【资料】反无人机系统:现状、挑战和未来趋势
2022-10-10 11:16:32 Author: GR反窃密攻防实验室(查看原文) 阅读量:13 收藏

公正的商业反窃密技术检测服务商

反窃密技术攻防对抗实训课开发者

国产进口检测与防范设备专业测评

 政企新形势反窃密攻防实验室建设


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。
表一:基于无人机的威胁分类
威胁
受威胁的实体
威胁模式
后果
安全
人力、设施和高价值目标
碰撞、间接危险和受控攻击
伤害或财产损失
安全
高价值目标
航空成像和后路重建
披露敏感信息和国家安全问题
隐私
人类
航空成像或实时视频流
侵犯隐私
表二:一些基于无人机威胁的事件
事件
描述
时间
影响
无人机侵入非飞行区
超级碗有54架无人机入侵
2019年4月10日
引起执法机构的特别关注
无人机威胁航空安全
一架B787-9飞机着陆时,两架无人机坠入着陆区
2019年4月21日
英国皇家空军已花费500万英镑防止未来的袭击
无人机窃取信息
间谍无人机用软件定义的无线电攻击无线网络
2011年7月29日
失去信息安全
威胁国家安全的无人机
边境巡逻队发现无人机试图帮助移民非法进入美国
2019年4月19日
边境保护问题
无人机威胁个人隐私
非法活动利用无人机获取个人隐私
2018年10月28日
隐私侵犯问题

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。
4.2被动探测
无源雷达不需要特殊设计的发射机。在本小节中,我们将无源雷达分为两类:单站无源雷达和分布式合成无源雷达。
4.2.1单站无源雷达
这种被动雷达只利用一个照明源。可以分析接收信号的变化,以确定无人机的外观。一种基于WiFi的无源雷达,用于小型飞机的检测和二维定位。显然,这是主动雷达最直接的适应。
4.2.2分布式合成无源雷达
利用现有的电信基础设施作为照明源,增强无人机的探测能力。主要有两种方法:基于蜂窝系统的解决方案和基于数字视频广播(DVB)系统的解决方案。
4.2.2.1基于蜂窝系统的无源雷达
一种增强探测系统的方法,该系统可以通过使用反射式全球移动通信系统(GSM)信号来定位和跟踪无人机。一种从无人机接收3G蜂窝反射信号用于跟踪无人机的方法。利用3G蜂窝信号的多普勒特征来监控目标区域,并跟踪无人机的轨迹。
4.2.2.2基于数字视频广播系统的无源雷达
