无人机系统，通常被称为无人机，在世界各地得到广泛应用。无人机的积极应用有可能拯救生命，提高安全性和效率，并促进更有效的科学和工程研究。然而，由于越来越依赖计算机和通信技术，面临着无人机威胁，这将公共安全、国家安全和个人隐私置于危险之中。为了促进无人机操作的安全、可靠和隐私，迫切需要用于检测、跟踪、识别和缓解无人机的创新技术。反无人机系统是指能够合法、安全地禁用、干扰或控制无人机或无人机系统的系统或设备。在过去几年中，在探测和缓解无人机方面做出了重大研究努力：探测技术基于声学、视觉、被动射频、雷达和数据融合;缓解技术包括物理捕获或干扰。
一、无人机的威胁
基于无人机的威胁分为三类：公共安全、国家安全和个人隐私，如表一所示。基于无人机的公共安全威胁是由于在其他飞机附近，尤其是机场附近运行无人机造成的;人群、公共活动或挤满人群的体育场;基于无人机的国家安全威胁是由于无人机在指定的国家安全敏感设施上运行，例如军事基地、国家地标和某些关键基础设施;基于无人机的隐私威胁是由于当指向私人住宅内时，操作无人机搭载摄像机处于打开状态。
二、无人机检测技术
自2014年以来，已经提出了五种无人机检测技术，包括声学、视觉、无源射频、雷达和数据融合。
1.基于声学的无人机检测
基于声学的无人机检测利用声学传感器捕捉无人机的声音，通过音频识别和跟踪无人机。部署在受限区域周围的声学传感器阵列定期记录音频信号，并将音频信号传送到地面站。地面站提取音频信号的特征，以确定无人机是否正在接近。
传统上，在接收到无人机的音频信号后，将对功率谱或频谱进行分析以识别无人机。采用线性预测编码来区分无人机发动机的声音和汽车发动机的声音，但性能取决于天气条件。设计一个实时无人机声音检测和分析系统，可以从传感器获取实时声音数据并识别无人机。应用欧氏距离和尺度不变特征变换(SIFT)来区分无人机发动机声音和背景声音，并证明了它们的有效性，尽管噪声的功率谱大于无人机声音的功率谱。然而，在实践中，它们的处理效率很低。
由于重量轻、成本低、易于组装，声学传感器可用于构建声学采集阵列，并部署在目标区域，以定位和跟踪无人机的轨迹。提出了一种在无人机上部署声传感器阵列的方法。声学传感器阵列由24个定制麦克风组成，这些麦克风可以协同定位和跟踪无人机。他们用到达时间延迟(TDOA)校准每个传感器，并用波束形成预测无人机的飞行路径。他们可以很好地跟踪飞行轨迹，但这种方法在大范围空间中无法很好地工作，传感器的精度严重依赖于校准。两个阵列由4个麦克风传感器组成，以提高无人机的定位能力。由于多径效应，他们提供了高斯先验概率密度函数来改进时差估计。
它们的阵列可以有效地部署在特定区域，并在跟踪无人机方面取得了良好的性能。然而，他们的系统在长时间工作时并不稳定。先进的声学摄像头被用来检测和跟踪无人机。具体来说，他们使用2到4个声学摄像头来捕捉声音的强度分布，并融合强度分布来计算无人机在室内和室外的位置。使用音频辅助摄像机阵列检测无人机，无人机同时捕获视频和音频信号，并使用方向梯度直方图(HOG)特征和Mel频率倒谱系数(MFCC)特征对对象进行分类。
与上述传统方法不同，利用机器学习从音频数据中对无人机进行分类已经做了大量的研究工作。采用支持向量机(SVM)对无人机发动机的中期信号进行分析，构建无人机的信号指纹。他们的结果表明，在某些情况下，分类器能够准确区分无人机。提出了一种将无人机检测问题转化为二值分类问题的方法，并利用高斯混合模型(GMM)、卷积神经网络(CNN)和递归神经网络(RNN)对无人机进行检测。他们的研究结果表明，这种方法可以在240ms内处理短输入信号。
目前基于声学的无人机检测技术能够准确地识别和定位无人机，以满足无人机检测的精度要求。然而，声学方法的性质限制了无人机的大规模部署和检测。机器学习(ML)为将声学传感集成到基于声学的无人机检测中提供了巨大的机会，以提高无人机检测性能。
2.基于射频的无源探测
无人机通常至少有一条射频(RF)通信数据链路与其遥控器相连，以接收控制命令或传送航空图像。在这种情况下，这种传输的光谱模式被用作无人机检测和定位的重要证据。图1显示了不同的无源射频技术。在大多数情况下，软件无线电(SDR)接收机用于拦截射频信道。
图1
为了利用无人机的频谱模式，提出了一种无人机射频信号的人工神经网络(ANN)检测算法，该算法采用了三种信号特征：改进的斜率、改进的偏度和改进的峰度。结果表明，基于人工神经网络的算法在改进信号频谱的斜率、偏度和峰度方面优于其他识别技术。
数据流量模式也是指定无人机的一个重要特性。提出了一种无人机检测和识别系统，该系统利用商用现货硬件被动监听无人机及其控制器之间的无线信号，以获得数据包传输特性。主要提取了无人机的数据包长度分布，并用三种无人机对原型系统进行了评估。他实验结果证明了使用数据帧长度在20秒内识别不同无人机的可行性。越来越多的商用无人机使用WiFi作为控制和第一人称视图(FPV)视频流协议，这是一种基于WiFi指纹的无人机检测方法。该方法通过监测数据流量来识别附近区域是否存在未经授权的无人机。
