För ett decennium sedan ansågs drönare vara en teknik som endast var begränsad till officiella myndigheter, såsom militär, polis, etc. Men många företag och civila använder UAV (obemannade flygfordon) idag för fritidsfotografering, inspektion, leverans av varor och tjänster. Federal Aviation Administration (FAA) uppskattar att mer än 2 miljoner drönare används över hela USA från och med 2019. Av dessa ägs cirka 1,3 miljoner för rekreationsbruk.
Denna höga befolkningstäthet av drönare och frekventa drönarrelaterade incidenter utgör betydande säkerhets- och säkerhetsutmaningar för kritisk infrastruktur (CI), särskilt kring flygplatsanläggningar.
Mellan 19-21 december 2018 ställdes hundratals flyg in på Gatwick Airport, London, efter rapporter om drönarobservationer nära banan. Det uppskattas att 140 000 passagerare påverkades, med cirka 1 000 flyg som antingen omleddes eller ställdes in, vilket kostade miljontals pund för flygplatsen och flygbolagen.
I en liknande händelse stängdes Newark Airport i New Jersey på grund av att en drönare upptäcktes i närheten under 90 minuter i januari 2019. Incidenten orsakade 90 miljoner USD i ekonomisk förlust.
Trots FAA:s ansträngningar för att begränsa riskerna med osäkra och icke-kompatibla drönaroperationer, verkar problemet accelerera, med mer än 2000 observationer av nästan misslyckanden per år som rapporteras av flygplanpiloter, flygledare och andra luftfartsintressenter.
Detta har skapat behovet av att upptäcka och inaktivera oseriösa drönare och obehöriga drönaraktiviteter, vilket skapar ett nytt område för forskning och utveckling inom motdrönarteknik (C-UAS).
Att motverka en drönare är en komplex process i flera steg, som involverar interaktion mellan flera olika sensorer, metoder och kommunikation med mänskliga operatörer. Detta inkluderar tre huvudkategorier:(i) upptäckt, (ii) förebyggande och (iii) lindring. För att upptäcka oseriösa drönare använder flygplatser fyra typer av sensorer, nämligen radar, radiofrekvensdetekteringssensorer, akustiska sensorer och visuella sensorer. Låt oss titta på för- och nackdelarna med dessa kommersiellt tillgängliga drönardetekteringssystem som används för att försvara flygplatser.
1. Radar
En övervakningsradar med enstaka eller flera antenner skickar ut en signal för att ta emot flygplans reflektion, mäta rumsliga koordinater och, valfritt, hastighet, acceleration och riktning.
Proffs
- Långdistansdetekteringssystem för primär övervakning upp till 100 km, beroende på RCS och höjd.
- Kan spåra de flesta drönartyper, oavsett autonom flygning.
- När den kombineras med maskininlärningsalgoritmer kan den skilja fåglar från drönare.
- Spårning med hög noggrannhet i ett vinkelområde för observation.
- Kan spåra flera mål samtidigt när du använder flerspårningstäckning.
- Bistatiska och multistatiska radarer ökar noggrannheten för UAV-detektering.
- Oberoende av visuella förhållanden (dag, natt, mulet väder, etc.)
- Inget behov av RF eller akustisk signal
Nackdelar
- Detektionsräckvidd beror på drönarens storlek och radartvärsnitt (RCS).
- Radarsystem utformade för bemannad luftfart kan inte upptäcka små flygande föremål.
- Höga anskaffnings- och installationskostnader
- Kräver en överföringslicens och frekvenskontroll för att förhindra störningar med andra RF-överföringar.
- Svårt att upptäcka flygande, långsamt eller svävande UAV:er på låg höjd.
- Ingen pilotspårningsförmåga eller markkontroll geolokalisering
- Brist på automatisering och stort beroende av utbildade radaroperatörer
- Falsk positiv med liknande formade föremål (fåglar, moln, etc.)
2. Radiofrekvensdetektering
Radiofrekvensskannrar (RF) använder passiv detekteringsteknik. Denna kostnadseffektiva lösning upptäcker och spårar UAV:er baserat på deras kommunikationssignatur. De utforskar algoritmer för att skanna kända radiofrekvenser och hitta och geolokalisera RF-emitterande drönare, trots väder och dag/nattförhållanden.
