Resumen Técnico: EchoHawk

Planteamiento del Problema

El artículo aborda la necesidad urgente de una detección de sistemas contra drones (counter-UAS) que sea asequible y fiable. Aunque el radar, las cámaras electro-ópticas/infrarrojas y la interceptación de radiofrecuencia (RF) poseen fortalezas específicas, enfrentan limitaciones respecto a pequeñas secciones transversales de radar, requisitos de línea de visión y el silencio autónomo de los drones. La detección acústica pasiva se propone como una modalidad complementaria debido a su naturaleza encubierta, bajo costo y eficacia contra el ruido de rotor estructurado de los drones multirrotores. Sin embargo, la detección acústica enfrenta desafíos en cuanto al alcance, la sensibilidad al ruido ambiental y la dificultad de distinguir los drones de otras fuentes armónicas de baja frecuencia, como los vehículos terrestres. Además, el campo sufre de problemas metodológicos donde los modelos de aprendizaje automático son evaluados en conjuntos de datos con filtración de datos (data leakage) oculta, lo que conduce a estimaciones de rendimiento excesivamente optimistas.

Metodología

Los autores presentan EchoHawk, un pipeline acústico abierto, de extremo a extremo y totalmente reproducible. La metodología se basa en modelos de señal físicamente transparentes y protocolos experimentales rigurosos.

1. Modelos de Señal y de Arreglo

• Modelo Acústico: El ruido del dron se modela como una pila armónica en la frecuencia de paso de las palas ($f_0$) y sus múltiplos enteros, superpuesta sobre turbulencia de banda ancha. El modelo incluye decaimiento de amplitud geométrica, modulación de frecuencia (jitter de RPM) y ruido aditivo. Crucialmente, la clase de "falso negativo difícil" (vehículos terrestres) se modela con una estructura armónica similar pero con una frecuencia fundamental más baja y un decaimiento de amplitud más rápido para crear un problema de discriminación realista y no trivial.
• Propagación: El modelo tiene en cuenta la propagación esférica (6 dB por cada duplicación de distancia) y la absorción atmosférica dependiente de la frecuencia, señalando que los armónicos superiores se atenúan más rápido, lo que hace que la detección de baja frecuencia sea crítica para un largo alcance.
• Modelo de Arreglo: Se modela un arreglo de micrófonos planar utilizando vectores de dirección para fuentes de campo lejano. El diseño cumple con el criterio de Nyquist para el muestreo espacial ($d \le \lambda/2$) para evitar lóbulos de red (grating lobes).

2. Extracción de Características y Estimación

• Frecuencia de Paso de las Palas (BPF): Se estima utilizando el Espectro de Producto Armónico (HPS) para reforzar la energía alineada con la fundamental y sus armónicos.
• Representaciones de Características:
  • Línea Base Clásica: Utiliza Coeficientes Cepstrales en la Escala Mel (MFCCs), descriptores de forma espectral (centroide, dispersión, planitud) y la estimación de HPS.
  • Aprendizaje Profundo: Utiliza espectrogramas log-mel como entrada para una Red Neuronal Convolucional compacta (DroneCNN).
• Dirección de Llegada (DOA):
  • Beamforming: Implementa estimadores de Delay-and-Sum (Bartlett), Respuesta Sin Distorsión de Varianza Mínima (MVDR/Capon) y Clasificación de Múltiples Señales (MUSIC) basados en la matriz de covarianza espacial.
  • Retraso Temporal: Utiliza Correlación Cruzada Generalizada con Transformación de Fase (GCC-PHAT) y Potencia de Respuesta Dirigida (SRP-PHAT) para una localización robusta en condiciones ruidosas.
  • Fusión: Los espectros de banda estrecha se fusionan incoherentemente sobre la banda armónica para producir una estimación de azimut de banda ancha.
• Seguimiento (Tracking): Un filtro de Kalman de velocidad constante (o un filtro $\alpha-\beta$) suaviza las sucesivas y ruidosas estimaciones de rumbo explotando la continuidad temporal del movimiento del dron.

3. Protocolo Experimental y Corrección de Filtración de Datos

Una contribución metodológica central es la identificación y corrección de la filtración de datos a nivel de sesión.

