مروری بر فناوری‌های ضدپهپاد

مقاله «مروری بر فناوری‌های ضدپهپاد» که در قالب یک مطالعه مروری تخصصی منتشر شده، مجموعه‌ای از راهکارهای فناورانه، عملیاتی و حقوقی برای شناسایی، ردیابی و مقابله با پهپادهای متخاصم یا غیرمجاز را تحلیل می‌کند. در این پژوهش، فناوری‌های متنوعی همچون حسگرهای راداری، بصری و صوتی، فناوری‌های اخلالگر امواج (Jammers)، روش‌های تسلیحاتی، و راهکارهای سایبری، به‌صورت دقیق و طبقه‌بندی‌شده مورد بررسی قرار گرفته‌اند. این مقاله، ضمن تحلیل نقاط ضعف و قوت هر سامانه، بر ضرورت توسعه راهکارهای چندلایه و ترکیبی با رعایت الزامات حقوق بین‌الملل تأکید دارد. این بررسی، در سطح جهانی، یکی از جامع‌ترین مطالعات درباره فناوری‌های مقابله با تهدیدات پهپادی در حوزه نظامی، امنیتی و زیرساخت‌های حیاتی محسوب می‌شود.

در سال‌های اخیر، گسترش فناوری‌های پهپادی (UAV) به‌ویژه در حوزه‌های نظامی، امنیتی، غیرنظامی و تجاری، منجر به افزایش تهدیدات احتمالی از سوی پهپادهای غیرمجاز شده است. مقاله «مروری بر فناوری‌های ضدپهپاد (Counter Drone Technology: A Review)» با هدف طبقه‌بندی علمی و تحلیلی این تهدیدات و بررسی روش‌های مقابله با آن‌ها، منتشر شده و به‌عنوان یک مرجع جامع علمی در این حوزه شناخته می‌شود.

در این مطالعه، فناوری‌های ضدپهپاد (C-UAS) به چهار دسته اصلی تقسیم شده‌اند:

۱. سامانه‌های شناسایی (Detection Systems)

۲. سامانه‌های ردیابی و تعقیب (Tracking Systems)

۳. سامانه‌های اخلال و مداخله (Disruption/Interdiction Systems)

۴. چارچوب‌های قانونی و اخلاقی مقابله

۱. شناسایی و ردیابی پهپادها

این دسته شامل ابزارهایی نظیر رادارهای مایکروویو، سنسورهای بصری (Optical Sensors)، سنسورهای صوتی (Acoustic Sensors)، فناوری‌های مادون قرمز، و سامانه‌های شناسایی رادیویی است. هر کدام از این فناوری‌ها مزایا و محدودیت‌های خاص خود را دارند:

• رادارها در شناسایی اهداف در فواصل دور و شرایط جوی مختلف عملکرد مطلوبی دارند، ولی ممکن است در محیط‌های شهری دچار خطا شوند.
• سنسورهای بصری، از جمله دوربین‌های با وضوح بالا، در نور مناسب کارایی بالایی دارند اما در شرایط کم‌نور یا مه دچار اختلال می‌شوند.
• سنسورهای صوتی می‌توانند امضای صوتی خاص پهپادها را تشخیص دهند، اما در محیط‌های پر سر و صدا دقت کمتری دارند.

۲. سامانه‌های اخلالگر و نابودکننده

در حوزه مداخله، سامانه‌های متنوعی توسعه یافته‌اند، از جمله:

• اخلال‌گرهای امواج (RF Jammers): با ایجاد تداخل در سیگنال GPS یا ارتباط کنترل، پهپاد را از کار می‌اندازند.
• تسلیحات لیزری: برای هدف قرار دادن دقیق پهپادها در هوا استفاده می‌شوند.
• پهپادهای رهگیر: پهپادهایی که برای درگیری با پهپادهای متخاصم طراحی شده‌اند.
• شبکه‌های فیزیکی یا گلوله‌های تورپرتاب: ابزارهایی برای به دام انداختن فیزیکی پهپاد در آسمان.

۳. چالش‌های فناورانه و حقوقی

نویسندگان مقاله به محدودیت‌های عملکردی و چالش‌های حقوقی در استفاده از فناوری‌های ضدپهپادی نیز اشاره کرده‌اند. از جمله:

• خطر اخلال در ارتباطات غیرنظامی در استفاده از Jammers
• دشواری تفکیک بین پهپادهای مجاز و غیرمجاز در مناطق پر ترافیک
• خلأهای قانونی در بسیاری از کشورها برای مقابله با ورود پهپادها به حریم‌های امنیتی یا زیرساخت‌های حیاتی

۴. راهکارهای ترکیبی و آینده‌نگرانه

مطالعه بر توسعه سامانه‌های ترکیبی چندلایه (Multi-Layered Systems) تأکید دارد. سامانه‌هایی که می‌توانند هم‌زمان از چند سنسور و ابزار مداخله استفاده کنند، دقت بالاتری در شناسایی، تشخیص نوع تهدید و مقابله با آن دارند.

از دیگر موارد مورد تأکید در مقاله:

• استفاده از فناوری یادگیری ماشین برای شناسایی الگوهای پرواز
• استفاده از هوش مصنوعی برای تشخیص خودکار تهدید و انتخاب ابزار مداخله مناسب
• طراحی سامانه‌های قابل‌حمل برای حفاظت از تجمعات عمومی، رویدادهای ورزشی و شخصیت‌های مهم

جمع‌بندی:

مقاله «مروری بر فناوری‌های ضدپهپاد» یکی از جامع‌ترین منابع علمی در حوزه مقابله با تهدیدات پهپادی به‌شمار می‌رود. این مقاله با طبقه‌بندی دقیق فناوری‌ها و تحلیل مزایا و معایب آن‌ها، تصویری روشن از وضعیت فعلی، چالش‌ها و چشم‌انداز آینده C-UAS ارائه می‌دهد. توسعه زیرساخت‌های ضدپهپاد با رویکرد علمی، بین‌رشته‌ای، و حقوقی، در آینده‌ای نزدیک نقش حیاتی در امنیت ملی و حفاظت از دارایی‌های راهبردی کشورها ایفا خواهد کرد.

نویسندگان: هیگینیو گونزالس‌-خورخه*، انریکه آلدااو، گابریل فونتنلا-کاررا، فرناندو ویگا-لوپز، ادواردو بالویس و ادواردو ریوس-اوترو

(مؤسسه فیزیک و علوم هوافضا – دانشگاه ویگو، اورنسه، اسپانیا)

چکیده

پهپادها (پرنده‌های هدایت‌پذیر از دور – UAV) به دلیل تطبیق‌پذیری و هزینه کم، رشد چشمگیری در کاربردهای غیرنظامی و نظامی داشته‌اند. با این حال، استفاده سهل‌انگارانه یا با نیت مخرب از این پرنده‌ها می‌تواند امنیت عمومی و حریم خصوصی افراد را به خطر بیندازد. در پاسخ به این تهدید، سامانه‌های ضدپهپاد توسعه یافته‌اند که در سال‌های اخیر شامل فناوری‌هایی برای کشف، موقعیت‌یابی و خنثی‌سازی این پرنده‌ها بوده است. این مقاله مروری بر سامانه‌های تجاری مختلف ضدپهپاد موجود، فناوری‌های به‌کاررفته در تشخیص، پیگیری و شناسایی تهدید پهپاد، و همچنین روش‌های کاهش تهدید به شکل نرم‌ (soft kill) و سخت‌ (hard kill) ارائه می‌کند.

واژگان کلیدی: ضدپهپاد (Counter-UAS)؛ تهدید پهپاد (Drone Threat)؛ سامانه هوایی بدون سرنشین (Unmanned Aircraft System – UAS)؛ پهپاد متخاصم (Malicious Drone)

۱. مقدمه

پهپادها یا پرنده‌های بدون سرنشین (UAV – Unmanned Aerial Vehicles) به هواگردهایی گفته می‌شود که یا به صورت خودگردان توسط رایانه هدایت می‌شوند یا به شکل کنترل از راه دور توسط یک اپراتور انسانی کنترل می‌گردند. این پرنده‌ها در اشکال و اندازه‌های متنوعی وجود دارند؛ از چهارپره‌های کوچک گرفته تا هواپیماهای بزرگ بال‌ثابت. پهپادها که در ابتدا برای مصارف نظامی توسعه یافتند، امروزه در کاربردهای غیرنظامی بی‌شماری به کار گرفته می‌شوند؛ از جمله عکاسی هوایی، کشاورزی دقیق، نظارت و پایش، جستجو و نجات، خدمات تحویل کالا، بازرسی تأسیسات و غیره. پهپادها معمولاً مجهز به دوربین‌ها، حسگرها و گاهاً سایر تجهیزات تخصصی متناسب با مأموریت خود هستند و به واسطه‌ی قابلیت‌های گوناگون و هزینه نسبتاً کم عملیاتی، پذیرش گسترده‌ای در صنایع مختلف یافته‌اند.

