Resumo Técnico: EchoHawk

Declaração do Problema

O artigo aborda a necessidade urgente de detecção de sistemas contra drones (counter-UAS) que seja acessível e confiável. Embora o radar, as câmeras eletro-ópticas/infravermelhas e a interceptação de radiofrequência (RF) possuam pontos fortes específicos, eles enfrentam limitações em relação a pequenas seções transversais de radar, requisitos de linha de visão e o silêncio autônomo de drones. A detecção acústica passiva é proposta como uma modalidade complementar devido à sua natureza furtiva, baixo custo e eficácia contra o ruído de rotor estruturado de drones multirotores. No entanto, a detecção acústica enfrenta desafios em termos de alcance, sensibilidade ao ruído ambiental e a dificuldade de distinguir drones de outras fontes harmônicas de baixa frequência, como veículos terrestres. Além disso, o campo sofre com problemas metodológicos onde modelos de aprendizado de máquina são avaliados em conjuntos de dados com vazamento de dados oculto, levando a estimativas de desempenho excessivamente otimistas.

Metodologia

Os autores apresentam o EchoHawk, um pipeline acústico aberto, de ponta a ponta e totalmente reproduzível. A metodologia é construída sobre modelos de sinal fisicamente transparentes e protocolos experimentais rigorosos.

1. Modelos de Sinal e de Matriz (Array)

• Modelo Acústico: O ruído do drone é modelado como uma pilha harmônica na frequência de passagem das pás ($f_0$) e seus múltiplos inteiros, sobreposta a uma turbulência de banda larga. O modelo inclui decaimento de amplitude geométrica, modulação de frequência (jitter de RPM) e ruído aditivo. Crucialmente, a classe de "falso negativo difícil" (veículos terrestres) é modelada com uma estrutura harmônica semelhante, mas com frequência fundamental mais baixa e decaimento de amplitude mais rápido para criar um problema de discriminação realista e não trivial.
• Propagação: O modelo considera a propagação esférica (6 dB por duplicação de distância) e a absorção atmosférica dependente da frequência, observando que os harmônicos superiores atenuam mais rapidamente, tornando a detecção de baixa frequência crítica para longo alcance.
• Modelo de Matriz (Array): Uma matriz de microfones planar é modelada usando vetores de direção para fontes de campo distante. O design adere ao critério de Nyquist para amostragem espacial ($d \le \lambda/2$) para evitar lóbulos de grade (grating lobes).

2. Extração de Características e Estimativa

• Frequência de Passagem das Pás (BPF): Estimada usando o Espectro de Produto Harmônico (HPS) para reforçar a energia alinhada com a fundamental e seus harmônicos.
• Representações de Características:
  • Baseline Clássica: Utiliza Coeficientes Cepstrais de Frequência Mel (MFCCs), descritores de forma espectral (centroide, dispersão, achatamento) e a estimativa de HPS.
  • Aprendizado Profundo (Deep Learning): Utiliza espectrogramas log-mel como entrada para uma Rede Neural Convolucional compacta (DroneCNN).
• Direção de Chegada (DOA):
  • Beamforming: Implementa estimadores de Delay-and-Sum (Bartlett), Minimum-Variance Distortionless Response (MVDR/Capon) e MUltiple SIgnal Classification (MUSIC) baseados na matriz de covariância espacial.
  • Atraso Temporal (Time-Delay): Utiliza Generalized Cross-Correlation com Transformada de Fase (GCC-PHAT) e Steered-Response Power (SRP-PHAT) para localização robusta em condições ruidosas.
  • Fusão: Os espectros de banda estreita são fundidos incoerentemente sobre a banda harmônica para produzir uma estimativa de azimute de banda larga.
• Rastreamento (Tracking): Um filtro de Kalman de velocidade constante (ou filtro $\alpha-\beta$) suaviza as sucessivas e ruidosas estimativas de bearing, explorando a continuidade temporal do movimento do drone.

3. Protocolo Experimental e Correção de Vazamento de Dados

Uma contribuição metodológica central é a identificação e correção do vazamento de dados ao nível de sessão (session-level data leakage).