无处不在的数字电视信号被视为无源无人机探测雷达的有效照明源。与主动雷达方法类似可以使用微多普勒效应。无人机分类测试是通过螺旋桨驱动的微多普勒信号和机器学习进行的。实验表明,塑料螺旋桨的微多普勒信号远不如碳纤维螺旋桨可见。
无源雷达的一个明显缺点是需要大量的后处理工作或多个接收机才能达到可接受的检测精度。
4.3后向信号处理
在无人机检测中,需要努力从射频前端的噪声输出中获得目标的微弱稀疏反射信号。该领域的研究可分为两类:传统的基于信号特征的检测和基于学习的模式识别。
4.3.1基于信号特征的检测
无人机螺旋桨的微多普勒效应被证明是无人机探测的一个有用特征。实验证明,这种特征可以用来区分无人机和其他飞行物体。或者,一种基于hough变换的方法来提高检测和跟踪性能。该方法利用线性分布的微多普勒特征,能够同时检测和识别无人机。又或者,由飞行无人机引起的微多普勒效应也可用于检测多个无人机,其中时间-频率频谱图被转换为节奏速度图(CVD)。然后从CVD中提取步频频谱(CFS),作为每个班级训练数据的基础。K-means分类器用于基于CFS识别多个微UAS的组件。真实雷达数据上的实验结果表明,这些方法能够处理多个无人机,并具有令人满意的分类精度。
4.3.2基于学习的模式识别
基于学习的模式识别方法能够对各种类型的对象进行分类。这项研究展示了一个无人机航迹与非无人机航迹的分类实验,该实验基于鸟、飞机和模拟无人机航迹的混合,主要基于航迹的统计特征,并产生了较高的准确率。基于神经网络的方法采用深度学习技术来自动化传统机器学习的特征工程过程。无人机检测由CNN进行,CNN以高分类精度学习多普勒频谱图2D分布中的特征。深度信念网络(DBN)被用于描述生成的谱相关函数(SCF)模式所体现的特征,以自动检测和识别不同类型的无人机。实验结果表明,该系统能够有效地对微小无人机进行检测和分类。基于学习的模式识别方法的好处是,此类系统可编程且可训练以适应各种场景。
基于雷达的无人机检测可以实现比目前其他传感器更好的检测性能。天线和信号处理器一直被认为是昂贵的实现选择。虽然基于雷达的方法可以实现更好的无人机检测性能(长距离和短距离),但它们在部署、校准和维护方面的成本很高。基于雷达的方法的操作要求技术人员具备雷达操作的相关背景,这对大规模的普遍性构成了重大挑战。人们希望雷达元件重量轻、节能、价格合理、易于组装,并且易于部署和维护。基于机器学习的后验信号处理算法在提高无人机检测的效率和准确性方面显示出巨大的潜力。便携式信号处理算法降低开销的改进能力可以扩展基于雷达的无人机检测的实现。

