[論文レビュー] An Amateur Drone Surveillance System Based on Cognitive Internet of Things

Guoru Ding, Qihui Wu+4 more|arXiv (Cornell University)|Nov 29, 2017

UAV Applications and OptimizationEngineering参考文献 9被引用数 21

ひとこと要約

本稿では、マルチセンサー3仮説検定を用いて、認可済みドローンと不正ドローンの知能的検出および分類を可能にする、認知IoTベースのアマチュアドローン監視システム「Dragnet」を提案する。誤報率制約下での検出確率を最適化することで、不正ドローンの同定において高い正確性を達成するとともに、誤検出を最小限に抑え、センサー数およびサンプリング時間の増加に伴い性能が向上する。

ABSTRACT

Drones, also known as mini-unmanned aerial vehicles, have attracted increasing attention due to their boundless applications in communications, photography, agriculture, surveillance and numerous public services. However, the deployment of amateur drones poses various safety, security and privacy threats. To cope with these challenges, amateur drone surveillance becomes a very important but largely unexplored topic. In this article, we firstly present a brief survey to show the state-of-the-art studies on amateur drone surveillance. Then, we propose a vision, named Dragnet, by tailoring the recent emerging cognitive internet of things framework for amateur drone surveillance. Next, we discuss the key enabling techniques for Dragnet in details, accompanied with the technical challenges and open issues. Furthermore, we provide an exemplary case study on the detection and classification of authorized and unauthorized amateur drones, where, for example, an important event is being held and only authorized drones are allowed to fly over.

研究の動機と目的

• 高規格な空域における不正なアマチュアドローンによる増大する安全性、セキュリティ、プライバシーの脅威に対処すること。
• 認知IoTの原則に従い、アマチュアドローン監視に特化した新規でスケーラブルな監視システムを開発すること。
• 特にイベント会場などの高セキュリティゾーンにおいて、認可済みまたは不正ドローンとしてのドローンをリアルタイムで検出および分類できること。
• 信号処理の最適化を通じて、不正ドローンの検出を最大化するとともに、誤報を最小限に抑えること。

提案手法

• 本システムは、3仮説検定フレームワークを採用：H₀（ドローンなし）、H₁（認可済みドローン）、H₂（不正ドローン）。
• 未知の不正ドローンの特徴を扱うために一般化尤度比検定（GLRT）が用いられる。
• 最適化問題は、Pr(H₂|H₂)を最大化することを目的とし、Pr(H₁|H₀) + Pr(H₂|H₀) ≤ α および Pr(H₂|H₁) + Pr(H₀|H₁) ≤ β の誤報確率制約を満たす。
• センサー数と信号サンプル数の増加により、グローバル検出確率が向上し、性能が向上する。
• 性能ベンチマークとして、認可済みおよび不正ドローンからの信号分布を完全に把握していると仮定する「ジーニー支援方式」が用いられる。
• シミュレーション結果により、異なるセンサーやサンプル設定における検出確率と誤報率のトレードオフが評価される。

実験結果

リサーチクエスチョン

• RQ1 高セキュリティ環境における効果的なアマチュアドローン監視を実現するために、認知IoTフレームワークはどのように適合可能か？
• RQ2 不正ドローンの検出確率と、認可済みドローンおよび存在しないドローンに対する誤報率の最適なトレードオフは何か？
• RQ3 センサー数とサンプリング時間は、ドローン検出および分類の性能にどのように影響を与えるか？
• RQ4 合成仮説設定下で、一般化尤度比検定（GLRT）は、未知の不正ドローンを効果的に分類できるか？
• RQ5 実世界のシナリオにこのようなシステムを展開するにあたり、主な技術的課題と未解決の問題は何か？

主な発見

• 不正ドローンの検出確率（Pr(H₂|H₂)）は、センサー数の増加およびサンプリング時間の延長に伴い向上し、全体的なシステム信頼性が向上する。
• センサー数とサンプル数の増加により、グローバル検出確率が著しく上昇するが、高値に達すると限界効果は減少する。
• 検出性能と誤報率の間には根本的なトレードオフが存在し、高い検出率を達成するには誤検出の増加を許容する必要がある。
• 提案された一般化尤度比検定（GLRT）方式は、信号特性が不確実な状況下でも、ベースライン手法を上回る不正ドローン検出性能を示す。
• ジーニー支援方式は、信号分布を完全に把握していると仮定するが、これは性能の上限を示しており、完全なチャネル状態情報が得られれば得られる利点を示している。
• シミュレーション結果から、より多くのサンプルとセンサーにより検出性能が向上することが確認されたが、その代償として検出遅延および調整オーバーヘッドが増加する。