Drohnendetektion mit Mikrodoppler-Analyse



Drohnendetektion ist mittlerweile ein fester Bestandteil von Sicherheitskonzepten. Die Bestimmung zusätzlicher Eigenschaften der Flugobjekte, wie Objektklasse, Größe und Gewichtsklasse, durch eine Mikrodoppler-Analyse erlaubt es, den Grad der Gefährdung durch die Drohne einzuschätzen.
Lufträume können mit Hilfe kompakter Radargeräte lokal auf mögliche Flugobjekte überwacht werden, um Objekte oder Veranstaltung gegen Bedrohungen durch Drohnen zu schützen. Aufgrund der empfangenen Signalstärke lassen sich zwar Rückschlüsse auf die ungefähre Größe eines detektierten Objektes ziehen, allerdings ist eine weitergehende Analyse damit nicht möglich. Wünschenswert wären weitere Informationen über die Art des detektierten Objektes (Vogel, Flächenflugzeug, Helikopter, Quadcopter, Octocopter), der Größe und der möglichen Nutzlast. Hierzu ist eine spezielle Radarbetriebsart notwendig, die mit Hilfe einer Mikrodoppler-Analyse Rückschlüsse auf die Anzahl und Drehzahl der verwendeten Propeller zulässt.
Aufbau eines Mikrodoppler-Demonstrators
Zur Erforschung dieser Mikrodoppler-Signaturen wurde der Demonstrator DroMiAn (Drohnendetektion mit Mikrodoppler-Analyse) aufgebaut, der neben der normalen Radar-Hardware zur Objektdetektion einen zusätzlichen Kanal zur Messung des Mikrodopplers bereitstellt. Dieser Demonstrator arbeitet bei einer festen Frequenz von 94 GHz. Mit Hilfe dieses Demonstrators wurden zunächst rotierende Objekte in der Messkammer vermessen und anschließend Freifeldmessungen an einer fliegenden Drohne durchgeführt.
Messungen in der Messkammer
Für erste Testmessungen mit dem Demonstrator wurden rotierende Körper gleicher Länge, darunter ein Rohr und Propeller unterschiedlicher Bauart bei verschiedenen Drehzahlen und Neigungswinkeln vermessen. Aus den aufgezeichneten Daten lassen sich klar die Frequenz sowie die Bahngeschwindigkeit der rotierenden Körper bestimmen. Aus diesen beiden Werten lässt sich wiederum die Größe des Objektes berechnen.
Freifeldmessung
Bei einer ersten Testmessung im Freifeld wurde ein Quadcopter in unterschiedlichen Flugzuständen vermessen. Unter anderem stand dieser in der Luft, befand sich in langsamem Flug von links nach rechts, flog langsam auf das Radargerät zu beziehungsweise von diesem weg oder überflog es. Zusätzlich wurden Vergleichsdaten einzelner Fußgänger wie auch von Fußgängergruppen aufgezeichnet, um Falschziele für die Auswertealgorithmen zur Verfügung zu haben.
Im Vergleich zu den Messungen in der Messkammer gestaltet sich die Auswertung realer Freifeldmessungen erheblich schwieriger, da nun nicht mehr nur die Signatur eines einzelnen Propellers vermessen wird, sondern ein Summensignal, welches sich aus den Reflexionen von mehreren Propellern und dem Drohnenkörper zusammensetzt.
Auswertung
Die Auswertung der Messdaten geschieht in mehreren Schritten. Zuerst wird aus den komplexen Radardaten ein Spektrogramm erzeugt. Dieses besteht aus einer Serie von Fouriertransformationen, welche speziell an die jeweiligen Begebenheiten angepasst werden, um ein bestmögliches Ergebnis zu erzielen. Dieses Spektrogramm wird vor der weiteren Verarbeitung optimiert, indem Festziele unterdrückt und Rauschanteile entfernt werden. In einem weiteren Verarbeitungsschritt erfolgt eine Merkmalsextraktion durch die Singulärwertzerlegung. Dieses Verfahren liefert gute Ergebnisse im Falle der Fußgänger beziehungsweise Fußgängergruppen. Im Falle der vermessenen Drohne erwies es sich aber als günstiger, die Merkmalsextraktion aus einem Cepstrogramm durchzuführen. Hierbei handelt es sich um ein Verfahren, das ursprünglich in der Tontechnik zur Frequenzanalyse eingesetzt wird. Auf die Radardaten angewendet, liefert es gute Ergebnisse bei der Bestimmung der Rotordrehzahlen. Aus dem Cepstrogramm beziehungsweise dem Cepstrum, einem Schnitt durch das Cepstrogramm, sind anschließend die einzelnen Rotordrehzahlen ablesbar.
Zielklassifizierung
Die Klassifizierung des Zielobjektes erfolgt durch einen Abgleich der gemessenen Daten mit einer Datenbank bekannter Objekte. Da keine ausreichend große Datenbank mit vermessenen Objekten im untersuchten Frequenzbereich zur Verfügung stand, wurde auf synthetisch erzeugte Daten von Drohnen, Vögeln und weiteren Objekten mit komplexer Dynamik zurückgegriffen. Bei ersten Klassifizierungstests wurde die vermessene Drohne zu 86% korrekt klassifiziert, einzelne Fußgänger und Fußgängergruppen sogar zu 100%.
Ausblick
Zwischenzeitlich wurden mit dem weiterentwickelten Radardemonstrator neue Datensätze von Drohnen unterschiedlicher Typen aufgezeichnet. Diese Daten sollen mit neuen Ansätzen zur Signalprozessierung und Zielklassifikation analysiert werden.