5.基于数据融合的无人机检测

      

数据融合是整合多个数据源以产生比任何单个数据源提供的信息更一致、更准确、更有用的信息的过程,它有可能生成比原始输入信息更丰富、更综合的融合数据。数据融合方法可以利用每种方法的优势,获得比单一方法更稳健、准确和高效的组合结果。对于无人机检测,数据融合可以用来提高无人机检测系统的性能,以克服单一方法在某些特定场景中存在的缺点。

三、缓解措施

      

探测和缓解技术还不成熟。对无人机缓解的研究非常有限。国外开发了无人机防御系统的体系结构。在该体系结构中,他们规定了有效交战范围,包括初始目标范围、探测范围和对响应起主导作用的中和范围。他们的报告显示,当射程超过4000英尺时,基于硬件的反应和中和可以有效地进行。
根据架构,这些方法可分为三大类,第一个是物理捕获,重点是用物理方法捕获无人机。第二种方法是利用噪声发生器干扰系统或传感器,从而使无人机控制器无法操作无人机。第三种是利用系统或传感器的漏洞获得控制优先级。
1.物理捕获
1.1渔网捕获
网络捕获是一种消除无人机的物理方法。防御者使用枪支或某些特定武器来触发网络以捕获无人机。
1.2定向电磁脉冲
电磁脉冲主要用于打击车内的非法电子设施,这些设施可能会重新启动或禁用控制系统的操作。
2.干扰
干扰是压制进入限制区的无人机最常用的方法。防御者利用噪声信号干扰无人机传感器或系统的工作,以进行中和。
一种利用无人机团队形成防空雷达网络的方法,该网络可以干扰目标的传感器。该方法可以检测并否定未经验证的无人机,其实验结果表明,它们可以跟踪和干扰DJI制作的模型,以离开限制区域,并证明在一个团队中,N个无人机最多可以否定N×(N)−1) 目标。
利用直接航迹欺骗和融合,入侵导航系统和轨迹控制系统的控制优先级。基于GPS欺骗干扰理论,利用轨道欺骗引导未经验证的无人机从限制区飞出。结果表明,直接航迹和融合航迹都能使无人机偏离限制区域。
一种使用SDR实现协议感知无人机干扰系统的方法。使用SDR实现遥控器的信号,并通过分析识别通信协议。SDR生成命令,控制UAS飞离限制区。
比较三种不同的方法(音调、扫描和协议感知),以评估其方法的性能,这表明协议感知比音调和扫描干扰更有效。
•音调:单个通道中心的窄带信号。
•扫频:线性扫过整个2.4 GHz ISM频段。
•协议感知:模仿双叶先进扩频技术(FASST)和先进连续信道转移技术(ACCST)的信号。
干扰方法可以提供友好的零伤害方案,以压制进入限制区域的无人机。干扰方法可以在不同层面(从硬件到软件)对无人机提供中和效果。这种干扰可以大规模部署并长期有效。然而,当前的干扰无法产生防守者可以控制的方向性效果。干扰的效果是全方位的,可能会影响限制区域内的设备,并消耗能量。当无人机收到足够的干扰信号时,干扰需要很长时间才能生效。在未来,干扰应该是可控的、定向的和快速反应的。
3.脆弱性
利用无人机漏洞的方法主要有三种。大多数漏洞利用工作集中在使用传感器和通信协议的GPS控制上。防御者利用欺骗手段对GPS进行定位,并使用传感器进行控制,利用传感器和通信协议进行修改和入侵控制。
3.1基于KF的传感器融合
最大错误数据注入:修改GPS和气压计测量的计算功能。
3.2基于精确传感器噪声模型的高度估计
3.2.1阻止GPS:禁用GPS读数。
3.2.2修改气压计读数:操纵气压计并注入坏数据。
3.3一阶低通滤波器
注入气压计读数并影响估计精度。
对于探测技术的部署,部署在很大程度上决定了每种方法的能力。根据传感器的性质,在地面站、无人机或载人飞机上的部署是不同的。声传感器对声音敏感,需要环境噪声保持稳定和安静。这意味着声学传感器不适用于移动平台。基于无源射频的检测对天线之间的距离有特定的要求,这对于获得精确的无源射频信号检测结果至关重要。无源射频探测需要平台具有强大的计算能力,仅适用于地面站和载人飞机。现有的无人机无法提供合适的计算和电源。
基于视觉的探测可以部署在地面站、无人机和载人飞机上。视觉检测的关键传感器主要是摄像机。同时,一些重量轻、能耗低的摄像头适合部署基于视觉的检测。目前基于雷达的检测存在重量大的缺点,这对移动无人机平台是一个挑战。无人机的有效载荷和电源有限,不能满足雷达的要求。部署基于雷达的无人机探测的大多数情况是地面站和载人飞机。最奇特的方法是基于数据融合的检测,它只受计算能力的限制。同时,基于数据融合的检测方法主要在地面站和载人飞机上实施。除此之外,不同平台的组合在提高大型房产的检测能力方面也有很大的潜力。在地面站、无人机和载人飞机上的不同部署可以实现对恶意无人机的可扩展检测。

四、无人机探测和缓解面临的挑战

      