基于数据流量的方法或纯频谱模式方法高度依赖于遥测协议或无人机的射频前端。这些方法可能无法识别使用未知遥测协议运行的无人机。因此，一些研究侧重于利用飞行无人机的无线电信号的动力学运动模式来确定其存在。
定位也是无源射频无人机检测的重要组成部分。将无人机检测的完整检测过程分为射频频谱感知和波达方向(DoA)估计。这里介绍一个有用的实验，该实验使用基于商用现货现场可编程门阵列(FPGA)的SDR系统来检测和定位小型无人机。结果表明，使用基于FPGA的商用SDR系统开发能够检测误差为50-75m的小型无人机的无人机检测系统是可能的。优化时钟同步的SDR系统将从根本上减少距离测量误差。在无人机被动射频检测中，如何在普适硬件上实现具有可接受精度的鲁棒定位算法仍然是一个有待解决的问题。如何在地面站或其他无人机平台上部署此类基于射频的无源系统是无人机检测中的另一个公开问题。
3.基于视觉的无人机检测
基于视觉的无人机检测技术主要集中在图像处理上。视频和摄像机被用来捕捉侵入的无人机的图像。地面站通过视频和图片计算出无人机的外观。传统的方法主要依靠图像分割的方法。图像中无人机和环境的差异用于确定限制区域是否有无人机。
相比之下，最先进的图像分割方法利用神经网络直接识别无人机的外观。一种方法利用热摄像头检测无人机，并利用神经网络识别无人机。一种轻量级的快速算法，可以在嵌入式系统(Nvidia Jetson TX1)上运行，并识别运动中的无人机。
设计一种基于视觉的无人机实时检测系统，该系统基于两个视觉处理平台：基于FPGA的平台，可以在10瓦以下工作(即节能)，基于图形处理单元(GPU)的平台，可以处理更多的帧。然而，对于FPGA来说，不可能实时更改算法。通过比较不同卷积神经网络在检测无人机方面的性能，结果表明，具有更快R-CNN的视觉几何组(VGG 16)网络取得了优异的性能。因此提出了一种将不同的图片组合起来生成合成图像的方法，以扩展图像数据集来训练卷积神经网络，从而提高无人机检测的性能。
鸟类是降低图像中无人机识别能力的一个重要因素。为了使用卷积神经网络来增强无人机的识别，人们进行了大量的研究工作。调查得出结论，神经网络算法在识别无人机和鸟类方面很有前景。它比较了使用视频和图片数据集识别鸟类和无人机的基于政策的方法和基于神经网络的算法。结果表明，基于神经网络的方法在准确性和效率方面可以超过基于策略的方法100倍。因此提出了一种无人机检测框架，该框架基于视频流，并使用卷积神经网络将目标分类为不同类型。这项工作主要集中在区分不同场景中的鸟类和无人机。
与此同时，一些人尝试使用红外摄像机来识别无人机。红外传感器用于检测热量中无人机的微小变化，以识别无人机。这种方法的缺点是电池产生的热量对结果检测有显著影响。与其他对图像帧进行分类的研究不同，动态视觉传感器用于捕获螺旋桨的旋转频率，以有效区分无人机和鸟类。
无人机的移动性对基于视觉的方法提出了挑战，即图像应该在无人机的不同移动性水平上被捕获和识别。仿生机器人的检测精度有限，存在误识别无人机和鸟类的风险。提高识别精度可以大大提高无人机的检测和防御效率。
4.基于雷达的无人机探测
与其他传感器相比，雷达在探测空中目标方面具有日夜操作能力、天气独立性以及同时测量距离和速度的能力。然而，常规雷达系统主要用于打击雷达截面积(RCS)大于1平方米的中大型空中目标，这使得小型低速无人机不可行。由于速度较慢，很难检测到无人机。因此，需要努力开发新的雷达模型或提高常规系统的探测分辨率。在本节中，我们将讨论三类基于雷达的无人机检测技术：主动检测、被动检测和后验信号处理。
4.1主动检测通常，有两种方法可以提高用于无人机监视的常规雷达探测系统的分辨率：利用高频载波和使用多输入多输出(MIMO)波束形成无线电前端。
为了利用更短的波长，X波段和W波段调频连续波(FMCW)雷达被设计用于无人机探测。他们的解决方案使用双基地天线，最终将接收到的信号转换为数字信号用于后处理的正交流。
噪声雷达被认为是检测慢速无人机的一种有效方法，其优点是可以通过使用简单的天线组件和较低的载波频率来检测无人机。使用随机序列雷达进行无人机检测的可行性在X波段得到了证明，其结果表明，这种雷达可以成为未来高成本高效的无人机检测解决方案。
计算技术的进步使另一种雷达成为可能，即基于SDR的多模雷达。这种雷达体积小，可配置性强。然而，SDR的运行性能在很大程度上依赖于后端处理器。两种不同的FMCW雷达实现和一种连续波噪声雷达实现，以测试其用于无人机检测的可行性。研究结果表明，模拟实现具有更高的更新率和信噪比(SNR)。
主动雷达的明显缺点是，它们需要特殊设计的发射机，这些发射机可能不容易部署，并且容易受到反辐射攻击。
