⚡ electrical engineering

Incremental Learning-Based Open-Set Classification of Unknown UAVs via RF Signal Semantics

Questo articolo propone un quadro unificato di apprendimento incrementale open-set per il riconoscimento di droni tramite segnali RF, che combina la rilevazione di classi sconosciute, la scoperta automatica di nuove categorie e l'adattamento incrementale per mitigare l'oblio catastrofico in scenari aerei dinamici.

Autori originali: Julie Liu, Irshad A. Meer, Cicek Cavdar, Mustafa Ozger

Pubblicato 2026-03-26

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Julie Liu, Irshad A. Meer, Cicek Cavdar, Mustafa Ozger

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere un guardiano del cielo che deve riconoscere tutti i droni che volano sopra la tua città. Fino a poco tempo fa, i sistemi di sicurezza funzionavano come un elenco telefonico chiuso: se il nome del drone non era nell'elenco, il sistema non sapeva cosa fare. Poteva ignorarlo o, peggio, confonderlo con un altro drone e dire: "Ah, questo è sicuramente il modello X!", anche se era sbagliato. Questo è pericoloso perché i droni nuovi, sconosciuti o modificati appaiono continuamente.

Questo articolo presenta una soluzione intelligente, come un guardiano che impara mentre lavora, capace di gestire l'ignoto senza impazzire. Ecco come funziona, spiegato passo dopo passo con metafore semplici:

1. Il Problema: L'Elenco Telefonico che Non Basta

I vecchi sistemi di riconoscimento dei droni sono come un bibliotecario che ha memorizzato solo 18 libri. Se un lettore porta un nuovo libro mai visto prima, il bibliotecario non lo sa catalogare. Potrebbe dire: "Questo è il libro numero 5!" (un errore pericoloso) o semplicemente scartarlo. Nel mondo reale, i droni cambiano spesso (nuovi firmware, nuovi modelli), quindi avere un elenco fisso non funziona più.

2. La Soluzione: Un Sistema "Aperto" che Impara

Gli autori hanno creato un sistema che combina tre abilità magiche in un unico flusso di lavoro:

A. L'Odore Chimico (Riconoscimento Open-Set)

Immagina che ogni drone emetta un "odore" unico (il suo segnale radio).

Il sistema prima annusa il segnale.
Se l'odore corrisponde perfettamente a uno dei 18 droni che già conosce, lo identifica subito: "Ah, è un DJI Mavic!".
Se l'odore è strano, diverso da tutti quelli nell'elenco, il sistema non indovina a caso. Invece, dice: "Questo è un estraneo!" e lo mette da parte in un "cestino degli sconosciuti". Non commette errori di confidenza eccessiva.

B. Il Gioco dei Gruppi (Scoperta di Nuove Classi)

Una volta che il sistema ha raccolto un certo numero di "estranei" nel cestino, deve capire se sono tutti uguali o se appartengono a gruppi diversi.

Immagina di avere un mucchio di palle di colori diversi mescolate. Il sistema usa un algoritmo intelligente (come un giocatore di Lego esperto) per raggruppare le palle simili.
Non si limita a dire "sono tutti strani". Cerca di capire: "Queste 5 palle sembrano appartenere allo stesso nuovo tipo di drone, mentre quelle altre 3 sembrano un altro tipo".
Usa una "bussola di qualità" (un punteggio matematico) per decidere se i gruppi che ha formato hanno senso o se sono solo un disordine. Se il gruppo è valido, lo etichetta come una nuova categoria di drone.

C. Il Diario di Bordo (Apprendimento Incrementale)

Qui arriva la parte più geniale. Una volta scoperto un nuovo tipo di drone, il sistema deve impararlo senza dimenticare quelli vecchi.

Spesso, quando impariamo cose nuove, dimentichiamo quelle vecchie (come quando studi per un esame di storia e dimentichi tutto quello che sapevi di matematica). Questo si chiama "dimenticamento catastrofico".
Il sistema usa una memoria limitata ma intelligente. Immagina di avere un taccuino tascabile (la memoria di replay).
Quando impara il nuovo drone, il sistema legge il taccuino, rivede velocemente i vecchi droni (solo pochi esempi rappresentativi) e poi aggiorna le sue conoscenze.
In questo modo, impara il nuovo mantenendo intatto il vecchio, senza dover ricominciare tutto da zero (che sarebbe lento e costoso).

