Wie Anti-UAV-Radargeräte Drohnen präzise von Vögeln unterscheiden

Einführung

In Sicherheitsszenarien mit geringer Flughöhe, wie beispielsweise in Häfen, Öl- und Gasdepots, Flughäfen und Industrieparks, fallen Mini-Drohnen und Vögel gleichermaßen unter die Kategorie „niedrige, langsame, kleine Ziele“. Sie zeichnen sich durch geringe Größe, niedrige Flughöhe und geringe Geschwindigkeit aus. Herkömmliche Radargeräte neigen dazu, Vögel fälschlicherweise als eindringende Drohnen zu erkennen und so täglich Tausende von Fehlalarmen auszulösen. Dies erhöht den Arbeitsaufwand für die Sicherheitskräfte im 24/7-Betrieb erheblich und kann sogar die Erkennung realer Bedrohungen durch unbefugte Drohnen erschweren.

Unsere 2D-Aktiv-Phased-Array-Radargeräte für die Tiefflugüberwachung und die luftgestützten Ku-Band-Radargeräte LW-Ku205 nutzen die Mikro-Doppler-Merkmalserkennung als Kerntechnologie, ergänzt durch mehrdimensionale Beurteilungskriterien wie Radarquerschnittsstreuung, Flugbahnkinematik, KI-gestütztes Deep Learning und optoelektronische Fusion. Diese Lösungen reduzieren die durch Vögel verursachten Fehlalarmraten um über 901 TP3T, ermöglichen eine hochpräzise Zielklassifizierung bei allen Wetterbedingungen und dienen als zentrale Sensorik für die Tiefflugüberwachung kritischer Infrastrukturen.

I. Kernidentifizierungskriterium: Mikro-Doppler-Effekt (Die wichtigste Unterscheidungsmethode)

Neben der Erfassung der Gesamtfluggeschwindigkeit von Zielen können Radargeräte auch subtile Frequenzschwankungen detektieren, die durch kleinste bewegliche Komponenten an den Zielen hervorgerufen werden. Dieses Phänomen der Echofrequenzmodulation wird als Mikro-Doppler-Effekt bezeichnet. Rotierende UAV-Propeller und langsam schlagende Vogelflügel folgen völlig unterschiedlichen Bewegungsmechanismen, was zu drastisch unterschiedlichen Spektralsignaturen führt. Dies bildet die Grundlage dafür, dass Radargeräte die beiden Zieltypen unterscheiden können.

1. Einzigartige spektrale Eigenschaften von Multikopter-Drohnen

1. Hochfrequente, symmetrische und regelmäßige harmonische Streifen Angetrieben von Motoren rotieren die Propeller von UAVs hunderte Male pro Sekunde mit einer Rotationsfrequenz von 50–100 Hz. Die synchronisierte Rotation der Multirotoren von Quadcoptern und Hexacoptern erzeugt dichte, gleichmäßig symmetrische Hell-Dunkel-Streifen auf den Rotorblättern in Spektrogrammen mit starker Periodizität und hoher Erkennbarkeit.
2. Exklusive Hover-Signatur Unbemannte Luftfahrzeuge (UAVs) können lange Zeit stabil in der Luft schweben. Während die Gesamtgeschwindigkeit des Rumpfes gegen null tendiert, drehen sich die Propeller mit hoher Geschwindigkeit weiter und erzeugen charakteristische Mikro-Doppler-Spektren, die von Radargeräten erfasst werden. Vögel können nicht stabil schweben, und diese Eigenschaft kann die meisten Vogelziele schnell ausblenden.
3. Große spektrale Bandbreite Die maximale Mikro-Doppler-Frequenz von UAVs kann mehrere tausend Hertz erreichen und deckt damit einen weitaus größeren Spektralbereich ab als Vögel mit klar definierten Merkmalsgrenzen in Zeit-Frequenz-Diagrammen.

2. Spektrale Eigenschaften schlagender Vogelflügel

1. Niederfrequente, unregelmäßige und asymmetrische Schwankungen Vogelflügel schlagen mit einer Frequenz von nur 4–10 Hz und erzeugen dabei sanfte, unregelmäßige Wellenkurven ohne ausgeprägte harmonische Linien im Spektrum. Beim Gleitflug mit ruhenden Flügeln verschwindet der Mikro-Doppler-Effekt nahezu vollständig.
2. Sich ständig verändernde Spektren während des Fluges Der Flügelschlagrhythmus von Vögeln ändert sich ständig beim Gleiten, Kreisen und Sturzflug, was zu kontinuierlich deformierten Spektralmustern ohne feste, stabile Wellenformen führt.
3. Schmale spektrale Bandbreite Die maximale Dopplerfrequenz von Vögeln liegt unter 200 Hz, wodurch eine deutliche spektrale Lücke zu UAVs entsteht. Algorithmen können schnell Schwellenwerte festlegen, um die beiden Kategorien zu trennen.

II. Vier zusätzliche Verifikationsdimensionen zur Vermeidung von Fehlbeurteilungen durch mehrschichtige Logik

Die alleinige Nutzung von Mikro-Doppler-Merkmalen kann in seltenen Fällen zu Fehlklassifizierungen führen. Industrielle Sicherheitsradargeräte integrieren vier Ebenen der Merkmalsauswertung mit Querverifizierung, um eine präzise Zielerkennung zu gewährleisten.