• O Problema: Conjuntos de dados públicos (especificamente o DroneAudioDataset) são pré-segmentados em clipes curtos. A divisão aleatória ingênua ao nível do clipe coloca fatias adjacentes da mesma gravação contínua tanto no conjunto de treinamento quanto no de teste. Isso permite que os classificadores aprendam fatores de incômodo específicos da sessão (ruído de fundo, características do canal) em vez de assinaturas acústicas generalizáveis.
• A Correção: Os autores impõem a validação cruzada agrupada por sessão de gravação, garantindo que nenhuma sessão de gravação contínua apareça tanto na partição de treinamento quanto na de teste. Isso restaura uma estimativa imparcial da generalização para gravações não vistas.

Principais Contribuições

1. Pipeline de Referência Aberta: Uma implementação de ponta a ponta de detecção, estimativa de BPF, DOA e rastreamento, acompanhada de um gerador de dados sintéticos que permite total reprodutibilidade sem downloads externos de dados.
2. Benchmark Sintético Difícil: Um simulador que coloca drones contra confundidores de veículos terrestres com conteúdo harmônico de baixa frequência sobreposto, criando um desafio de detecção realista através de uma ampla faixa de Relação Sinal-Ruído (SNR).
3. Estudo Quantificado de Vazamento de Dados: Uma demonstração formal de como o vazamento de dados ao nível de sessão infla as métricas de desempenho, fornecendo baselines corrigidos e confiáveis.
4. Análise Comparativa: Uma avaliação sistemática de baselines de características manuais (Random Forest) versus aprendizado profundo (CNN), e estimadores clássicos de DOA (Bartlett, MVDR, MUSIC) sob variações de SNR e geometrias de matriz.

Resultados

• Desempenho Sintético: No benchmark sintético difícil, a baseline de Random Forest alcançou um AUC de $\approx 0,93$ e acurácia de $\approx 0,86$, demonstrando a dificuldade da tarefa drone-vs-veículo.
• Acurácia de DOA: Em testes sintéticos, MVDR e MUSIC superaram o beamforming de Bartlett em baixos SNR devido aos lóbulos principais mais estreitos. Em altos SNR, todos os métodos convergiram para uma acurácia de sub-grau.
• Detecção com Dados Reais (Corrigida): Sob avaliação agrupada por sessão, a DroneCNN superou significativamente a baseline de Random Forest. Em uma taxa de falso alarme de 1%, a CNN detectou 93,8% dos drones comparado a 74,5% para a baseline.
• Impacto da Correção de Vazamento: O fechamento do vazamento de dados revelou uma queda significativa de desempenho. Para a baseline de Random Forest, a Probabilidade de Detecção ($P_d$) em uma taxa de falso alarme de 1% caiu de 0,796 (vazamento/agrupamento por arquivo) para 0,745 (honesta/agrupamento por sessão). Quedas semelhantes foram observadas para a CNN, confirmando que avaliações anteriores provavelmente superestimaram as capacidades de generalização.
• Rastreamento: A filtragem temporal reduziu o erro quadrático médio de bearing de $\sim 5,7^\circ$ (por frame bruto) para $\sim 1,9^\circ$ em simulações de fonte móvel.

Significância e Alegações

O artigo alega que sua principal contribuição é metodológica e não puramente algorítmica. Argumenta-se que, em tarefas de detecção acústica onde gravações contínuas são segmentadas em clipes, apenas a validação cruzada agrupada por gravação produz estimativas de desempenho honestas. Os autores enfatizam que divisões ingênuas ao nível de clipe inflam mensuravelmente os resultados, potencialmente induzindo a comunidade ao erro sobre a verdadeira dificuldade do problema.

O EchoHawk serve como uma referência reproduzível para garantir que futuras avaliações em detecção acústica de counter-UAS sejam conduzidas com higiene de dados rigorosa. Os autores declaram explicitamente que, embora o benchmark de áudio real use "negativos fáceis" (sons cotidianos), o benchmark sintético aborda os confundidores operacionais mais difíceis, e a análise de vazamento aplica-se universalmente a qualquer estudo que segmente áudio contínuo. O trabalho prioriza a "correção metodológica e medição honesta" em vez de números de destaque.