[论文解读] 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 21

一句话总结

本文提出 Dragnet，一种基于认知物联网的业余无人机监控系统，通过多传感器三重假设检验实现对授权与非授权无人机的智能检测与分类。通过在误报率约束下优化检测概率，该系统在减少误报的同时提升了对非授权无人机的识别准确率，且随着传感器数量和采样时长的增加，性能持续增强。

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.

研究动机与目标

• 为应对非授权业余无人机在敏感空域带来的日益增长的安全、安保与隐私风险。
• 开发一种新颖且可扩展的监控系统，专为基于认知物联网原理的业余无人机监测而设计。
• 实现实时检测与分类无人机是否为授权或非授权，尤其适用于大型活动场馆等高安全区域。
• 通过优化信号处理，在最大化非授权无人机检测率的同时最小化误报率。

提出的方法

• 该系统采用三重假设检验框架：H₀（无无人机）、H₁（授权无人机）、H₂（非授权无人机）。
• 采用广义似然比检验（GLRT）以处理非授权无人机特征未知的复合假设。
• 优化问题旨在最大化 Pr(H₂|H₂)，同时满足误报概率约束：Pr(H₁|H₀) + Pr(H₂|H₀) ≤ α 与 Pr(H₂|H₁) + Pr(H₀|H₁) ≤ β。
• 通过增加传感器数量和信号样本数量，提升全局检测概率，从而增强性能。
• 采用“先知辅助”方案进行性能基准测试，假设可完全掌握授权与非授权无人机的信号分布。
• 仿真结果评估了在不同传感器与样本配置下，检测概率与误报率之间的权衡。

实验结果

研究问题

• RQ1 如何将认知物联网框架适配于高安全环境下的有效业余无人机监控？
• RQ2 在非授权无人机检测概率与授权及不存在无人机的误报率之间，最优权衡为何？
• RQ3 传感器数量与采样时长如何影响无人机检测与分类的性能？
• RQ4 广义似然比检验在复合假设设定下，对未知非授权无人机的有效分类能力如何？
• RQ5 在真实场景中部署此类系统时，面临的关键技术挑战与开放问题有哪些？

主要发现

• 非授权无人机的检测概率（Pr(H₂|H₂)）随传感器数量增加和采样时长延长而提升，从而增强系统整体可靠性。
• 传感器数量与样本数量的增加显著提升全局检测概率，但高值时增益趋于边际递减。
• 检测性能与误报率之间存在根本性权衡，即更高的检测率需以容忍更多误报为代价。
• 所提出的广义似然比检验（GLRT）方案在非授权无人机信号特征不确定的情况下，优于基线方法。
• 先知辅助方案假设可完全掌握信号分布，提供了性能上限，表明获取完美信道状态信息可带来显著性能增益。
• 仿真结果证实，更多样本与传感器可提升检测性能，但代价是检测延迟增加与协调开销上升。