• El Problema: Los conjuntos de datos públicos (específicamente el DroneAudioDataset) están pre-segmentados en clips cortos. Una división aleatoria ingenua a nivel de clip coloca segmentos adyacentes de una misma grabación continua tanto en los conjuntos de entrenamiento como en los de prueba. Esto permite que los clasificadores aprendan factores de molestia específicos de la sesión (fondo, características del canal) en lugar de firmas acústicas generalizables.
• La Corrección: Los autores imponen una validación cruzada agrupada por sesión de grabación, asegurando que ninguna sesión de grabación continua aparezca tanto en la partición de entrenamiento como en la de prueba. Esto restaura una estimación imparcial de la generalización ante grabaciones no vistas.

Principales Contribuciones

1. Pipeline de Referencia Abierto: Una implementación de extremo a extremo de detección, estimación de BPF, DOA y seguimiento, acompañada de un generador de datos sintéticos que permite la plena reproducibilidad sin descargas de datos externos.
2. Benchmark Sintético Difícil: Un simulador que enfrenta a drones contra confusores de vehículos terrestres con contenido armónico de baja frecuencia superpuesto, creando un desafío de detección realista a través de un amplio rango de Relación Señal-Ruido (SNR).
3. Estudio Cuantificado de Filtración de Datos: Una demostración formal de cómo la filtración de datos a nivel de sesión infla las métricas de rendimiento, proporcionando líneas base corregidas y confiables.
4. Análisis Comparativo: Una evaluación sistemática de las líneas base de características manuales (Random Forest) frente al aprendizaje profundo (CNN), y de los estimadores clásicos de DOA (Bartlett, MVDR, MUSIC) bajo diversas SNR y geometrías de arreglo.

Resultados

• Rendimiento Sintético: En el benchmark sintético difícil, la línea base de Random Forest logró un AUC de $\approx 0.93$ y una precisión de $\approx 0.86$, demostrando la dificultad de la tarea dron-vs-vehículo.
• Precisión de DOA: En las pruebas sintéticas, MVDR y MUSIC superaron al beamforming de Bartlett en bajas SNR debido a lóbulos principales más estrechos. En altas SNR, todos los métodos convergieron a una precisión de sub-grado.
• Detección con Datos Reales (Corregido): Bajo la evaluación agrupada por sesión, el DroneCNN superó significativamente a la línea base de Random Forest. Con una tasa de falsa alarma del 1%, la CNN detectó el 93.8% de los drones en comparación con el 74.5% de la línea base.
• Impacto de la Corrección de Filtración: Sellar la filtración de datos reveló una caída significativa en el rendimiento. Para la línea base de Random Forest, la Probabilidad de Detección ($P_d$) a una tasa de falsa alarma del 1% cayó de 0.796 (con filtración/agrupado por archivo) a 0.745 (honesto/agrupado por sesión). Se observaron caídas similares para la CNN, confirmando que las evaluaciones previas probablemente sobreestimaron las capacidades de generalización.
• Seguimiento: El filtrado temporal redujo el error cuadrático medio de rumbo de $\sim 5.7^\circ$ (por frame bruto) a $\sim 1.9^\circ$ en simulaciones de fuentes en movimiento.

Significado y Reivindicaciones

El artículo sostiene que su principal contribución es metodológica más que puramente algorítmica. Argumenta que en tareas de detección acústica donde las grabaciones continuas se segmentan en clips, solo la validación cruzada agrupada por grabación ofrece estimaciones de rendimiento honestas. Los autores enfatizan que las divisiones ingenuas a nivel de clip inflan mensurablemente los resultados, lo que puede confundir a la comunidad sobre la verdadera dificultad del problema.

EchoHawk sirve como una referencia reproducible para asegurar que las evaluaciones futuras en la detección acústica de contra-UAS se realicen con una higiene de datos rigurosa. Los autores declaran explícitamente que, si bien el benchmark de audio real utiliza "negativos fáciles" (sonidos cotidianos), el benchmark sintético aborda los confusores operativos más difíciles, y que el análisis de filtración se aplica universalmente a cualquier estudio que segmente audio continuo. El trabajo prioriza la "corrección metodológica y la medición honesta" sobre las cifras llamativas.