(1) RCS (Radarquerschnitt) Materialunterschied

• UAVsRumpf, Motoren und Propeller bestehen aus Kohlefaser und Metallkomponenten, wodurch mehrere starke, diskrete Reflexionsspitzen im Echo entstehen. Mini-Renndrohnen weisen einen Radarquerschnitt (RCS) von 0,01 bis 0,1 m² auf, wobei die Metallteile feste Reflexionspunkte erzeugen.
• VögelDa Vögel aus Fleisch und Federn bestehen und nahezu keine metallischen reflektierenden Strukturen aufweisen, senden sie weiche und einheitliche Echosignale ohne starke lokale Reflexionspunkte aus. Ihre Radarquerschnittswerte (RCS) schwanken in einem breiteren und insgesamt schwächeren Bereich.

(2) Kinematische Logik: Beurteilung von Flugbahnen

Radargeräte verfolgen Ziele kontinuierlich für 3 bis 10 Sekunden und erfassen Geschwindigkeit, Höhe, Drehwinkel und Verweildauer, um Zieltypen anhand von Bewegungsmustern zu unterscheiden:

1. Bewegungseigenschaften von UAVs Unbemannte Luftfahrzeuge (UAVs) können über lange Strecken mit konstanter Geschwindigkeit geradeaus fliegen, an festen Positionen schweben und präzise, enge Kurven fliegen. Sie können über längere Zeiträume eine konstante Flughöhe halten und entlang regelmäßiger, geradliniger Pfade wie Wasserwege, Tankwände und Umzäunungen mit stabilen und kontrollierbaren Flugrouten fliegen.
2. Bewegungsmerkmale von Vögeln Vögel fliegen ohne feste Routen, kreisen willkürlich und ändern dabei häufig ihre Flughöhe und Geschwindigkeit. Sie können nicht lange stillstehen, weichen Hindernissen unvorhersehbar aus und reisen meist in verstreuten Schwärmen, ohne über längere Strecken feste Flugrouten zu befahren.

(3) Screening nach Zielgröße und Höhenbereich

• UAVs haben feste Abmessungen im Bereich von 20 cm bis 2 m und sind in der Lage, in jeder Höhe zwischen 5 m und 1000 m dauerhaft zu fliegen.
• Vögel unterscheiden sich drastisch in ihrer Körpergröße. Seevögel und Zugvögel fliegen meist nahe am Meer oder am Boden und kreisen selten konstant in Höhen von Hunderten von Metern.

(4) Sekundäre Kreuzverifizierung mittels Radar- und optoelektronischer Fusion

Nachdem die Radargeräte die Zielkoordinaten ausgegeben haben, verknüpft das System automatisch optoelektronische Schwenk-Neige-Systeme mit sichtbarem Licht und Infrarot, um Ziele zur sekundären Bestätigung durch Wärmebildsignaturen zu erfassen:

1. UAVs: Motoren und elektronische Drehzahlregler erzeugen kontinuierlich Wärme, die auf Wärmebildern als mehrere punktierte Hochtemperatur-Wärmequellen mit kantigen und deutlich erkennbaren Rumpfkonturen sichtbar ist.
2. Vögel: Als Lebewesen mit konstanter Körpertemperatur verfügen Vögel über eine gleichmäßig verteilte Körperwärme, die eine glatte, einheitliche Wärmequelle ohne lokale Hochtemperaturstellen bildet.

III. Vollständiger KI-gestützter Workflow zur intelligenten Radarerkennung

1. Echo-Clutter-Vorverarbeitung Die Puls-Doppler-Architektur filtert statische Störungen heraus, die durch Meereswellen, Metallpanzer und Gebäude entstehen, und extrahiert so die rohen Echosignale von sich bewegenden Luftzielen.
2. Zeit-Frequenz-Spektrogramm-Erzeugung Die Kurzzeit-Fourier-Transformation wird angewendet, um Echos zu analysieren und exklusive Mikro-Doppler-Spektrogramme zu erzeugen.
3. Automatische Extraktion mehrdimensionaler Merkmale Die Algorithmen extrahieren fünf Kernparameter: spektrale Bandbreite, Harmonische, Symmetrie, RCS-Intensität und Flugbahnkinematik.
4. Automatische Klassifizierung mittels Deep-Learning-Modell Ein mit Hunderttausenden von gemessenen UAV- und Vogeldaten trainiertes CNN-Neuronales Netzwerk identifiziert automatisch Zielkategorien und gibt Erkennungssicherheitswerte aus.
5. Sekundäre Korrektur mittels Langzeit-Flugbahnserien Kontinuierlich aufgezeichnete Streckendaten über Dutzende von Sekunden korrigieren Fehlbewertungen, die durch versehentliche kurzfristige spektrale Abweichungen verursacht werden, und filtern vorübergehende abnormale Messwerte heraus.
6. Hierarchischer Alarmausgang Als UAVs identifizierte Ziele lösen Hochrisiko-Alarme aus, wobei vollständige Flugbahnprotokolle archiviert werden; Vogelziele werden direkt herausgefiltert, ohne ungültige Alarmdatensätze zu erzeugen.