پهپادها تأثیر چشمگیری نیز بر صنعت نظامی داشته‌اند و توانمندی‌ها و راهبردهای نوینی را در جنگاوری مدرن ایجاد کرده‌اند. پهپادها امکان پایش هوایی بلادرنگ را برای نیروهای نظامی فراهم می‌کنند؛ به طوری که بدون به خطر انداختن جان خلبانان، اطلاعات شناسایی جمع‌آوری شده و تحرکات دشمن و وضعیت میدان نبرد زیر نظر گرفته می‌شود. این پرنده‌ها با پوشش مناطق وسیع از ارتفاعات مختلف، دید جامعی از محیط عملیاتی ارائه می‌دهند. پهپادهای مسلح، نظیر پرداتور (Predator) و ریپر (Reaper)، قادر به حمل و شلیک موشک‌های هدایت‌شونده دقیق یا بمب هستند که اجرای حملات هوایی موضعی علیه اهداف دشمن را با کاهش خسارات جانبی نسبت به روش‌های سنتی ممکن می‌سازد. پهپادها به عنوان Multipliers Force (تکثیرکننده نیرو) عمل کرده و اثربخشی عملیات نظامی را افزایش می‌دهند. این وسایل به سرعت قابل اعزام بوده و می‌توانند برای دوره‌های طولانی عملیات کنند و به صورت مستمر از نیروهای زمینی پشتیبانی اطلاعاتی یا تهاجمی به عمل آورند. علاوه بر این، از پهپادها برای مقاصد لجستیکی نیز استفاده می‌شود؛ مانند حمل تدارکات و تجهیزات به مناطق دورافتاده یا صعب‌العبور که خطرات نیروهای ترابری انسانی را کاهش می‌دهد.

صنعت پهپاد نظامی با پیشرفت‌های فناورانه مداوم در حال تکامل است؛ پیشرفت‌هایی که با هدف بهبود مداومت پروازی، قابلیت اختفا و ظرفیت محموله صورت می‌گیرد. این روند، به کاهش هزینه تولید و دسترسی بیشتر بازیگران مختلف در یک نبرد نیز انجامیده است؛ همان‌طور که در جنگ اخیر اوکراین مشاهده شد. پهپادها در آن درگیری نقش بسزایی ایفا کردند؛ به ویژه در مناطق شرقی که نبردهای سنگینی میان نیروهای دولتی اوکراین و روسیه در جریان بود. هر دو طرف از پهپادهای تجاری آماده‌به‌کار و نیز UAV‌های نظامی پیشرفته استفاده کردند. پهپادها بُعد جدیدی به آن نبرد افزودند و بر تاکتیک‌ها و راهبردهای دو طرف تأثیر گذاشتند. برخی نمونه‌های پهپاد مورد استفاده در آن مناقشه عبارت بودند از پهپادهای انتحاری با محموله انفجاری که مستقیم اهداف را درگیر می‌کردند. یک نمونه شاخص، مهمات پرسه‌زن Harop ساخت اسرائیل یا مهمات پرسه‌زن Switchblade 600 ساخت آمریکا است که این‌ها در واقع پهپادهای کوچک انتحاری هستند. این پهپادها توانایی مانور طولانی در منطقه نبرد و حمله انفجاری به هدف را دارند.

در مجموع، رشد فناوری پهپادها چالش‌های امنیتی تازه‌ای را نیز پدید آورده است. پهپادهای کوچک تجاری که به آسانی در دسترس عموم هستند می‌توانند برای مقاصد مخرب به کار گرفته شوند؛ از نقض حریم خصوصی افراد گرفته تا پرواز در مناطق ممنوعه مانند حوالی فرودگاه‌ها یا تأسیسات حساس، و حتی حمل مواد خطرناک یا انجام عملیات‌های تروریستی. از این رو، نیاز به توسعه فناوری‌های ضدپهپاد به شدت احساس می‌شود تا این تهدیدها شناسایی و خنثی شوند. سامانه‌های ضدپهپاد شامل مجموعه‌ای از حسگرها و مکانیزم‌های رهگیری و خنثی‌سازی هستند که به صورت یکپارچه عمل می‌کنند: حسگرها وظیفه تشخیص و ردیابی پهپاد را بر عهده دارند و سپس بسته به سطح تهدید، اقدامات مقابله‌ای نرم یا سخت برای از کارانداختن پهپاد صورت می‌گیرد. در بخش‌های بعدی این مقاله، جزئیات مربوط به سامانه‌های تجاری ضدپهپاد موجود در بازار، فناوری‌های محوری در فرآیند کشف، ردیابی و شناسایی پهپاد، و همچنین تکنیک‌های خنثی‌سازی شامل روش‌های نرم (غیرمخرب) و سخت (مخرب) تشریح شده است. ساختار مقاله به این ترتیب است که بخش ۲ به راهکارهای تجاری مختلف ضدپهپاد موجود در بازار می‌پردازد؛ بخش ۳ فناوری‌های دخیل در کشف، ردیابی و شناسایی پهپاد را توصیف می‌کند؛ بخش ۴ به فناوری‌های مربوط به خنثی‌سازی تهدید پهپاد اختصاص دارد؛ و در نهایت بخش ۵ جمع‌بندی را ارائه می‌دهد.

۲. راهکارهای تجاری ضدپهپاد

فناوری ضدپهپاد تقریباً در یک دهه اخیر وارد بازار شده است. هرچند این فناوری‌ها همچنان در دست توسعه هستند، شرکت‌های متعددی در حال حاضر محصولاتی در این زمینه برای هر دو حوزه نظامی و غیرنظامی عرضه می‌کنند. جدول نمونه‌هایی از سامانه‌های پیشرفته تجاری ضدپهپاد را به همراه ویژگی‌های اصلی و فناوری‌های مورد استفاده در آن‌ها فهرست می‌کند. لازم به ذکر است ممکن است همه سامانه‌های موجود در بازار در این جدول ذکر نشده باشند، اما فهرست ارائه‌شده دیدگاهی کلی نسبت به مهم‌ترین فناوری‌های به‌کاررفته در این سیستم‌ها ارائه می‌دهد. گردآوری اطلاعات دقیق درباره برخی سامانه‌های نظامی چین و روسیه دشوار بوده است. به نظر می‌رسد این کشورها در خصوص قابلیت‌های دفاعی پیشرفته خود از جمله سامانه‌های ضدپهپاد، رویه پنهان‌کاری سخت‌گیرانه‌ای دارند و نیز مانع زبان (در دسترس نبودن اطلاعات به زبان انگلیسی) باعث محدود شدن دسترسی پژوهشگران و تحلیل‌گران جهانی به اطلاعات آن‌ها شده است. از این رو، این مرور به اطلاعات در دسترس اکتفا کرده است.

جدول سامانه‌های تجاری ضدپهپاد

جدول بالا ممکن است همه سامانه‌های ضدپهپاد موجود در بازار را شامل نشود، اما نمونه‌ای نماینده از مهم‌ترین فناوری‌های به‌کاررفته در این سیستم‌ها ارائه می‌دهد. جمع‌آوری اطلاعات مفصل درباره برخی سیستم‌های نظامی چین و روسیه با چالش همراه بود. احتمال می‌رود این کشورها به دلیل ملاحظات امنیتی، جزئیات مربوط به فناوری‌های دفاعی نوین خود را محرمانه نگه دارند و علاوه بر آن، مانع زبانی (در دسترس نبودن منابع به انگلیسی) موجب شده اطلاعات کمتری برای پژوهشگران بین‌المللی فراهم باشد. در نتیجه، کمبود اطلاعات آزاد و جامع درباره سامانه‌های ضدپهپاد چین و روسیه، مقایسه گسترده را دشوار می‌سازد و درک ما را از چشم‌انداز جهانی این فناوری‌ها محدود می‌کند. این مطالعه ناچار است خود را در حد این محدودیت نگاه دارد.

بررسی سامانه‌های تجاری ضدپهپاد انجام‌شده در این پژوهش، طیف متنوعی از راهکارها را برای کشف تهدید، طبقه‌بندی هدف، ردیابی و خنثی‌سازی نشان می‌دهد. در مرحله کشف و ردیابی، اغلب تولیدکنندگان ترکیبی از فناوری‌های راداری (با تأکید برخی بر استفاده از سامانه‌های غیرفعال) و حسگرهای تصویری غیرفعال (معمولاً حسگرهای الکترواپتیکی و حرارتی) را به کار گرفته‌اند. در مقابل، معدودی از آن‌ها حسگرهای صوتی را ادغام کرده‌اند یا دست‌کم حضور این حسگرها در مشخصات فنی آن سامانه‌ها به‌صراحت ذکر نشده است. حسگرهای فعال نوری مانند لیدار که در کاربردهای دیگر (مانند رباتیک خودران یا نقشه‌برداری) استفاده می‌شوند، علی‌رغم قابلیت ارائه سریع فاصله، زاویه و ارتفاع هدف، به طور معمول در فناوری ضدپهپاد به کار نرفته‌اند. در زمینه شناسایی تهدید (طبقه‌بندی)، چندین تولیدکننده استفاده از سامانه‌های هوش مصنوعی را پیشنهاد داده‌اند، هرچند جزئیات مشخصی درباره الگوریتم‌های مورد استفاده ارائه نشده است.

