SLDS - införande av Self-Learning Drone Surveillance

Viktiga resultat som projektet gav

Målet i projektet var att utveckla ett system för helt autonom drönardetektering med följande egenskaper: 1) upptäcka drönare inom våra stödda frekvensband, 2) identifiera olika och nya drönarmodeller, 3) särskilja drönare av samma modell, och 4) lokalisera dem exakt i 3D i ett TDOA‑nätverk. Dessa mål har uppnåtts genom ett fälttestade system som fångar radiosignaler via TDOA och använder en AI‑modell som på egen hand känner igen nya trådlösa (drönar)protokoll.

Långsiktiga effekter som förväntas

Det pågår en ständig katt‑och‑råtta‑lek mellan dem som vill flyga drönare oupptäckt och dem som övervakar luftrummet. Denna kapprustning har intensifierats de senaste åren när både drönare och antidrönarsystem blivit mer sofistikerade. AI‑assisterade system, som de vi utvecklat, kan ge övervakaren ett (tillfälligt) övertag genom att automatisera analysen av radiospektrumet, något som tidigare krävde mänskliga experter och forensiskt arbete.

Upplägg och genomförande

SLDS siktade på att uppnå självlärande detektering av nya trådlösa drönarprotokoll - och det har vi uppnått. I fält kan systemet på egen hand känna igen (detektera) ett för systemet tidigare okänt radioprotokoll. Upplägget var tydligt och har fungerat väl. Skysense ansvarade för ett system som registrerar radiotrafik i det undre luftrummet (=förmodade drönare). KTH utvecklade systemet för maskininlärning. Securitas testade systemet och utvärderade resultaten ur ett operationellt perspektiv.