゾーンの検出、分類、識別を行う。
我々は,多層パーセプトロンニューラルネットワークを用いて,90$%の精度で,uavをリアルタイムに識別・分類する。
追跡タスクでは、ランダムフォレストモデルを使用して、MSE $\approx0.29$、MAE $\approx0.04$、R^2\approx 0.93$でドローンの位置を予測する。
さらに,Universal Transverse Mercator 座標を用いて座標回帰を行い,高精度性を確保する。
我々の分析によると、URANUSは、ほとんどのクリティカルインフラストラクチャーオペレーターが採用できるUAVを特定し、分類し、追跡するための理想的なフレームワークである。
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。