در مرحله خنثی‌سازی تهدید پهپاد، معمولاً دو گزینه به نمایش گذاشته می‌شود: رویکردهای نرم و سخت. روش‌های نرم عمدتاً بر اخلال در سامانه‌های ناوبری ماهواره‌ای (GNSS) و ارتباط رادیویی بین پهپاد و کنترل‌کننده آن متمرکز هستند. رویکردهای نرم ماهیت دوگانه‌ای دارند؛ به این معنی که هم با هدف دفاع از زیرساخت‌های حیاتی یا حفاظت از تجمعات انسانی (حوزه غیرنظامی) طراحی شده‌اند و هم برای حفاظت از دارایی‌های نظامی کاربرد دارند. در مقابل، راهکارهای سخت به طور خاص برای کاربردهای نظامی در نظر گرفته شده و معمولاً از سامانه‌های تسلیحاتی نظیر مسلسل‌ها یا توپ‌ها بهره می‌گیرند.

۳. فناوری‌های مورد استفاده در کشف، ردیابی و شناسایی پهپاد

فناوری‌های موجود در حوزه‌ی ضدپهپاد شامل انواع حسگرهای فعال و غیرفعال برای کشف اهداف و همچنین الگوریتم‌هایی برای ردیابی و طبقه‌بندی تهدیدها هستند. اصول بنیادی این فناوری‌ها در ادامه توضیح داده شده‌اند.

۳.۱ رادار غیرفعال (Passive Radar)

سامانه‌های رادار غیرفعال از سیگنال‌های الکترومغناطیسی موجود مانند پخش‌های تلویزیونی یا رادیویی که توسط منابع دیگر منتشر می‌شوند، بهره‌برداری می‌کنند. این سامانه‌ها از این سیگنال‌ها به‌عنوان «تابنده‌های فرصتی» برای کشف و ردیابی اهدافی مانند پهپاد استفاده می‌کنند؛ به این صورت که پژواک‌ها یا بازتاب‌های ایجادشده توسط آن اهداف بر روی سیگنال‌های محیطی را تحلیل می‌کنند. بازهٔ دقیق فرکانس‌های مورد استفاده بسته به سامانه و کاربرد آن متغیر است. با این حال، اغلب سامانه‌های رادار غیرفعال از فرکانس‌هایی در محدوده‌ی باند UHF (Ultra High Frequency) و VHF (Very High Frequency) استفاده می‌کنند که عموماً حدود ۳۰ مگاهرتز تا ۳ گیگاهرتز را پوشش می‌دهد.

فعالیت‌های پژوهشی در فناوری رادار غیرفعال عمدتاً بر کشف پرنده‌های کوچک در سناریوهای با تراکم بالای اهداف (مانند پایانه‌های فرودگاهی) متمرکز است، جایی که بازتاب‌های قوی از اهداف با سطح مقطع راداری بالا احتمالاً مانع از آشکارسازی پژواک‌های بسیار ضعیف اهداف می‌شوند. پژوهش‌های دیگر از رادارهای غیرفعال دو ایستگاهی (bistatic) بلادرنگ بهره می‌برند که با استفاده از رادیوی تعریف‌شده با نرم‌افزار (SDR) و قابلیت‌های پردازش سیگنال، پهپادها را در مناطق نزدیک به زیرساخت‌های حیاتی کشف و ردیابی می‌کنند.

دو نوع اصلی از سامانه‌های رادار غیرفعال وجود دارد:

• سامانه‌های مشارکتی: از سیگنال‌های منابع همکار (مانند ایستگاه‌های رادیویی یا تلویزیونی تجاری) استفاده می‌کنند که در آن فرستنده از نقش خود در پشتیبانی عملکرد رادار آگاه بوده و با آن موافقت کرده است
• سامانه‌های غیرمشارکتی: با سیگنال‌های محیطی از منابع ناهمکار کار می‌کنند، بدون اینکه آن منابع همکاری صریحی داشته باشند. این سامانه‌ها چالش‌برانگیزتر هستند زیرا باید اطلاعات را از سیگنال‌هایی استخراج کنند که ذاتاً برای مقاصد راداری در نظر گرفته نشده‌اند.

رادار غیرفعال چندین مزیت دارد؛ از جمله مقرون‌به‌صرفه بودن (نیاز نداشتن به فرستنده‌های اختصاصی گران‌قیمت)، عملکرد پنهان‌کار و با قابلیت مشاهده‌ی کم (تشخیص یا اخلال آن برای دشمن دشوارتر است چون سیگنال فعالی منتشر نمی‌کند) و کاهش آسیب‌پذیری (عدم انتشار سیگنال، خطر شناسایی شدن یا هدف قرار گرفتن توسط دشمن را کاهش می‌دهد). معماری سامانه‌های رادار غیرفعال شامل چندین جزء کلیدی است که با همکاری یکدیگر، اهداف را با استفاده از سیگنال‌های الکترومغناطیسی محیطی کشف و ردیابی می‌کنند:

• گیرنده‌ها: اجزای اولیه‌ای که سیگنال‌های الکترومغناطیسی ورودی را دریافت و پردازش می‌کنند. هر گیرنده شامل آنتن‌ها، بخش جلویی RF (فرکانس رادیویی) و مبدل‌های دیجیتال است. گیرنده‌ها به‌نحوی طراحی شده‌اند که طیف وسیعی از فرکانس‌ها را پوشش دهند و بتوانند سیگنال‌های منابع گوناگون مانند رادیوی FM/AM، پخش‌های تلویزیونی یا سایر سامانه‌های راداری را دریافت کنند.
• واحدهای پردازش سیگنال: پس از دریافت سیگنال‌ها، الگوریتم‌های پیشرفته‌ی پردازش سیگنال به کار گرفته می‌شوند تا اطلاعات مرتبط استخراج گردد. این پردازش شامل فیلتراسیون، همبستگی، تحلیل شکل موج و الگوریتم‌های کشف هدف است. تکنیک‌های پیشرفته‌ی پردازش سیگنال دیجیتال برای تفکیک پژواک‌های مطلوب از نویز پس‌زمینه یا اختلالات ضروری هستند.
• کشف و ردیابی هدف: پس از پردازش، سامانه با تحلیل پژواک‌ها یا بازتاب‌های موجود در سیگنال‌های دریافت‌شده، اهداف احتمالی را شناسایی می‌کند. سپس الگوریتم‌های ردیابی، موقعیت، سرعت و مسیر حرکت اهداف کشف‌شده را در طول زمان تعیین می‌کنند. این الگوریتم‌ها می‌توانند از تکنیک‌هایی مانند فیلتر کالمن یا روش‌های تطبیق داده‌ها برای ردیابی همزمان چندین هدف با دقت بالا استفاده کنند.
• پایگاه‌داده و کتابخانه‌ی سیگنال: سامانه‌های رادار غیرفعال اغلب بر پایگاه‌داده‌هایی متکی هستند که حاوی اطلاعاتی درباره‌ی فرستنده‌های شناخته‌شده و ویژگی‌های آن‌ها است. این داده‌ها به شناسایی و تفکیک اهداف کمک می‌کنند، به‌ویژه در سامانه‌های غیرمشارکتی. کتابخانه‌های سیگنال به تطبیق سیگنال‌های کشف‌شده با الگوهای شناخته‌شده برای شناسایی هواگردهای مشخص کمک می‌کنند.
• کالیبراسیون و همگام‌سازی: برای اطمینان از کشف و ردیابی دقیق، کالیبراسیون دقیق گیرنده‌ها و همزمان‌سازی سیگنال‌ها ضروری است. فرآیندهای کالیبراسیون برای جبران تفاوت ویژگی‌های گیرنده‌ها و عوامل محیطی مؤثر بر انتشار سیگنال حیاتی هستند
• یکپارچه‌سازی و شبکه‌سازی: بسته به کاربرد، ممکن است لازم باشد سامانه‌های رادار غیرفعال با دیگر حسگرها یا شبکه‌های راداری ترکیب شوند تا آگاهی موقعیتی جامعی حاصل شود. قابلیت‌های شبکه‌سازی امکان اشتراک‌گذاری داده و یکپارچه‌سازی با سامانه‌های دفاعی یا نظارتی گسترده‌تر را فراهم می‌کند.
• تأمین توان و خنک‌سازی: سامانه‌های رادار غیرفعال - به‌ویژه نمونه‌هایی که در مکان‌های متحرک یا دورافتاده مستقر می‌شوند - نیاز به منبع توان کافی و مکانیزم‌های خنک‌کننده دارند تا عملیات مداوم و قابل‌اطمینان آن‌ها تضمین گردد.

