Wykrywanie dronów na podstawie sygnatur mikro-Dopplera z wykorzystaniem radaru FMCW

Wraz z szybkim postępem technologicznym znacznie wzrosła liczba bezzałogowych statków powietrznych (UAV), takich jak drony. Umożliwiają one wykonywanie zdjęć lotniczych, dostarczanie przesyłek oraz pomiar warunków meteorologicznych, jednak mogą być również wykorzystywane jako broń. W nadchodzących latach liczba dronów będzie nadal rosła, co generuje duże zapotrzebowanie na systemy ich śledzenia. Wykorzystanie radarów i systemów śledzących pozwala na utrzymanie bezpieczeństwa publicznego dzięki identyfikacji i klasyfikacji
obiektów latających. Niniejsza praca bada metodę śledzenia dronów z wykorzystaniem radaru FMCW pracującego w paśmie fal milimetrowych, opartą na analizie sygnatur mikro-Dopplerowskich. Dane pomiarowe zostały zebrane przy użyciu dwóch urządzeń firmy Texas Instruments: radaru IWR6843ISK oraz modułu DCA1000 EVM do przechwytywania i strumieniowania danych w czasie rzeczywistym. W celu automatyzacji procesu klasyfikacji, uzyskane sygnały zostały przekształcone w mapy odległość-prędkość (Range-Doppler maps), a
następnie wykorzystane do uczenia konwolucyjnej sieci neuronowej. Proponowany klasyfikator wykazuje obiecującą skuteczność w odróżnianiu dronów od innych celów.
Przeprowadzone badania prowadzą również do wniosku, że w celu uzyskania wysoce
niezawodnego systemu, niezbędna jest jego dalsza walidacja w zróżnicowanych środowiskach operacyjnych.

Słowa Kluczowe
Wykrywanie dronów, radar FMCW, efekt mikro-Dopplera

With rapid technological progress, the number of Unmanned Aerial Vehicles (UAVs), such as
drones, has increased significantly. They allow us to take aerial photos, deliver packages, and
measure weather conditions, but they can also be used as weapons. In the coming years, the
number of UAVs will continue to rise, creating a high demand for tracking devices. By using
radars and tracking systems, public safety can be maintained, as flying objects will be
identified and classified. This thesis explores a method to track drones using FMCW radar
working in the millimetre-wave range by analysing micro-Doppler signatures. The data was
collected using two Texas Instruments devices: the IWR6843ISK radar and the DCA1000 EVM
for real-time data capture and streaming. To automate the classification process, the
obtained signals were transformed into range-Doppler maps and used to train Convolutional
Neural Network. The proposed classifier shows promising performance in distinguishing
drones from other targets, the study also concludes that further validation in diverse
environments is necessary to obtain highly effective system.

Keywords
Drone detection, FMCW radar, Micro-Doppler effect