Multi-UAV Tracking Evaluation Using 5G Uplink Signals on an O-RAN ISAC Simulation Testbed

Stellen Sie sich vor, Sie versuchen, eine winzige, schnell bewegliche Drohne in einer belebten Stadt aufzuspüren, indem Sie nur die WLAN-Signale nutzen, die bereits in der Nachbarschaft umherfliegen. Sie haben kein spezielles Radargerät; Sie müssen vielmehr den „Echos“ der regulären Datensignale lauschen, die Telefone und Drohnen nutzen, um mit Funkmasten zu kommunizieren. Das ist die Welt der Integrated Sensing and Communication (ISAC). Denken Sie an eine Fledermaus, die nicht nur Schall nutzt, um zu navigieren, sondern denselben Schall auch verwendet, um mit anderen Fledermäusen zu chatten. In der Zukunft könnten unsere 5G-Netze genau das tun: ihre bestehenden Funkwellen nutzen, um Objekte wie Drohnen zu erkennen, ohne dass zusätzliche, teure Hardware erforderlich ist. Aber es gibt einen Haken. Wenn man eine Drohne hat, ist sie leicht zu hören. Wenn man drei Drohnen hat, die nah beieinander fliegen, können sich ihre Echos vermischen, was es unmöglich macht, zu unterscheiden, wer wer ist. Dies ist das Rätsel, das Wissenschaftler zu lösen versuchen: Wie verwandeln wir ein Kommunikationsnetzwerk in ein zuverlässiges „Drohnen-Polizeisystem“, das in der Lage ist, mehrere Ziele gleichzeitig zu verfolgen, ohne verwirrt zu werden?

Diese Arbeit macht einen großen Schritt zur Beantwortung dieser Frage, indem sie einen digitalen „Sandkasten“ baut, um eine neue Methode zur Verfolgung mehrerer Drohnen zu testen. Die Forscher erstellten eine virtuelle Stadt mithilfe eines Simulations-Testbeds namens O-RAN, was eine modulare, Open-Source-Version eines Mobilfunknetzes ist. Anstatt echte Funkgeräte zu verwenden, nutzten sie einen Computer, um die Signale, die Drohnen und die Umgebung zu simulieren. Sie richteten ein Szenario mit drei verschiedenen Drohnen ein, die in unterschiedlichen Höhen und Geschwindigkeiten flogen und alle von einem einzigen Funkmast mit einem speziellen 8-Antennen-Array erfasst werden sollten. Das Ziel war nicht nur zu sehen, ob der Mast die Drohnen hören konnte (Detektion), sondern ob er ihnen individuell über die Zeit folgen konnte (Tracking) und diese Information an eine Kommandozentrale weitergeben konnte, so wie es ein echtes Sicherheitssystem bräuchte.

Hier ist, was sie herausfanden, und es gibt eine kleine Wendung. Erstens war das System tatsächlich sehr gut darin, die Drohnen zu hören. Alle drei wurden die meiste Zeit erkannt. Das System hatte jedoch Schwierigkeiten, sie als separate Identitäten beizubehalten. Stellen Sie sich vor, Sie versuchen, drei Freunden in einem belebten Einkaufszentrum zu folgen. Sie können alle drei sehen, aber jedes Mal, wenn sie dicht beieinander gehen, verlieren Sie die Spur, wer wer ist, und Sie ordnen vielleicht versehentlich zwei Freunden dieselbe ID zu oder geben einem Freund zwei verschiedene Namen. In dieser Simulation waren 73,7 % der Zeit zwei Drohnen so nah beieinander in ihrem Signal-"Fingerabdruck", dass das System sie nicht sofort voneinander unterscheiden konnte. Das Hauptproblem war nicht, dass das System zu schwach wäre, um die Drohnen zu hören (Empfindlichkeit); das Problem war, dass die Signale um Aufmerksamkeit kämpften (Kontention).