۳.۲ میکروفن‌ها

حسگرهای صوتی در حوزه‌ی سیستم‌های ضدپهپاد (C-UAS) نقش مهمی ایفا می‌کنند، به‌ویژه برای کشف و شناسایی پهپادهای کوچک. این حسگرها برای دریافت و تحلیل امواج صوتی منتشرشده توسط پهپادها طراحی شده‌اند و بدین ترتیب به کشف، طبقه‌بندی و ردیابی آن‌ها کمک می‌کنند.

سیوِرت و همکاران (۲۰۱۹) یک ارزیابی اولیه به منظور کاهش هشدارهای کاذب تولیدشده توسط دوربین‌های دیجیتال انجام دادند. آن‌ها امکان ادغام سرنخ‌های صوتی تکمیلی را بررسی کردند و ایده‌هایی برای همجوشی داده‌های بصری و صوتی در آینده پیشنهاد دادند. این مطالعه نتایج آزمایشگاهی را برای نشان دادن قابلیت سیستم دوربین در محدود کردن فضای جستجوی باز-شناسایی EO/IR ارائه داد (چه با همجوشی داده‌ی صوتی و چه بدون آن) و در نهایت به تولید پیام «چرخش به‌سوی هدف» منجر شد.

دومیتریسکو و همکاران (۲۰۲۰) توسعه‌ی یک سیستم آکوستیکی هوشمند، انعطاف‌پذیر و قابل‌اطمینان را گزارش کردند که برای کشف، مکان‌یابی و ارسال موقعیت پهپادها طراحی شده بود. این سیستم از یک آرایه‌ی مارپیچی اختصاصی با میکروفن‌های MEMS استفاده می‌کرد. الگوریتم‌های کشف و ردیابی بر پایه‌ی تجزیه‌ی طیف‌نگار (spectrogram) و فیلترهای تطبیقی پیاده‌سازی شدند. تکنیک‌های مختلفی از جمله تجزیه در کلاس کوهن، طیف‌نگار لگاریتمی مل (log-Mel spectrogram)، جداسازی منبع هارمونیک/ضربه‌ای و شکل‌موج خام صوتی برای طبقه‌بندی پهپاد در محیط مورد نظر به کار گرفته شدند.

آن و کیم (۲۰۲۱) یک الگوریتم برآورد موقعیت پهپاد با استفاده از آرایه‌ی صوتی پیشنهاد کردند تا محدودیت‌های دوربین‌های دید در کشف تغییرات ناگهانی جهت، وقوع و سرعت پهپادها را جبران کنند. آن‌ها بر اهمیت یکپارچه‌سازی حسگرهای صوتی تأکید کردند، به‌ویژه زمانی که پهپاد به دلیل عواملی مانند موانع ساختمانی از دید دوربین پنهان است. الگوریتم پیشنهادی، داده‌های صوتی را از طریق تولید مل‌–‌طیف‌نگار به تصویر تبدیل کرد و همجوشی حسگر تصویری و صوتی را تسهیل نمود. موقعیت پهپاد با استفاده از یک شبکه‌ی عصبی کانولوشنی (CNN) به نام شبکه‌ی A‌شکل تخمین زده شد. به کمک این روش، آن‌ها به خطایی برابر با حدود RMSE 3.513 پیکسل دست یافتند.

کادیروف (۲۰۲۲) سیستمی متشکل از چندین حسگر صوتی برای کشف و ردیابی پهپاد طراحی و پیاده‌سازی کرد که از روش تبدیل فاز پاسخ هدایت‌شده (SRP-PHAT) و طبقه‌بندی فرکانسی باند باریک استفاده می‌کرد. این سیستم مجهز به هفت میکروفن، با پهپادهای چند‌موتوره‌ی مختلف آزمایش شد و امضاهای صوتی جهت تخمین فواصل کشف جمع‌آوری گردید. داده‌های به‌دست‌آمده سپس برای توسعه‌ی یک روش ساده به منظور برآورد فاصله‌ی کشف صوتی با استفاده از معادله‌ی سونار غیرفعال مورد استفاده قرار گرفت.

دینگ و همکاران (۲۰۲۳) یک آرایه‌ی میکروفن ۶۴ کاناله ارائه کردند که پوشش نیم‌کره‌ای با نسبت سیگنال به نویز بالا برای مکان‌یابی منبع صوتی فراهم می‌کرد. این سیستم همراه با یک لیدار برد بلند و دوربین دیجیتال به کار گرفته شد و از راهبرد مکان‌یابی «از خشن به دقیق» و «از غیرفعال به فعال» برای کشف گسترده و ردیابی سه‌بعدی دقیق بهره برد. یک مدل کاهش نویز محیطی آموزش داده شد تا کیفیت سیگنال را بهبود دهد و بر محدودیت‌های سنتی مکان‌یابی منبع صوتی در حضور نویز پس‌زمینه غلبه کند. اثربخشی این راه‌حل از طریق آزمایش‌های میدانی تأیید گردید.

ایوانچیچ و همکاران (۲۰۲۳) طراحی، مدلسازی، تحلیل و ارزیابی یک آرایه‌ی حسگر برداری آکوستیکی میکرو-مکانیکی را گزارش کردند. این سیستم که در آزمایشگاه و با استفاده از چندین منبع صوتی (از جمله پهپادها) اعتبارسنجی شد، در فرکانس‌های تشدید کار می‌کرد و حساسیت آکوستیکی و نسبت سیگنال به نویز بسیار بالایی را ارائه می‌داد. این آرایه پوشش ۳۶۰ درجه‌ی بدون ابهام (در صفحه‌ی افقی) فراهم کرد و در آزمون‌ها جهت ورود صوت را با میانگین خطای ۳٫۵° تعیین نمود.

فانگ و همکاران (۲۰۲۳) از فناوری حسگر آکوستیکی توزیع‌شده (DAS) مبتنی بر فیبر نوری برای پایش پهپاد استفاده کردند. این سیستم حساسیت اندازه‌گیری فوق‌العاده بالا و قابلیت بازیابی صوت با وفاداری بالا را نشان داد. با استفاده از مجموعه‌ای از حسگرهای آکوستیکی فیبرنوری (FOAS) در مسافت طولانی از طریق فیبر نوری، سامانه‌ی DAS همگام‌سازی درونی و پردازش متمرکز سیگنال را ممکن ساخت. کشف و مکان‌یابی پهپاد در آزمایش‌ها با استفاده از آرایه‌ای متشکل از چهار حسگر FOAS با موفقیت نشان داده شد و از طریق نقشه‌برداری میدان صوتی و همجوشی داده‌ها، مکان‌یابی پهپاد با دقت بالا (RMSE حدود 1.47°) حاصل گردید.

معماری یک سیستم حسگر صوتی (میکروفن) در کاربرد ضدپهپاد شامل عناصر اصلی زیر است:

• سازوکار کشف: حسگرهای صوتی با دریافت امضاهای صوتی متمایز تولیدشده توسط موتورها، چرخانه‌ها یا ملخ‌های پهپاد، آن را کشف می‌کنند. هر مدل پهپاد، اثر انگشت صوتی خاص خود را دارد که به تفکیک بین مدل‌های مختلف کمک می‌کند.
• آرایه‌های میکروفن: این حسگرها اغلب از آرایه‌های میکروفنی بهره می‌گیرند که به‌صورت راهبردی برای دریافت صدا از جهت‌های گوناگون قرار داده شده‌اند. استفاده از چندین میکروفن امکان تعیین جهت و موقعیت پهپاد را بر اساس اختلاف زمان و شدت رسیدن صدا فراهم می‌کند.
• پردازش سیگنال: مشابه سامانه‌های رادار غیرفعال، پردازش سیگنال نقش حیاتی در اینجا ایفا می‌کند. الگوریتم‌های پیشرفته، داده‌های صوتی ضبط‌شده را تحلیل کرده، نویز پس‌زمینه را فیلتر می‌کنند و ویژگی‌های مرتبط را برای شناسایی و طبقه‌بندی پهپادها استخراج می‌کنند. تکنیک‌های یادگیری ماشین و تشخیص الگو اغلب برای طبقه‌بندی دقیق‌تر پهپادها به کار گرفته می‌شوند.
• یکپارچه‌سازی با سایر حسگرها: حسگرهای صوتی معمولاً درون سامانه‌های چندحسگری ضدپهپاد ادغام می‌شوند. ترکیب حسگرهای صوتی با رادار، حسگرهای الکترواپتیکی یا RF قابلیت‌های کلی کشف را ارتقاء می‌دهد و در صورت محدودیت یک حسگر یا شرایط محیطی نامساعد، افزونگی ایجاد می‌کند.
• ملاحظات عملیاتی: حسگرهای صوتی می‌توانند در محیط‌ها و شرایط متنوع (از جمله مناطق شهری یا محیط‌های با نویز پس‌زمینه‌ی زیاد) به‌طور مؤثر عمل کنند. این حسگرها روش کشف مخفیانه‌ای ارائه می‌دهند زیرا هیچ سیگنالی گسیل نمی‌کنند و تشخیص یا اجتناب از آن‌ها برای دشمن دشوارتر است.
• چالش‌ها: حسگرهای صوتی ممکن است در محیط‌هایی با سطوح بالای نویز پس‌زمینه، شرایط جوی نامساعد یا در مواجهه با پهپادهایی که از تکنیک‌های پنهان‌کاری مانند پرواز با سرعت کم یا هاور بی‌صدا استفاده می‌کنند، با مشکل روبرو شوند.
• قابلیت توسعه و استقرار: این حسگرها اغلب به‌صورت مقیاس‌پذیر طراحی می‌شوند و امکان استقرار در پیکربندی‌های متنوع را فراهم می‌کنند؛ از نصب‌های ثابت گرفته تا واحدهای پرتابل یا سیار که برای استقرار سریع در سناریوهای مختلف مناسب‌اند.
• ملاحظات مقرراتی: به‌کارگیری سامانه‌های ضدپهپاد (از جمله حسگرهای صوتی) اغلب مستلزم رعایت مقررات محلی و در نظر گرفتن نگرانی‌های مربوط به حریم خصوصی در رهگیری سیگنال‌های صوتی است.

