Drone'lar neden zor
Küçük RCS (DJI Phantom için tipik 0.01 m²). Yavaş hız (10–20 m/s — radar gürültü filtreleri çoğu zaman bu kadar yavaş olanı reddeder). Düşük irtifa (arazi maskelemesi ve kuş sürüleri altında). Çoğunlukla plastik, yalnızca motorlar ve pil önemli enerji döndürür.
Yeni nesil: 3B Ku bandı staring radar
Echodyne, Robin Radar ve DeTect gibi şirketler dönmek yerine korunan hacme sürekli bakan X ve Ku bandı elektronik taramalı diziler inşa etti. Makine öğrenmesi sınıflandırıcılarıyla birlikte bir quadcopter'ı bir kargadan ~%95 doğrulukla ayırır.
Çoklu sensör füzyonu
Drone tespiti nadiren yalnızca radardır. RF sensörleri 2.4 / 5.8 GHz kontrol bağlantısını dinler. Akustik diziler rotor uğultusunu yakalar. EO/IR kameralar görsel olarak doğrular. Modern karşı-drone sistemi dördünü de birleştirir.
Sonra ne?
Tespit sorunun yarısı. Hafifletme — kontrol bağlantısını karıştırma, GPS sahteciliği, ağ tabancaları, kinetik önleyiciler — daha zor yarısıdır ve çoğu ülkede yasal olarak askeri ve onaylı kolluk kullanımıyla sınırlıdır.
Mikro-Doppler İmzaları: Pervanelerin Parmak İzi
Bir dronun gövdesi çok küçük bir radar kesit alanı sunsa da, pervaneleri mikro-Doppler etkisi olarak bilinen benzersiz bir olgu yaratır. Rotorlar yüksek devirde dönerken, yansıyan radar sinyalinde dronun toplam ilerleme hızından bağımsız, periyodik frekans kaymaları oluştururlar. Bu kaymalar, ana sinyal etrafında 'yan bantlar' olarak görünür. Gelişmiş sinyal işleme algoritmaları, bu modülasyonları analiz ederek kanat sayısını ve dönüş hızını belirler; bu sayede sistem, hedef havada asılı kalsa bile bir quadcopter'ı sabit kanatlı bir kuştan yüksek güvenilirlikle ayırt edebilir.
Bu mikro-Doppler analizi, geleneksel darbe-Doppler radarlarının yavaş hareket eden hedefleri yer paraziti olarak reddettiği 'hız kapısı' sorununa karşı temel savunmadır. Modern Ku-bandı ve X-bandı sistemleri, gövde yerine motor bileşenlerinin yüksek hızlı hareketine odaklanarak, havada neredeyse hareketsiz duran bir drona bile kilitlenebilir. Bu teknik ilerleme, dron tespitini basit bir hareket takibinden karmaşık bir hedef tanımlama sürecine taşımış ve dronun itki sistemini kendi gizlilik profilini ele veren bir araca dönüştürmüştür.
Gatwick Olayı: Yaygınlaşma Sürecindeki Katalizör
Modern altyapının hassasiyeti, Aralık 2018'de yaşanan Gatwick Havalimanı olayı ile çarpıcı bir şekilde ortaya çıkmıştır. Üç günlük süre boyunca tekrarlanan dron ihbarları, yaklaşık 1.000 uçuşun iptal edilmesine, 140.000 yolcunun mağdur olmasına ve tahmini 50 milyon sterlinlik bir zarara yol açmıştır. O tarihte havalimanı, özel bir dron karşıtı (C-UAS) radar setine sahip değildi; bunun yerine görsel tespitlere ve pistin karmaşık zemininde küçük, düşük irtifalı hedefleri ayırmakta zorlanan standart birincil gözetleme radarlarına güveniyordu.
Gatwick vakası, askeri sınıf termal kameraların ve sabit bakışlı radarların sivil sektöre geçişini hızlandıran küresel bir uyarı niteliğindedir. Krizin ardından büyük uluslararası merkezler, AUDS ve Falcon Shield gibi sistemleri kurmaya başlamıştır. Bu kurulumlar, endüstrinin odağını reaktif 'karıştırma' yöntemlerinden proaktif 'tespit ve takip' stratejilerine kaydırmıştır. 2018'in mirası, tek bir hobi kullanıcısının bir ülkenin ulaşım ağını artık felç edememesini sağlayan, geniş hava trafik yönetim mimarisine entegre edilmiş özel dron tespit katmanlarıdır.