Perché è importante?

Pensa a un cacciatore di fantasmi che deve riconoscere spiriti.

I vecchi sistemi riconoscevano solo i fantasmi che aveva già visto e, se ne vedeva uno nuovo, pensava fosse uno di quelli vecchi (errore).
Questo nuovo sistema dice: "Quello non è un fantasma che conosco! Aspetta, guardiamolo meglio... ah, sembra un nuovo tipo di fantasma! Aggiungiamolo alla lista e ricordiamoci anche come erano quelli vecchi".

I Risultati

Gli scienziati hanno testato questo sistema con dati reali di droni. Hanno scoperto che:

Riconosce perfettamente i droni noti.
Rifiuta con sicurezza quelli sconosciuti senza confonderli.
Riesce a raggruppare i droni sconosciuti in nuove categorie con grande precisione.
Impara i nuovi droni senza dimenticare i vecchi, usando pochissima memoria (come un taccuino tascabile invece di un'intera biblioteca).

In sintesi, questo articolo ci insegna come costruire un sistema di sicurezza per il cielo che cresce e si adatta, proprio come un essere umano, invece di rimanere bloccato su una lista rigida e obsoleta. È un passo fondamentale per rendere i nostri cieli più sicuri in un mondo dove i droni cambiano continuamente.

Titolo

Classificazione Open-Set Incrementale di UAV Sconosciuti Basata sull'Apprendimento e Semantica dei Segnali RF

1. Problema e Contesto

L'aumento dell'uso di droni civili e commerciali ha reso critico lo sviluppo di sistemi di identificazione affidabili basati su segnali Radio Frequenza (RF). Tuttavia, i metodi esistenti presentano due limitazioni fondamentali:

Assunzione di "Closed-Set": La maggior parte degli algoritmi di riconoscimento RF assume che tutti i tipi di UAV siano noti durante l'addestramento. In scenari reali, nuovi droni o aggiornamenti hardware/firmware emergono continuamente.
Fallimento in scenari Open-Set: I classificatori tradizionali, quando confrontati con segnali sconosciuti, tendono a produrre previsioni "sovraconfidenti" assegnando erroneamente i nuovi segnali a classi note, compromettendo la sicurezza.
Sfide dell'Apprendimento Incrementale (IL): Adattare i classificatori RF a nuove classi senza dimenticare quelle vecchie (catastrophic forgetting) è difficile a causa della variabilità dei segnali, della dipendenza dall'ambiente e della natura complessa (valore complesso) dei dati RF.

L'obiettivo è creare un sistema che possa non solo rilevare droni sconosciuti, ma anche scoprirne le nuove categorie e integrarle nel modello in modo incrementale, mantenendo le prestazioni sulle classi note.

2. Metodologia Proposta

Gli autori propongono un framework unificato di apprendimento open-set incrementale composto da tre fasi principali, illustrate in un'unica pipeline scalabile:

A. Apprendimento di Embedding Semantico

Input: I segnali RF grezzi (campioni I/Q) vengono trasformati in spettrogrammi tramite la Trasformata di Fourier a Breve Termine (STFT).
Architettura: Viene utilizzato un encoder ibrido a due rami:
1. Un estrattore di texture basato su CNN (con convoluzioni dilatate) per catturare texture spettrali fini e involucri temporali.
2. Un encoder basato su Transformer per modellare le dipendenze a lungo raggio e preservare la località tempo-frequenza.
Fusione: Le feature vengono fuse e proiettate in uno spazio di embedding semantico compatto.
Loss Function: L'addestramento utilizza una funzione di perdita composita che combina:
- Lcen: Compattezza intra-classe.
- Lsep: Separazione inter-classe.
- LCE: Cross-entropy supervisionata.

B. Riconoscimento Open-Set (OSR)

Dopo l'addestramento sulle classi note, ogni classe è modellata statisticamente come una distribuzione Gaussiana (media $\mu_k$ e covarianza $\Sigma_k$ ).
Decisione: Durante l'inferenza, la distanza di Mahalanobis tra l'embedding del campione e le distribuzioni delle classi note viene calcolata.
Soglia: Viene applicata la regola del "tre sigma" ( $\tau_k = \mu_{d_k} + 3\sigma_{d_k}$ $τ_{k} = μ_{d_{k}} + 3 σ_{d_{k}}$ ) per definire un confine di accettazione.
- Se la distanza è inferiore alla soglia, il campione viene classificato come noto.
- Se supera la soglia, il campione viene rifiutato e inserito in un buffer per la scoperta di nuove classi.