۳.۳ حسگرهای الکترواپتیکی و فروسرخ (EO/IR)

حسگرهای الکترواپتیکی/فروسرخ (EO/IR) از اجزای محوری سامانه‌های ضدپهپاد به شمار می‌روند. این حسگرها از طیف الکترومغناطیسی - به‌ویژه طول‌موج‌های مرئی، فروسرخ و فرابنفش - برای کشف، ردیابی و شناسایی سامانه‌های هوایی بدون سرنشین استفاده می‌کنند. حسگرهای EO محدوده‌ی طول‌موجی تقریباً بین ۴۰۰ تا ۷۰۰ نانومتر (نور مرئی) دارند. حسگرهای IR را می‌توان به دو گروه اصلی تقسیم کرد:

• فروسرخ نزدیک (NIR) و فروسرخ موج کوتاه (SWIR): دارای طول‌موج‌های حدود ۷۰۰ تا ۱۳۰۰ نانومتر. این تجهیزات در شرایط نور مهتاب یا نور ستارگان مؤثر هستند و برای عملکرد مناسب به مقداری نور محیط نیاز دارند.
• تصویربرداری حرارتی: در محدوده‌ی فروسرخ موج میانی (MWIR) و موج بلند (LWIR)، معمولاً در بازه‌ی ۷ تا ۱۷ میکرومتر عمل می‌کند. این دوربین‌ها تصاویر را بر اساس تفاوت‌های دمایی ارائه می‌دهند و حتی در تاریکی مطلق یا شرایط نامساعد جوی کارآمد هستند.

سامانه‌های مرئی (EO) قابلیت تصویربرداری با وضوح بالا (معمولاً در حد مگاپیکسل) را ارائه می‌کنند. وضوح مکانی می‌تواند از استاندارد تا HD و حتی Ultra-HD متغیر باشد و اطلاعات بصری مفصلی از هدف فراهم نماید. سامانه‌های فروسرخ (IR)، خصوصاً در تصویربرداری حرارتی، وضوح پایین‌تری نسبت به دوربین‌های مرئی دارند و این امر میزان جزئیات تصاویر حرارتی را محدود می‌کند. برای نمونه، سامانه TacFLIR 380-HD از شرکت Teledyne FLIR دارای یک حسگر حرارتی (بازه‌ی ۳–۵ میکرومتر) با وضوح ۶۴۰×۵۱۲ پیکسل، یک دوربین رنگی HD با رزولوشن 720/1080 و استاندارد NTSC/PAL (با نسبت بزرگنمایی ۱۲۰×) و یک دوربین SWIR با رزولوشن 720/1080 HD و استاندارد NTSC/PAL است.

زیوِرت و همکاران (۲۰۱۸) معماری مفهومی را برای یکپارچه‌سازی گره‌های حسگر غیرفعال در یک شبکه‌ی حسگری محلی جهت مدیریت ترافیک پهپاد (UTM) ارائه کردند. هدف این پژوهش ارزیابی امکان‌سنجی استفاده از چندین گره حسگر غیرفعال بود که حسگرهای EO/IR و آرایه‌های صوتی را در یک منطقه‌ی تحت مدیریت ترافیک پهپاد (کلاس G؛ حریم هوایی کنترل‌نشده برای هوانوردی عمومی) به‌صورت شبکه‌ای ادغام می‌کردند. این سامانه با استفاده از داده‌های ADS-B یک وسیله‌ی پرنده کوچک به‌عنوان نخستین مرجع زمینی آزمایش شد. روش اعتبارسنجی شامل بازبینی انسانی تصاویر ثبت‌شده در هنگام کشف بود که امکان ارزیابی عملکرد سامانه برای پهپادهای غیرمطلوب و سایر اشیاء پرنده (پرندگان و حشرات) را فراهم کرد. حسگرهای غیرفعال شبکه‌شده طوری طراحی شده بودند که اهداف کلاس G و ژئوفنس UTM را برآورده کرده و به عملیات UTM در مناطق شهری کمک کنند.

هاو و همکاران (۲۰۲۰) نتایج آزمایش‌هایی را با استفاده از یک حسگر EO برای کشف یک مزاحم هوایی مبتنی بر یک پهپاد کوچک ارائه کردند. آن‌ها یک الگوریتم ساده‌ی کشف پهپاد توسعه دادند و طی مجموعه‌ای از آزمایش‌های میدانی، اثربخشی آن را ارزیابی کردند.

گوئکس و همکاران (۲۰۲۰) تصاویر طیف مرئی و فروسرخ را با بهره‌گیری از یادگیری ماشین برای کشف پهپادهای کوچک ترکیب کردند. این پژوهش از افزایش کنتراست پس‌زمینه توسط حسگر LWIR در کنار تصاویر با وضوح بالاتر از حسگر طیف مرئی استفاده کرد. یک مدل یادگیری عمیق آموزش داده شد و کشف مؤثر چندین پهپاد در حال پرواز بر فراز منابع گرمایی را نشان داد. این گروه به نرخ کشف حدود ۷۰٪ و نرخ هشدار کاذب ~۳٪ دست یافتند. نویسندگان پیشنهاد کردند از آرایه‌هایی متشکل از این حسگرهای کوچک و ارزان برای برآورد دقیق موقعیت سه‌بعدی پهپادها استفاده شود.

مولر و همکاران (۲۰۲۲) یک سیستم کشف، شناسایی و واکنش در برابر پهپاد برای C-UAS ارائه کردند که از حسگرهای تصویری مرئی، راداری و رادیویی بهره می‌برد. این سیستم شامل چهار دوربین اپتیکی با وضوح بالا بود که پوشش ۳۶۰ درجه‌ی کامل را تا چندصد متر فراهم می‌کرد. پهپادها (که به‌صورت نقاط کوچکی در تصویر دیده می‌شدند) توسط یک آشکارساز اهداف نقطه‌ای مبتنی بر GPU کشف و ردیابی شدند. سپس یک دوربین Full HD روی یک پایه‌ی گردان، تصاویر وضوح‌بالای هر هدف را به‌ترتیب ثبت کرد و به کمک یک شبکه‌ی عصبی کانولوشنی (CNN) این اهداف طبقه‌بندی شدند. به این ترتیب، پهپادها شناسایی شده و هشدارهای کاذبی مانند پرندگان یا سایر اشیاء پرنده حذف گردیدند. تمام اطلاعات با زیرسامانه‌های حسگر راداری و رادیویی ترکیب و روی نقشه‌ی دوبعدی یا سه‌بعدی به نمایش درآمد.

شُوون و همکاران (۲۰۲۳) یک تحلیل تطبیقی از الگوریتم‌های یادگیری عمیق برای کشف بصری پهپاد ارائه دادند. آن‌ها عملکرد چهار الگوریتم برتر تشخیص شیء مبتنی بر یادگیری عمیق - یعنی YOLOv5 (نسخه‌های کوچک و بزرگ)، SSD و Faster R-CNN - را با هم مقایسه کردند. نتایج نشان داد که مدل‌های مبتنی بر YOLOv5 و Faster R-CNN از نظر دقت خروجی بسیار به هم نزدیک‌اند و هر دو عملکرد بهتری نسبت به SSD دارند. همچنین مدل‌های YOLOv5 به‌طور قابل‌توجهی سریع‌تر از SSD و Faster R-CNN بودند.