FMCW Modülasyonu ve Menzil-Doppler Dengesi
Modern İHA tespit sistemleri, geleneksel darbeli (pulsed) dalga formları yerine genellikle Frekans Modülasyonlu Sürekli Dalga (FMCW) modülasyonunu kullanır. Darbeli radarların aksine, FMCW sistemleri yakın mesafedeki küçük hedefleri çözmek için yüksek tepe gücüne ihtiyaç duymaz; bunun yerine sürekli bir sinyal (chirp) gönderir. İletilen sinyal ile yansıyan geri dönüş arasındaki frekans farkı ölçülerek, menzil santimetre seviyesindeki bir hassasiyetle belirlenebilir. Bu yetenek, bir binanın yakınında asılı duran bir dronu binadan ayırt etmek için kritiktir. Ancak bu hassasiyet beraberinde büyük bir hesaplama yükü getirir; işlemcinin hız verilerini çıkarmak için her menzil hücresinde Hızlı Fourier Dönüşümü (FFT) yapması gerekir, bu da gerçek zamanlı takip için yüksek performanslı GPU veya FPGA entegrasyonunu zorunlu kılar.
FMCW uygulamasındaki ana zorluk, devasa yer yansımaları veya sabit parazitlerin (clutter) varlığında 0,01 m²'lik bir hedefi tespit etmek için gereken dinamik aralıktır. Gelişmiş sistemler, bilinen statik nesnelerden gelen yansımaları etkisiz hale getirmek için dijital hüzmeleme (digital beamforming) kullanır. Bu, radara, döner kanatlı İHA'ların belirgin mikro-Doppler modülasyonuna sahip olmayan sabit kanatlı reçine veya karbon fiber dronları tespit etmek için gereken yüksek hassasiyeti sağlar. K-bandında genellikle 500 MHz'i aşan tarama bant genişliğini optimize ederek, operatörler bir 'sürü' formasyonunda uçan iki dronu birbirinden ayırmak için gereken menzil çözünürlüğüne ulaşabilirler; bu, sürüyü tek bir büyük hedef olarak gören eski sistemleri atlatmak için kullanılan yaygın bir taktiktir.
Yanlış Pozitif Sorunu: Biyolojik Parazitler
Yüksek çözünürlüklü 3D radarlarda bile, 'kuş-dron' yanlış alarm oranı en önemli operasyonel engel olmaya devam etmektedir. Kaz veya balıkçıl gibi büyük kuşlar, orta ölçekli tüketici dronları ile neredeyse aynı Radar Kesit Alanına (RCS) sahiptir. Dahası, bu kuşların süzülme ve ani hızlanma gibi uçuş paternleri mühimmat taşıyan dronları taklit eder. Heathrow ve Changi havalimanlarındaki ilk sistemler, atmosferik anomalilerin veya kuş göçlerinin tekrarlanan güvenlik kapanmalarına neden olduğu 'melek ekoları' (angel echoes) ile mücadele etmiştir. Bunu aşmak için mühendisler, kanat çırpma modülasyonuna odaklanan biyolojik sınıflandırma algoritmaları geliştirmiştir. Bir quadcopter'ın rotorlarından gelen mikro-Doppler imzası olduğu gibi, bir kuş da türüne bağlı olarak genellikle 2 Hz ile 20 Hz arasında değişen düşük frekanslı bir modülasyon üretir.
Bu konudaki yanlış anlaşılmaları düzeltmek için radarın tek başına görsel bir tanımlayıcı değil, bir olasılık motoru olduğunu anlamak gerekir. 2021 yılında Avrupa'daki bir test sahasında yapılan denemelerde, birçok üst düzey sistem, motorları kapalı şekilde süzülen ağır bir dronu yırtıcı bir kuştan ayırt edememiştir. Bu teknik boşluk, modern C-UAS sistemlerinin yerel ekosistemi 'öğrenen' parazit haritaları kullanmasının nedenidir. Radar yazılımı, yerel kuş popülasyonlarının tipik uçuş yollarını birkaç hafta boyunca kaydederek istatistiksel bir taban oluşturur. Bu biyolojik normdan sapan bir yörüngede hareket eden her nesne, termal kamera doğrulaması için derhal işaretlenir ve güvenlik operatörlerinin iş yükü azaltılır.