1. Radarerkennungstechnologie
Radarerkennung ist eine wichtige Methode zur Drohnenabwehr. Sie funktioniert durch das Aussenden und Empfangen elektromagnetischer Wellen. Das Radar sendet Hochfrequenzwellen in die Luft. Treffen diese Wellen auf eine Drohne, werden Teile davon reflektiert und von der Empfangsantenne des Radars erfasst. Durch Messung der Zeitdifferenz zwischen den gesendeten und reflektierten Wellen kann das Radar die Entfernung zur Drohne präzise berechnen. Zusätzlich verändert sich durch den Dopplereffekt die Frequenz der reflektierten Wellen, wenn sich die Drohne relativ zum Radar bewegt. Diese Veränderung, die sogenannte Dopplerverschiebung, ermöglicht es dem Radar, die Geschwindigkeit der Drohne zu bestimmen. Durch Justieren der Antenne kann das Radar zudem Azimut und Höhe der Drohne bestimmen und so eine präzise Ortung ermöglichen.
Verschiedene Radarfrequenzbänder haben in der Drohnenerkennungstechnologie ihre eigenen Eigenschaften. Millimeterwellenradar beispielsweise verfügt aufgrund seiner kurzen Wellenlänge (typischerweise zwischen 1 und 10 mm) über eine hohe Auflösung und kann kleine Drohnen deutlich erkennen. Das YLC-12-Radar von CETC in China arbeitet beispielsweise mit 34 GHz und bietet eine Erkennungsreichweite von 20 Kilometern für ein 0,1 m² großes RCS-Ziel. Millimeterwellenradar wird jedoch durch Wetterbedingungen wie Regen, Nebel oder Staub eingeschränkt, die die Ausbreitung elektromagnetischer Wellen dämpfen und so die Erkennungsleistung verringern.
Quantenradar basiert auf der Quantenmechanik und zeichnet sich durch eine extrem hohe Empfindlichkeit und Störfestigkeit aus. Es kann Drohnen selbst bei widrigen Wetterbedingungen erkennen und erreicht dabei eine dreimal höhere Reichweite als herkömmliche Radare. Quantenradar durchbricht die Grenzen herkömmlicher Radare und eignet sich besonders gut für die Erkennung von Drohnen mit niedrigem RCS-Wert. Die Technologie befindet sich jedoch noch in der Entwicklung und ist aufgrund der Größe und der hohen Kosten der Geräte noch nicht flächendeckend im Einsatz.
MIMO-Radar (Multiple Input, Multiple Output Radar) ist eine weitere fortschrittliche Technologie zur Drohnenerkennung . Es nutzt mehrere Sende- und Empfangsantennen zur Zielverfolgung, wie sie im DARPA-System „Spider Network“ zu sehen ist. Dieses Radar kann bis zu 200 Ziele gleichzeitig mit einer Falschalarmrate von unter 0,5 % verfolgen. Durch die Übertragung orthogonaler Wellenformen von verschiedenen Antennen verbessert das MIMO-Radar die Zielerkennung und -verfolgung und minimiert gleichzeitig Bodenechos und Mehrwegestörungen. Es eignet sich besonders für komplexe elektromagnetische Umgebungen zur Erkennung niedrig fliegender Drohnen. Die komplexe Signalverarbeitung im MIMO-Radar erfordert jedoch erhebliche Rechenleistung für die Echtzeit-Datenverarbeitung.
2. Optoelektronische Detektionstechnologie
Optoelektronische Detektionstechnologie nutzt Lichtsignale zur Drohnenerkennung. Zu den wichtigsten Methoden gehören Multispektralfusion , Wärmebildgebung und Lidar . Die Multispektralfusion kombiniert sichtbare, infrarote und ultraviolette Wellenlängen, um umfassende Drohnenmerkmale zu erfassen. Das DroneGuard -System aus Israel integriert diese Sensordaten mit einer Genauigkeit von 99,3 % bei der Drohnenerkennung. Sichtbares Licht erfasst Formen und Farben der Drohnen, Infrarot erkennt die Wärme von Motoren und Triebwerken und Ultraviolett identifiziert einzigartige optische Merkmale. Diese Integration trägt dazu bei, Fehlidentifikationen in der Drohnenerkennungstechnologie zu reduzieren.