اوجدانیچ و همکاران (۲۰۲۳) امکان‌سنجی کشف بصری پهپاد در فواصل بلند را با استفاده از تلسکوپ‌های رباتیک بررسی کردند. سامانه‌ی مورد مطالعه شامل یک پایه‌ی بسیار دقیق و یک تلسکوپ مجهز به دوربین بود. پهپادها در ویدئوهای ثبت‌شده توسط نسخه‌ی اصلاح‌شده‌ای از شبکه‌ی YOLOv4 شناسایی شدند. این سامانه از یک تلسکوپ f/10 با فاصله‌ی کانونی 2540 میلی‌متر و دوربینی با حسگر 7.3×4.1 میلی‌متر استفاده می‌کرد و توانست برد کشف بصری پهپادهایی با قطر حداقل 0.3 متر را در شرایط روز و کنتراست کافی به بیش از ۳ کیلومتر افزایش دهد که به شکل معناداری زمان واکنش سیستم ضدپهپاد را بهبود داد.

معماری یک سامانه‌ی الکترواپتیکی/فروسرخ شامل اجزای اصلی زیر است:

• حسگرها (دوربین‌های مرئی و فروسرخ): دستگاه‌های اصلی که تصاویر را در طیف مرئی و فروسرخ ضبط می‌کنند. دوربین‌های مرئی اطلاعات بصری ارائه می‌دهند، در حالی که دوربین‌های فروسرخ (حسگرهای حرارتی) امضاهای گرمایی منتشرشده توسط پهپاد یا قطعات آن را تشخیص می‌دهند.
• اپتیک و مجموعه عدسی‌ها: لنزها و قطعات اپتیکی با کیفیت، نور را روی آرایه‌های حسگر متمرکز و هدایت می‌کنند و شفافیت، وضوح و کیفیت بهینه‌ی تصویر را تضمین می‌نمایند.
• واحدهای پردازش سیگنال (پردازنده‌های تصویر): این واحدها داده‌های ضبط‌شده از حسگرها را پردازش می‌کنند. وظایفی نظیر کاهش نویز، بهبود تصویر، بزرگنمایی دیجیتال و تلفیق تصاویر مرئی و فروسرخ را انجام می‌دهند. الگوریتم‌های پیشرفته نیز داده‌های پردازش‌شده را تحلیل کرده، ویژگی‌های مرتبط را استخراج می‌کنند و به کشف، طبقه‌بندی و ردیابی اهداف کمک می‌کنند.
• ردیابی و شناسایی: ردیاب‌های هدف با استفاده از الگوریتم‌ها، موقعیت، مسیر و سایر اطلاعات مربوط به پهپادهای کشف‌شده را به‌صورت بلادرنگ حفظ می‌کنند. قابلیت‌های شناسایی نیز با تحلیل شکل، اندازه، الگوهای حرکتی و امضاهای حرارتی اهداف اعمال می‌شوند تا نوع پهپاد تشخیص داده شود.
• همجوشی و تحلیل داده‌ها: موتورهای همجوشی، داده‌های حسگرهای مختلف (برای مثال EO، IR، رادار، آکوستیک) را تلفیق می‌کنند تا دقت کشف را بهبود داده و هشدارهای کاذب را کاهش دهند.

۳.۴ تحلیل‌گر سیگنال‌های رادیویی (RF)

تحلیل‌گرهای سیگنال RF برای کشف ارتباطات پهپاد با کنترل‌کننده‌ی آن به کار گرفته می‌شوند و عمدتاً در باندهای فرکانسی ۲٫۴ گیگاهرتز و ۵٫۸ گیگاهرتز عمل می‌کنند:

• باند ۲٫۴ گیگاهرتز: به‌طور گسترده در ارتباطات بی‌سیم مختلف از جمله شبکه‌های Wi-Fi، دستگاه‌های بلوتوث و پهپادهای تجاری استفاده می‌شود. دلیل رواج این باند، نفوذپذیری خوب سیگنال و برد مناسب آن است که این باند را به انتخابی مطلوب برای کنترل پهپاد تبدیل کرده است.
• باند ۵٫۸ گیگاهرتز: اغلب توسط پهپادهای پیشرفته‌تر یا رده‌بالا استفاده می‌شود، زیرا ظرفیت حمل داده‌ی بیشتری دارد و در محیط‌های با تداخل زیاد احتمالاً عملکرد بهتری ارائه می‌دهد.

این فرکانس‌ها در محدوده‌ی ISM (صنعتی، علمی و پزشکی) قرار دارند که به‌طور بین‌المللی برای دستگاه‌های رادیویی گوناگون - از جمله دستگاه‌های مورد استفاده در کاربردهای صنعتی، علمی و پزشکی - تخصیص یافته‌اند. هرچند پهپادها معمولاً از این فرکانس‌ها بهره می‌برند، اما محدود به آن‌ها نیستند؛ برخی سامانه‌ها بسته به طراحی و مأموریت‌شان در باندهای فرکانسی دیگری فعالیت می‌کنند. سامانه‌های ضدپهپاد که برای کشف و کاهش تهدید پهپاد طراحی شده‌اند معمولاً زیرسامانه‌های RF خود را بر پایش و تحلیل سیگنال‌های این باندها متمرکز می‌کنند تا ارتباطات پهپاد را شناسایی نمایند.

مداییزه و همکاران (۲۰۲۲) یک روش تحلیل مبتنی بر تبدیل موجک را برای سامانه‌ی کشف و شناسایی پهپاد مبتنی بر RF با کمک یادگیری ماشین پیشنهاد دادند. آن‌ها از سیگنال‌های کنترل RF وسایل پرنده بدون سرنشین برای کشف و شناسایی پهپاد استفاده کردند. با در نظر گرفتن جداگانه‌ی هر حالت سیگنال برای استخراج ویژگی و مقایسه‌ی مزایا و معایب هر کدام در امر کشف و شناسایی، مدل‌های مختلفی با استفاده از دسته‌های متنوعی از تبدیلات موجک ساخته شد. مطالعه‌ی آن‌ها نشان داد که به‌کارگیری تبدیل پراکندگی موجک برای استخراج الگوها (اسکَترگرام‌ها) از حالت پایدار سیگنال‌های RF در SNR برابر 30 dB و استفاده از این اسکترگرام‌ها برای آموزش شبکه‌ی SqueezeNet، به دقت 98.9٪ در SNR برابر 10 dB دست یافت.

عالم و همکاران (۲۰۲۳) یک سامانه‌ی کشف و شناسایی پهپاد مبتنی بر RF با کمک یادگیری عمیق ارائه کردند. آن‌ها از تکنیک‌های استخراج ویژگی چندمقیاسی بدون دخالت انسان برای استخراج ویژگی‌های غنی استفاده کردند. بلوک‌هایResidual به منظور یادگیری نمایش‌های پیچیده و رفع مشکل محوشدگی گرادیان در طول آموزش به کار گرفته شدند. عملکرد مدل در مقادیر مختلف SNR ارزیابی شد و دقت کلی، دقت کشف، نرخ تشخیص و امتیاز F به ترتیب برابر 97.53٪، 98.06٪، 98.00٪ و 98.00٪ برای کشف سیگنال RF در بازه‌ی 0 تا 30 dB گزارش گردید.

اؤلدهج و همکاران (۲۰۲۳) یک سیستم کشف و ردیابی پهپاد با استفاده از سیگنال‌های شناسایی RF معرفی کردند. آن‌ها تکنیکی برای کشف مدل‌های پهپاد با استفاده از برچسب‌های هویتی (ID) در سیگنال‌های RF ارائه دادند که از طریق رمزگشایی بسته‌های شناسه‌ی پهپاد، استخراج داده‌های تله‌متری بلادرنگ را ممکن می‌ساخت. این سیستم که روی یک برد توسعه پیاده‌سازی شده بود، امکان ردیابی کارآمد پهپاد را فراهم کرد و موقعیت دوبعدی، وضعیت (Attitude) و سرعت پهپاد را در زمان واقعی با دقت تخمین زد.

المبایریک و همکاران (۲۰۲۴) کشف پهپاد مبتنی بر RF را با یک شبکه‌ی عصبی عمیق به نمایش گذاشتند. در مطالعه‌ی موردی آن‌ها، تأثیر استفاده از طیف دامنه و فاز به‌عنوان ورودی‌های الگوریتم دسته‌بندی مقایسه شد و نتایج نشان داد عملکرد پیش‌بینی با استفاده از طیف دامنه بهتر است. با این وجود، طیف فاز در برابر خطاهای ناشی از تضعیف سیگنال و تغییرات شرایط محیطی مقاوم‌تر عمل کرد.

آشکارسازهای RF در سامانه‌های کشف پهپاد، از معماری‌های متنوعی برای شناسایی و تحلیل سیگنال‌های رادیویی مرتبط با ارتباطات پهپاد بهره می‌گیرند.