Die Forscher entdeckten auch einen klugen Trick mit dem Antennenaufbau. Indem sie ein flaches, gitterartiges Antennenarray (ein „Planar Array“) anstelle eines einfachen Linien-Arrays verwendeten, konnte das System die Höhe der Drohnen messen. Dies half dem System nicht dabei, die Drohnen aus größerer Entfernung zu sehen, aber es war lebensrettend, um sie voneinander zu unterscheiden. Wenn zwei Drohnen in der gleichen Entfernung und Geschwindigkeit, aber in unterschiedlichen Höhen flogen, half die Höhenmessung dem System, etwa 58 % der Zeit zu entscheiden, welcher Track zu welcher Drohne gehörte. Es war, als hätte man eine 3D-Karte statt einer flachen Karte; es machte die Karte nicht größer, aber es half dabei, das Chaos zu sortieren.

Das Papier warnt uns jedoch auch vor einem „Geist“ in der Maschine. Die Simulation lief auf einem Computer, der zu langsam war, um Echtzeitgeschwindigkeit zu halten. Es war, als würde man ein Video eines Rennens in Zeitlupe betrachten. Weil der Computer zu langsam war, dachte das System, die Drohnen seien für längere Zeit verschwunden, als sie es tatsächlich waren, was die Verfolgung zusammenbrechen ließ. Als die Forscher das Timing korrigierten und die Daten so betrachteten, als fänden sie in Echtzeit statt, verbesserte sich die Tracking-Leistung erheblich, aber sie war immer noch nicht perfekt. Das System konnte die Drohnen zwar detektieren, hatte aber dennoch Schwierigkeiten, eine einzige, ununterbrochene ID an jeder einzelnen beizubehalten, insbesondere bei der Drohne, die am niedrigsten und am nächsten am Boden flog.

Schließlich zeigten die Teammitglieder, wie man diese Informationen verpackt, um sie an eine reale Sicherheits-Kommandozentrale zu senden. Sie bauten einen Übersetzer, der die Rohdaten der Verfolgung nimmt und sie in eine Standard-Sprache (genannt SAPIENT) formatiert, die von anderen Systemen verstanden werden kann. Sie fügten sogar einen „Konfidenzwert“ zu jedem Bericht hinzu, der der Kommandozentrale mitteilt, wie sicher sich das System über das ist, was es sieht. Sie fanden jedoch auch eine harte Wahrheit: Um das System präziser darin zu machen, mehrere Drohnen zu verfolgen, mussten sie etwas anderes opfern. Wenn sie versuchten, das System dazu zu bringen, mehr Drohnen zu verfolgen, indem sie die Regeln lockerten, begann es, deren Identitäten zu vermischen und gab derselben Drohne mehrere Namen. Die Forscher entschieden, dass es wichtiger war, die Identität korrekt zu halten, als jeden einzelnen Moment zu erfassen, und entschieden sich daher dafür, strenger zu sein.

Kurz gesagt zeigt dieses Papier, dass die Nutzung von 5G-Signalen zur Verfolgung mehrerer Drohnen möglich und vielversprechend ist, aber noch kein Allheilmittel ist. Das System kann die Drohnen hören, aber es wird verwirrt, wenn sie sich zu nahe kommen. Die Lösung ist nicht nur besseres Hören, sondern intelligenteres Sortieren. Die Forscher haben bewiesen, dass die Technologie in einer Simulation funktioniert, aber die wahre Herausforderung darin besteht, den „Verkehrsstau“ der Signale zu bewältigen und die Identitäten der Drohnen aufrechtzuerhalten, während gleichzeitig sichergestellt werden muss, dass der Computer, der die Daten verarbeitet, schnell genug ist, um mit der realen Welt Schritt zu halten. Es ist ein solider Schritt nach vorn, aber der Weg von einer digitalen Simulation zu einem echten Drohnen-Verteidigungssystem hat noch einige Hürden zu überwinden.