雷达探测和数据融合方法被认为是未来无人机检测的最有前途的趋势,另一方面,物理捕获被认为是消除不受欢迎的无人机最实用、最可靠的方法。黑客和欺骗已经成为一种很有前途的否定解决方案,具有低占用空间和低附带损害。然而,要开发成熟的、可扩展的、模块化的、价格合理的无人机检测和否定方法,还有很多挑战需要解决。
1.无人机检测技术比较
方法
原则
技术
优势
缺点
声学
无人机旋转马达的独特声学模式
模式识别;数字信号处理;时差;实时嵌入式系统
成本低;重量轻
受天气条件影响,如风或振动;探测范围有限;缺乏识别能力
视觉
无人机外观的独特图案
数字图像处理,模式识别,实时嵌入式系统
成本低;重量轻;体积小
高计算能力消耗;受环境照明影响,检测范围有限;识别能力有限
无源射频
无人机无线电信号与背景频谱的可分辨模式
数据流量模式识别(FPV和遥测);数字信号处理
低成本;远程的识别能力
不适用于专用或加密数据协议;FHSS和DSSS方案的容量有限;与其他ISM波段物联网设备混淆
有源雷法
旋转螺旋桨的微多普勒效应;反射毫米波信号中的独特图案
天线技术;模式识别;数字信号处理
远程;高精度成本高
高功耗;缺乏识别能力;容易被干扰
无源雷达
移动的物体会引起光谱的变化
模式识别;数字信号处理
远程;低成本
需要很高的计算能力;缺乏识别能力,容易受到干扰
数据融合
混合决策
数据融合与模式识别
高可靠性
需要很高的计算能力;高成本
2.无人机缓解技术的比较
方法
原则
技术
优势
缺点
物理捕获
物理上禁用或阻止飞行物体
目标跟踪,运动控制
非保护目标的成功率高。
破坏性强,成本高
高功率电磁脉冲
扰乱电路逻辑,从而使飞行无人机失效
高功率微波,定向天线,目标跟踪
成本低、重量轻、体积小
电磁能泄漏
射频干扰
阻止无人机的遥测或GPS信号,并触发其撤离或着陆策略
射频功率放大器;射频频谱识别
成本低、重量轻、体积小;无损的;同时适用于多架无人机
只能对付ISM波段的无人机
黑客攻击
夺取无人机操作系统的根权限,并发布相应的操作
系统渗透;系统脆弱性分析
低成本,非破坏性
只处理特定的操作系统和基于网络的协议
欺骗
使用假定位信号或模拟控制命令重定向无人机
信号分析;数据包分析和解码
引导和驱逐能力,非破坏性
处理加密通道的能力有限

五、未来趋势

      

1.技术进步
如上所述,简单的检测方法无法获得成功检测恶意无人机的可靠率。一方面,每种简单的方法都有其缺点,因此简单的检测传感器无法在多变的环境中满足所有的检测要求;另一方面,采用不同材料和配置设计的无人机也给简单的探测传感器带来了巨大的挑战。未来的无人机检测方法将更加成熟、实用和高效。检测方案需要多个传感器组合,并与地面数据和空中数据协同融合。
探测和采集空间类型的多样性和数据量可能是一个有待改进的趋势。与检测方案类似,简单的否定方法也不能满足否定要求,尤其是对抗措施不能损害飞行员的财产。未来的否定计划应侧重于引导入侵的无人机飞离敏感区域,并且不损害飞行员的财产。当然,不同的对策在协同实施时有望获得更好的性能。这意味着,如何构建一个统一、系统的无人机安全防御框架也是以下阶段的一个挑战。此外,无人机安全防御系统包括检测和否定两部分,因此如何在一个协作统一的框架内平衡这两部分也是一个研究热点
2.行业标准
大多数安全问题都是由于人们误操作造成的。详细的操作和管理政策有助于人们避免错误,减轻维护者的负担。这些政策不仅是对试点的指导,也是对行业的规范。
2.1行业标准需要市场准入标准,该标准限制市场上的无人机在物理层面上可控和识别。一旦无人机在限制区域内发出指令,防御者就可以通过物理层访问系统,远程驱赶或阻止无人机。
2.2飞行员的基本培训需要包括安全操作和安全知识。无人机操作培训和认证规范可以帮助飞行员避免基本错误。
除娱乐用途外,无人机系统在世界各地用于支持消防和搜索救援行动,监测和评估关键基础设施,通过将紧急医疗物资运送到偏远地区提供救灾,并帮助我们努力确保边境安全。然而,无人机也可用于恐怖分子、犯罪组织和有特定目标的单独行为者的恶意计划。为了促进无人机操作的安全性、保密性和隐私性,迫切需要检测和缓解无人机的创新技术。

文章来源: http://mp.weixin.qq.com/s?__biz=MzU5MTM4MTIxMA==&mid=2247484745&idx=1&sn=e17e591c6f2f872a11733bb9eb195228&chksm=fe2e92fcc9591bead3485e2a04270b7ff6219e2c0134c3fb5054e24b06cfd3f2e433fcb5bd74#rd
如有侵权请联系:admin#unsafe.sh