Proffs
- Lägre kostnad än radarsensorer med en medelräckvidd på upp till 600 m
- Detekterar vissa radiofrekvensband där UAV och GCS kommunicerar för kommando och kontroll (C2)
- Kan fånga RF som sänds ut av UAV och kan lokalisera UAV och kontroller
- Kan fånga wifi-avgivande drönare
- Högprecisionsdetektering
- Möjlighet för tidig varning även innan UAV startar (när den är på)
- Triangulering är möjlig med flera RF-sensorer.
- Maskininlärningsalgoritmer kan klassificera drönaröverföringar.
- Passiv upptäckt, ingen licens krävs.
Nackdelar
- RF-signal kan inte upptäcka autonoma flygande drönare.
- Elektromagnetisk störning och synförlust försämrar detekteringsförmågan.
- Variabel detektionsnoggrannhet beroende på drönartyp och frekvensband
- Angriparen kan förfalska MAC-adresser.
- Kan bara upptäcka ett fåtal UAV åt gången
- Mindre effektiv i miljöer med tung RF med en räckvidd på mindre än 100 m
- Detektionsbegränsningar för svärm av drönare
- Vissa passiva system kan avge RF-signaler, trots att de karakteriseras som passiva system.
3. Akustisk detektering
Drönarpropellrar sänder ett ljudmönster som kan detekteras och användas för drönarpositionering och klassificering av akustiska sensorer. Vanligtvis upptäcker en mikrofon ljudet från en drönare och beräknar platsen med hjälp av tidsskillnadstekniken (TDOA).
Proffs
- Klassificering baserad på den akustiska signaturen
- Kan skilja mellan auktoriserade och obehöriga UAS
- Inget behov av RF-signal för detektering. Kan upptäcka autonoma flygande UAV
- UAV-detektering kan sträcka sig utanför siktlinjen
- Klassificering baserad på UAV:s akustiska signaturer
- Tidsskillnad vid ankomst (TDOA)-teknik används för UAV-lokalisering medan triangulering är möjlig med en rad distribuerade sensorer
- Lågkostnadssensorer
- Kan ge drönarriktning eller grov uppskattning
Nackdelar
- Beroer på ett tillgängligt bibliotek med redan infångade ljudsignaturer
- Högre falska positiva resultat på grund av det ökande antalet drönarmodeller
- Otillförlitlig detektering vid räckvidd>300 m
- Fungerar inte lika bra i bullriga miljöer
- Detektionsbegränsningar för svärmar av drönare
- Detektionsprestanda påverkas av vindriktning, temperatur, siktlinje och signalreflektioner på grund av hinder.
- De används inte som en primär detekteringskälla.
- Ingen pilotspårningsförmåga eller markkontroll geolokalisering
4. Visuell upptäckt
Elektrooptiska sensorer i bildsystem och kameror använder en visuell signatur för att detektera UAS, medan infraröda sensorer använder en värmesignatur. När de kombineras med optisk data kan neurala nätverk och algoritmer för djupinlärning ge betydande stöd och avancerad intelligens till ett UAV-detekteringssystem.
Proffs
- Behov av mänsklig störning eller artificiell intelligens för att effektivt upptäcka UAV
- Används inte som primär detekteringskälla (både EO- och IR-kameror)
- Båda har upptäcktsbegränsningar baserat på upplösningsmöjligheter.
Nackdelar
- Svårt att fånga svärmar av drönare.
- IR- och EO-kameror behöver en direkt siktlinje för att upptäcka UAV.
- EO-kameror är beroende av dagsljus och utomhusbelysningsförhållanden (mulet, mörker, etc.)
- Kan förväxla UAV med en fågel eller liknande format litet flygplan.
- Räckviddsbegränsningar beroende på väderförhållanden (moln, regn, dimma, dimma, etc.)
Det finns flera tekniska lösningar för att mildra hot från skadliga UAS när man närmar sig kritisk infrastruktur. Det finns två typer av C-UAS-teknologier:elektroniska och kinetiska. Elektroniska motåtgärder kan besegra UAV:er genom att använda kommunikationslänkmanipulation, RF-störning eller GPS-spoofing. Kinetisk förbud hänvisar till att avlyssna UAS med fysiska medel. Vi ska titta på dessa C-UAS-teknologier i vårt nästa inlägg.