看天上!这是一只鸟!这是一架飞机!雷达实际上很容易分辨出差异。尽管从K星飞来的外星人，在几乎空旷的，敞开的天空中移动的东西很少，就像飞机一样大而又快。但是，如果雷达信号从云层向下移动并进入城市的街道，突然之间就会有很多物体可能会被误认为彼此。仅需保持距离，速度和方向，无人机就可以很容易地“隐藏在视野中”在雷达显示器上缓慢移动的汽车，骑自行车的人，慢跑的人甚至是空调单元的旋转叶片中。

从安全的角度来看，随着无人机变得越来越流行和令人担忧，许多项目都在寻求对系统进行工程设计以发现它们。在担任国防高级研究计划局(DARPA)项目经理期间，杜克大学电气与计算机工程教授Jeffrey Krolik发起了一个名为“空中Dragnet”的项目。通过将无人机网络悬停在城市景观或其他需要防御的大型发达地区之上，多种类型的传感器将向下窥探城市的峡谷，并挑选出任何无人机。该项目最近在弗吉尼亚州的罗西恩(Rossyln)进行了城市测试，并成功结束了该项目。

对于试图保护广阔市区的单位而言，使用友好的无人驾驶飞机群寻找敌方无人机是很有意义的。但是，在以固定资产(例如使馆，医院或营地)为目标的保护环境中，需要一种能够在安全的隔离距离范围内保持周边的系统。再次由DARPA资助，Krolik转向雷达，机器学习和专用硬件，以制造一种无人驾驶监视系统，该系统具有足够的范围，可以在无人机到达城市保护区之前对其进行检测和停止。

“存在可以检测用于控制现成无人机的信号的系统，但它们往往非常昂贵，并且已经有可以完全自动飞行而无需任何无线电控制的商用无人机，” Krolik说。“我们需要能够在任何时候，无论何时何地载有这些东西的侦察系统，而不论它们如何受到控制。”

虽然可以训练计算机在视觉上发现无人机，但光学系统的射程非常有限。可以使用可伸缩镜头，但是这样会大大限制其视场。取而代之的是，Krolik转向了能够扭转第二次世界大战中的空中敌人(雷达)的技术。但是，借助于一种称为“深度神经网络”(DNN)的机器学习，1940年代的技术正在得到2020年代的升级。

教学雷达街头智慧

Krolik的想法是安装雷达天线以扫描受监视的城市景观区域。在几天或几周的时间里，在没有无人机的情况下，DNN会通过学习其运动学来训练自己，以区分汽车，自行车，人和其他物体，在雷达回波中也被视为“微多普勒”就像他们沿着空间移动的路径一样。

雷达和视频设置从停车场的窗户向下看(左)，以试图发现下方飞行的无人机(右)。学分：杜克大学

Krolik说：“大多数系统都是在实验室设计的，可以带到现场。” “这是从环境中学习的，因为大多数时候无人机都不在那儿。”

例如，汽车通常遵循道路定义的路径。而且，尽管自行车和行人具有更多可变的动力，但它们的微多普勒签名却非常有特色。随着时间的流逝，该算法会了解给定空间中哪些雷达信号正常，以便当无人机飞过且螺旋桨的运动和轨迹与该区域的正常情况非常不同时，它将触发警报。

到目前为止，它正在工作。在杜克大学的校园中，该系统能够成功地将无人驾驶飞机与骑自行车的人，行人，汽车和其他物体进行分类的概率为98%。

需要明确的是，Krolik和他的团队并非白天和黑夜都在校园内飞行无人机。取而代之的是，他们训练算法来学习科学大道停车场周围的正常交通情况，并分别从在福雷斯特公爵(Duke Forrest)上飞行的无人机收集数据。然后，他们以计算方式将数据放在一起，然后让DNN进行最终的混搭工作。

硬连接神经网络

为了帮助发现无人机的DNN算法，Krolik求助于杜克大学电气与计算机工程系Clare Boothe Luce教授Helen Li。DNN本质上是通过以类似于网格的方式在图像上滑动窗口，确定每个窗口中存在哪个功能并将该信息传递到新的数据层来工作的。该过程会重复进行，直到将图像提炼成其最基本的功能(使程序可以对其进行分类)为止。

DNN不可避免地是计算密集型程序，它们占用传统CPU的时间比无人机监视系统所需的时间长得多。但是，可以通过将任务分解为可以同时处理的片段来加快算法的运行速度。应对这一挑战的硬件的常见选择是图形处理单元(GPU)，它们是专用于加速图形渲染的专用处理器，该处理器对机器学习，视频编辑和游戏应用也很有用。

但是任何曾经编写了一个小时的视频或失去时间游戏记录的人都知道，GPU通过消耗大量电能来产生大量热量。为了使他们的无人机检测系统更高效，Li改为求助于现场可编程门阵列(FPGA)。

雷达天线在城市环境中检测无人驾驶飞机的样机可能看起来像。学分：杜克大学

Li说：“尽管GPU超级强大，但也很浪费。” “相反，我们可以进行针对雷达信号处理的特定应用设计。”

顾名思义，通过将一些计算硬连接到设备本身，可以对FPGA进行设计和重新设计，以更有效地处理某些任务。这使计算机科学家可以外科手术，以多少运算能力来提供算法的各个方面。

Li继续说道：“可以针对特定的神经网络模型优化FPGA，而不必支持其他不同配置和大小的模型。” Li继续推动了将FPGA用于机器学习应用的趋势。“而且在到达硬件之前，典型代码首先必须经过操作系统和编译器的地方，我们的方法实质上是直接在FPGA板上实现DNN算法。”

设定较高的标准

结果是，该系统不仅能够以98%的精度定位无人机，而且所消耗的能源也比基于GPU的系统少100倍，同时还能保持实时工作所需的性能和速度。

Krolik和Li认为到目前为止的结果是有希望的，而DARPA也是这样。在完成了项目的前五十万美元阶段并展示了其结果之后，该项目获得了为期九个月的第二笔五十万美元的赠款。他们在那段较长的时间里面临的挑战?

鸟类。

“事实证明，当您只看飞行物体的速度和方位时，鸟看起来就很像无人机，” Krolik说。“在杜克花园的工作人员的帮助下，我们已经收集了花园鸭塘周围各种鸟类的雷达数据。到目前为止，我们的DNN算法已经能够以97%以上的精度区分鸟类与无人机。现在，我们必须将所有这些因素放在一起，以在真正的城市环境中检测无人机，鸟类，汽车和行人的情况，与Helen和其他团队一起工作非常有趣，我们还有整个夏天的时间来解决这个问题出去。”

标签： 检测无人机