• تحلیل‌گرهای طیف: این دستگاه‌ها گستره‌ی وسیعی از فرکانس‌ها را تحلیل می‌کنند تا سیگنال‌های موجود در سراسر طیف RF را کشف نمایند و دید کاملی از طیف فرکانسی برای شناسایی سیگنال‌های مورد استفاده‌ی پهپادها در باندهای مشخص فراهم کنند. تحلیل‌گرهای طیف مدرن اغلب برای دقت و سرعت بیشتر از پردازش سیگنال دیجیتال بهره می‌برند
• رادیوهای تعریف‌شده با نرم‌افزار (SDR): SDR‌ها به دلیل استفاده از نرم‌افزار در پیاده‌سازی عملکرد رادیو، انعطاف‌پذیری بالایی دارند. آن‌ها امکان پردازش و تحلیل متنوع سیگنال‌ها را فراهم کرده و برای کشف و رمزگشایی سیگنال‌های RF مختلف - از جمله سیگنال‌های مورد استفاده‌ی پهپادها - مناسب هستند. SDR را می‌توان با به‌روزرسانی نرم‌افزاری، متناسب با الگوهای سیگنال در حال تغییر، مجدداً تنظیم کرد
• سامانه‌های جهت‌یابی: آشکارسازهای RF ممکن است شامل قابلیت‌های جهت‌یابی سیگنال باشند تا جهت منبع سیگنال‌های کنترل پهپاد را تعیین کنند. این امر می‌تواند از طریق آرایه‌های آنتنی یا آنتن‌های ویژه برای تشخیص زاویه‌ی ورود سیگنال محقق شود که اطلاعاتی درباره‌ی موقعیت پهپاد یا جهت ایستگاه کنترل آن فراهم می‌کند
• پردازش سیگنال و تشخیص الگو: آشکارسازهای پیشرفته‌ی RF از الگوریتم‌های پیچیده‌ی پردازش سیگنال و تکنیک‌های تشخیص الگو بهره می‌گیرند تا سیگنال‌های ارتباطی پهپاد را از نویز پس‌زمینه یا سایر ارتباطات بی‌سیم تفکیک کنند. یادگیری ماشین و هوش مصنوعی نیز می‌توانند برای شناسایی دقیق و طبقه‌بندی این سیگنال‌ها به کار گرفته شوند
• حسگرهای شبکه‌شده: در برخی موارد، چندین آشکارساز RF به‌طور راهبردی مستقر شده و از طریق شبکه به یکدیگر متصل می‌شوند تا یک سیستم کشف جامع‌تر ایجاد گردد. این حسگرها با همکاری هم پوشش وسیع‌تری را فراهم کرده و اجازه می‌دهند با روش مثلث‌یابی، حرکات پهپاد بهتر ردگیری شود
• تحلیل پرش فرکانس و طیف گسترده: برخی پهپادها برای جلوگیری از کشف‌شدن، از تکنیک‌های پرش فرکانس یا طیف گسترده استفاده می‌کنند. آشکارسازهای RF باید قادر به رسیدگی و تحلیل سیگنال‌هایی باشند که به سرعت تغییر فرکانس می‌دهند یا پهنای‌باند گسترده‌ای به کار می‌برند

۳.۵ رادار فعال

یک سامانه‌ی رادار فعال برای کشف پهپاد با انتشار امواج الکترومغناطیسی (معمولاً در طیف رادیویی) و دریافت پژواک‌های بازتابی از اهداف هوایی مانند پهپاد عمل می‌کند. مهم‌ترین باندهای فرکانسی مورد استفاده برای کشف پهپاد عبارت‌اند از باند Ka (26.5 تا 40 گیگاهرتز)، باند Ku (12 تا 18 گیگاهرتز)، باند X (8 تا 12 گیگاهرتز)، باند C (4 تا 8 گیگاهرتز) و باند S (2 تا 4 گیگاهرتز). فرکانس‌های بالاتر، وضوح و دقت بالایی برای کشف در فواصل کوتاه فراهم می‌کنند؛ اما نسبت به تضعیف جوی حساس‌تر بوده و در مقایسه با فرکانس‌های پایین‌تر از برد کمتری برخوردارند. برای انتخاب باند راداری مناسب، باید همواره میان سطح مقطع راداری هدف و برد کشف توازن برقرار شود.

ریابوخا و همکاران (۲۰۲۰) یک مرور جامع در زمینه‌ی پایش راداری وسایل پرنده بدون سرنشین (UAV) ارائه کردند که یک حوزه‌ی در حال توسعه‌ی فعال در تحقیقات علمی است. این مقاله تحلیلی عمیق از انتشارات مرتبط با روش‌ها و سامانه‌های راداری برای کشف و شناسایی کلاس‌ها و انواع مختلف UAV ارائه می‌دهد. قابل ذکر است که چالش‌برانگیزترین اهداف برای کشف راداری، UAVهای کوچک و کم‌سرعتی هستند که در ارتفاعات خیلی پایین نسبت به زمین پرواز می‌کنند. در حالی که سامانه‌های راداری مدرن پهپادهای بزرگ و متوسط را به‌خوبی کشف می‌کنند، برای UAVهای کوچک پیشنهاد می‌شود از رادارهای فعال تخصصی، کارآمد، متحرک، قابل حمل و نسبتاً ارزان استفاده شود. نیازمندی‌های فنی این‌گونه رادارها تعریف شده و توصیه‌هایی برای پیاده‌سازی آن ارائه گردیده است. این مقاله پیشنهاد می‌کند برای محافظت رادارهای کشف UAV در برابر اختلالات نویزی و تداخلات غیرفعال، از سامانه‌های محافظتی با کارایی بالا مبتنی بر فیلترهای شبکه‌ای تطبیقی استفاده شود. همچنین این پژوهش تأکید می‌کند که روش‌های شناسایی کلاس‌ها و انواع UAV گامی فراتر در نظریه و فناوری موجود شناسایی اهداف راداری محسوب می‌شوند.

والنتاین و همکاران (۲۰۲۱) یک سامانه‌ی خودمختار کالیبراسیون برای رادارهای فعال/غیرفعال کروی معرفی کردند. این سیستم چندمنظوره و خودکفا به‌عنوان بازتابگر کروی غیرفعال، تکرارکننده‌ی فعال RF، مولد هدف مصنوعی و حسگر RF باند UWB و ثبات‌گر داده برای رادار تحت آزمون یا محیط RF محلی عمل می‌کرد. این دستگاه نوآورانه‌ی کالیبراسیون، با بهره‌گیری از پیشرفت‌های فناوری در پهپادهای خودکار، سامانه‌های دیجیتال RF کوچک روی تراشه (RFSoC) و سایر قطعات الکترونیکی مینیاتوری، امکان کالیبراسیون دقیق را در حجم‌های بزرگ آزمون فضای آزاد فراهم کرد.

مقاله به تلاش‌های اولیه برای پارامتردهی و توسعه‌ی سامانه‌ی کالیبراسیون پرداخته و بر استفاده از بازتابگرها/تکرارکننده‌های قابل بازیابی و بازاستفاده برای کالیبراسیون دقیق در حجم‌های آزمون فضای آزاد (مورد استفاده برای اندازه‌گیری سطح مقطع راداری (RCS) هواگردهای پویا، آزمون و صحه‌گذاری، یا ردیابی رادارهای محدوده‌ی TSPI) تأکید دارد. سامانه‌ی SPARCS قابلیت‌های بی‌سابقه‌ای برای کالیبراسیون تجهیزات راداری، شبیه‌سازی اهداف، ارزیابی محیط و کالیبراسیون درجا و بلادرنگ ارائه می‌دهد.

اشنبلی و همکاران (۲۰۲۲) یک سیستم کشف پهپاد مبتنی بر رادار چندایستگاهی (multistatic) باند C معرفی کردند. قابلیت‌های کشف این سیستم طی دو رزمایش میدانی در سوئیس مورد آزمایش قرار گرفت. سیستم باند C که شامل یک ایستگاه فرستنده و دو ایستگاه گیرنده بود، با استفاده از یک شبیه‌ساز هدف چندایستگاهی اختصاصی، تنظیم هندسی و رادیومتریکی شد. با مقایسه‌ی مسیرهای GPS یک پهپاد DJI Phantom 4 با آشکارسازی‌های رادار، مشخص شد که خطاهای ذاتی در زاویه و برد سیستم رادار را می‌توان به‌سادگی با استفاده از اهداف مجازی تولیدشده به عنوان مرجع اصلاح کرد. پس از این اصلاحات، اختلاف بین موقعیت‌های GPS پهپاد و آشکارسازی‌های رادار در حد ۵ متر بود.