Wärmebildgebung funktioniert durch die Erkennung von Wärmestrahlung. Die Wärmebildkamera FLIR T1040 kann Drohnentriebwerke aus bis zu 800 Metern Entfernung erkennen, selbst bei schlechten Lichtverhältnissen. Die Wärmebildgebung ist jedoch durch die Entfernung begrenzt und kann bei geringen Temperaturunterschieden oder in Umgebungen mit hohen Temperaturen Probleme bereiten.
Lidar (Laser Imaging Detection and Ranging) misst die Zeit, die Laserstrahlen benötigen, um von Objekten reflektiert zu werden. Velodynes HDL-64E Lidar erstellt hochpräzise 3D-Modelle der Drohnenumgebung. Lidar eignet sich hervorragend zur Erkennung von Drohnen in geringer Höhe, reagiert jedoch empfindlich auf Wetterbedingungen wie Regen oder Nebel, die die Lasersignale schwächen und die Genauigkeit verringern können. Es liefert detaillierte Daten zur Drohnenform und unterstützt so die Drohnenidentifizierung.
3. HF-Erkennungstechnologie
Die HF-Erkennungstechnologie basiert auf der Erkennung von HF-Signalen zwischen der Drohne und ihrer Kontrollstation. Software-Defined Radio (SDR) verbessert diesen Prozess durch die Analyse dieser Signale. Das Radar B400 von Blighter Surveillance Systems scannt Frequenzen von 20 MHz bis 6 GHz und hat eine Erfolgsquote von 92 % bei der Identifizierung von Drohnen-Kommunikationsprotokollen. Die SDR-Technologie scannt schnell die Frequenzbänder und analysiert die Signaleigenschaften wie Frequenz, Amplitude und Modulation, was eine präzise Identifizierung der Drohne ermöglicht.
Mit der Weiterentwicklung der Drohnentechnologie nutzen einige Drohnen verschlüsselte Kommunikation und Frequenzsprungverfahren, was die Drohnenerkennung erschwert. Die Signal-Fingerprinting- Technologie hingegen erstellt eine einzigartige Datenbank mit HF-Eigenschaften für verschiedene Drohnenmodelle. Das russische ROSC-1-System kann 98 % der DJI-Drohnen identifizieren, indem es die einzigartigen Signalwellenformen jeder Drohne analysiert – ähnlich einem Fingerabdruck. Diese Technologie ermöglicht die präzise Identifizierung von Drohnen durch den Abgleich von Echtzeitsignalen mit der Datenbank und liefert wertvolle Erkenntnisse für Gegenmaßnahmen.
4. Akustische Erkennungstechnologie
Die akustische Erkennung nutzt die Fluggeräusche von Drohnen, um deren Präsenz zu erfassen. Die Mikrofon-Array-Technologie nutzt mehrere Mikrofone, um den Standort der Drohne hochpräzise zu bestimmen. Das SRC SoundCatcher-System nutzt ein Array aus 16 Mikrofonen, um Drohnengeräusche in bis zu zwei Kilometern Entfernung zu erfassen. Es nutzt Beamforming-Algorithmen, um den Standort der Drohne durch die Analyse von Zeit- und Intensitätsunterschieden zwischen den Mikrofonen zu bestimmen.
Die akustische Erkennung reagiert jedoch empfindlich auf Umgebungsgeräusche. In städtischen Umgebungen oder bei Wind können Hintergrundgeräusche den Drohnenlärm überdecken und so die Erkennungseffektivität verringern. Deep Learning spielt eine wichtige Rolle bei der Verbesserung der akustischen Erkennung. Der Algorithmus des MIT Lincoln Laboratory kann mit einer Genauigkeit von 97,6 % zwischen zwölf verschiedenen Drohnenrotorgeräuschen unterscheiden. Durch das Sammeln von Geräuschproben verschiedener Drohnenmodelle und das Trainieren von Deep-Learning-Modellen kann er Drohnentypen anhand des Geräuschprofils identifizieren.