C. Scoperta di Nuove Classi tramite Clustering

I campioni rifiutati vengono sottoposti a clustering non supervisionato.
Selezione del Modello: Vengono testati sia K-Means che Gaussian Mixture Models (GMM).
Criterio di Validità Composita: Per determinare il numero ottimale di cluster ( $k^*$ $k^{*}$ ) e il modello migliore, viene utilizzata una metrica composita $Q(k)$ $Q (k)$ che bilancia:
- Silhouette score ( $S_k$ )
- Calinski-Harabasz index ( $CH_k$ )
- Davies-Bouldin index ( $DB_k$ )
- Varianza spiegata ( $V_k$ )
Vengono selezionati solo i cluster con alta purezza e dimensioni adeguate come nuove categorie candidate.

D. Apprendimento Incrementale con Replay Leggero

Le nuove classi scoperte vengono integrate nel classificatore principale.
Meccanismo di Replay: Per prevenire l'oblio catastrofico, viene mantenuta una memoria limitata ( $M$ ) contenente un numero ristretto di campioni rappresentativi delle classi vecchie.
Aggiornamento: Il modello viene aggiornato su un mini-batch misto (nuove classi + campioni replayati) senza ri-addestramento da zero, ottimizzando la perdita di cross-entropy.

3. Contributi Chiave

Framework Unificato: Integrazione di rilevamento open-set, scoperta di nuove classi basata sul clustering e apprendimento incrementale in un'unica pipeline.
Strategia di Clustering Robusta: Utilizzo di metriche di validità composite e selezione automatica dell'ordine del modello per garantire una scoperta affidabile anche in condizioni RF rumorose.
Meccanismo Efficiente: Un approccio di apprendimento incrementale con replay vincolato che massimizza la ritenzione della conoscenza con costi di memoria minimi.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su un dataset reale di segnali RF UAV contenente 24 classi (18 note per l'addestramento, 6 sconosciute per la valutazione).

Riconoscimento Open-Set: La matrice di confusione normalizzata ha mostrato una forte dominanza diagonale per le classi note, confermando che i droni sconosciuti vengono efficacemente rifiutati invece di essere classificati erroneamente.
Scoperta di Nuove Classi: La visualizzazione t-SNE ha rivelato una forte corrispondenza tra i cluster predetti e le classi vere sconosciute.
- Il modello K-Means ha ottenuto il punteggio di validità composita più alto (0.770) e una purezza del 92,1%, superando il GMM.
- Sono state osservate alcune deviazioni dovute alla variabilità intra-classe (es. diversi modi operativi dello stesso drone) e alle variazioni del canale.
Apprendimento Incrementale:
- Senza replay ( $old\_max=0$ ): Si verifica l'oblio catastrofico (accuratezza sulle vecchie classi scesa allo 0%).
- Con replay minimo ( $old\_max=5$ ): L'accuratezza sulle vecchie classi è tornata al 100%, mantenendo un'accuratezza sulle nuove classi di circa il 98%.
- Aumentare ulteriormente la memoria di replay ha portato a miglioramenti trascurabili, dimostrando l'efficienza del metodo.

5. Significato e Conclusioni

Il lavoro dimostra che è possibile realizzare sistemi di sorveglianza UAV "open-world" capaci di adattarsi dinamicamente a nuovi droni senza richiedere un ri-addestramento massivo o risorse di memoria illimitate.

Impatto: Il framework bilancia efficacemente il compromesso tra stabilità (mantenimento delle conoscenze passate) e plasticità (apprendimento di nuove classi).
Limitazioni e Futuro: Lo studio attuale si basa su una divisione fissa delle classi. I lavori futuri esploreranno l'estrazione di feature invarianti al dominio, il deployment in tempo reale su hardware embedded e l'apprendimento federato tra nodi di monitoraggio distribuiti.

In sintesi, questo approccio rappresenta un passo significativo verso l'intelligenza dei segnali RF scalabile e a vita lunga, essenziale per la sicurezza dello spazio aereo dinamico.