آبراتکیویچ و همکاران (۲۰۲۳) چالش برآورد شتاب هدف در رادارهای فعال و غیرفعال را بررسی کردند. افزایش مانورپذیری اهداف پرنده، کشف آن‌ها را برای رادارها دشوار می‌سازد. شتاب زیاد باعث کشیدگی پژواک هدف روی نقشه‌ی برد‌–‌دوپلر (RD) شده و نسبت سیگنال به نویز را کاهش می‌دهد. این مقاله روشی نوین و غیرپارامتری برای برآورد کارای شتاب هدف روی نقشه‌ی RD پیشنهاد می‌کند که برای هر دو نوع رادار فعال FMCW و رادار غیرفعال قابل اعمال است. راهکار پیشنهادی بسیار سریع‌تر بوده، ثبات عددی را حفظ می‌کند و امکان برآورد همزمان شتاب چندین هدف را فراهم می‌آورد. آزمون‌های شبیه‌سازی و سیگنال‌های واقعی راداری - مربوط به یک جت جنگنده و یک پهپاد - اثربخشی تکنیک پیشنهادی را تأیید کردند.

لام و همکاران (۲۰۲۳) کار مقدماتی خود را در به‌کارگیری رادارهای باند V (40 تا 75 گیگاهرتز) برای کشف پهپادها ارائه دادند. این مقاله به داده‌های کشف پهپاد با یک رادار پژوهشی ۶۶ گیگاهرتز می‌پردازد. امضاهای میکرو-دوپلر حاصل از چرخش ملخ‌های پهپاد با استفاده از تبدیل فوریه‌ی زمان کوتاه (STFT) و تبدیل موجک پیوسته (CWT) استخراج شد. این مطالعه نشان داد که موجک مُرله‌ی مختلط، ویژگی‌های میکرو-دوپلر جزئیات‌تری را فراهم می‌کند و امکان طبقه‌بندی پهپادهای مختلف را میسر می‌سازد.

معماری یک سامانه‌ی رادار فعال شامل اجزای کلیدی زیر است:

• فرستنده: پالس‌ها یا امواج پیوسته‌ی الکترومغناطیسی را در یک جهت و محدوده‌ی فرکانسی مشخص منتشر می‌کند (اغلب توسط یک آنتن جهت‌دار). این امواج در فضا پخش می‌شوند. وقتی امواج رادار به پهپاد برخورد می‌کنند، مقداری از انرژی جذب، بخشی پراکنده و بخشی نیز به سمت سامانه‌ی رادار بازتاب می‌شود.
• گیرنده: آنتن‌ها یا واحد گیرنده، سیگنال بازتابی (پژواک) برگشتی از پهپاد را دریافت می‌کنند. این سیگنال‌ها حاوی اطلاعاتی درباره‌ی موقعیت، سرعت، ابعاد و سایر ویژگی‌های پهپاد هستند.
• واحد پردازش سیگنال: سیگنال‌های دریافت‌شده را برای استخراج اطلاعات مفید پردازش می‌کند. این پردازش شامل تحلیل تأخیر زمانی، تغییر فاز و دامنه‌ی سیگنال‌های بازگشتی است تا ویژگی‌هایی مانند فاصله، سرعت و جهت پهپاد تعیین شود.
• سامانه‌های راداری می‌توانند از تکنیک‌های متنوعی مانند پالس-دوپلر، موج‌پیوسته‌ی فرکانس-مدوله (FMCW) یا رادارهای آرایه‌فازی برای بهبود دقت، برد و توانایی کشف و ردیابی پهپادها استفاده کنند. همچنین الگوریتم‌های پردازش سیگنال و مدل‌های یادگیری ماشین ممکن است برای طبقه‌بندی و تفکیک پهپادها از سایر اهداف به کار گرفته شوند تا موارد اشتباه (false positives) کاهش یافته و اثربخشی کلی سیستم افزایش یابد.

علاوه بر این، سامانه‌های رادار فعال ضدپهپاد ممکن است با چالش‌هایی مواجه شوند؛ از جمله تداخل با سایر سامانه‌های راداری، تأثیر شرایط آب‌وهوایی بر انتشار امواج و نیاز به رعایت محدودیت‌های مقرراتی در زمینه‌ی طیف فرکانسی و توان خروجی. کشف پهپاد توسط رادار چالش‌های دیگری نیز در پی دارد:

• سطح مقطع راداری کوچک: پهپادها اغلب ابعاد فیزیکی کوچک و ساختار سبک‌وزنی دارند که سطح مقطع راداری محدودی ایجاد می‌کند. این امر کشف آن‌ها را نسبت به اهداف بزرگ‌تر دشوارتر می‌سازد و نیازمند سامانه‌های راداری با حساسیت و وضوح بالا است
• پرواز در ارتفاع پایین و مانورپذیری بالا: پهپادها می‌توانند در ارتفاعات کم پرواز کنند و مانورهای نامنظم انجام دهند و در نتیجه برای سامانه‌های راداری به اهدافی پویا و غیرقابل پیش‌بینی تبدیل شوند. ردیابی دقیق چنین حرکات سریع و چابکی چالش‌برانگیز است، به‌ویژه برای آرایش‌های سنتی رادار که برای هواگردهای بزرگ با مانور کمتر بهینه شده‌اند
• کلاتر و اهداف کاذب: سامانه‌های راداری ممکن است با بازتاب‌های ناخواسته از منابعی مانند ساختمان‌ها، درختان، پرندگان و سایر اجسام پیرامون مواجه شوند. تمایز پهپاد از این بازتاب‌های پس‌زمینه یا اهداف کاذب برای جلوگیری از هشدارهای اشتباه که می‌تواند به آلارم‌های غیرضروری منجر شود، ضروری است
• تغییرپذیری سطح مقطع راداری: سطح مقطع راداری پهپاد می‌تواند بسته به جهت پهپاد، جنس مواد آن و حتی نحوه‌ی پرواز (مثلاً هاور کردن یا حرکت رو به جلو) به میزان زیادی تغییر کند. این تغییرپذیری، کشف پیوسته و قابل‌اعتماد را دشوار می‌سازد
• فناوری پنهان‌کاری: برخی پهپادها ممکن است از فناوری پنهان‌کار (Stealth) یا مواد جاذب امواج استفاده کنند که عمداً بازتاب راداری آن‌ها را کاهش می‌دهد. این امر کشف آن‌ها را با رادارهای معمولی حتی دشوارتر می‌کند
• اقدامات متقابل الکترونیکی: پهپادهای پیشرفته ممکن است مجهز به پادکارهای الکترونیکی باشند که با انتشار سیگنال‌های اخلال یا استفاده از تکنیک‌هایی برای گیج کردن سامانه‌های راداری، کشف‌شدن توسط رادار را مختل کنند

۳.۶ لیدار (LiDAR)

لیدار (مخفف Light Detection and Ranging) یک روش سنجش از دور است که از نور (حدود ۴۰۰ نانومتر تا ۱۵۴۰ نانومتر) به صورت پالس‌های لیزر برای اندازه‌گیری فاصله‌ها استفاده می‌کند. این فناوری با ارسال پالس‌های لیزری و اندازه‌گیری مدت زمان بازگشت آن‌ها پس از برخورد به اهداف یا سطوح عمل می‌کند. با جمع‌آوری میلیون‌ها فاصله‌سنجی در هر ثانیه، سامانه‌های لیدار نقشه‌های سه‌بعدی بسیار دقیقی (ابر نقاط) از محیط مورد نظر ایجاد می‌کنند. از این نقشه‌ها در کاربردهای مختلفی از جمله نقشه‌برداری توپوگرافی، برنامه‌ریزی شهری، ناوبری خودکار وسایل نقلیه، جنگل‌داری و مهم‌تر از همه در سامانه‌های ضدپهپاد برای کشف و ردیابی پهپادها استفاده می‌شود.

پاشالیدیس و همکاران (۲۰۲۲) امکان‌سنجی به‌کارگیری لیدار ۳۶۰ درجه را در مأموریت‌های ضدپهپاد نشان دادند.

این مقاله نتایج آزمایش‌های میدانی را که در طی آن پهپادهای کوچک با اندازه‌ها و شکل‌های مختلف در ارتفاع پایین پرواز داده شدند و توسط یک حسگر Velodyne Hi-Res ارزان‌قیمت ثبت شدند، ارائه می‌دهد. پژوهش حاضر وضعیت فناوری روز لیدار ۳۶۰° سه‌بعدی و الگوریتم توسعه‌یافته برای پردازش داده‌های ابر نقاط را تشریح می‌کند که هدف از آن کاهش احتمال کشف اشتباه پهپاد خصوصاً در محیط‌های روستایی است. همچنین محدودیت‌های کشف پهپاد کوچک با لیدار و تأثیر حسگرهای رده پایین بر نرخ کشف بررسی شده است.

باریشیچ و همکاران (۲۰۲۲) یک سامانه‌ی چندرباته‌ی خودمختار برای مأموریت‌های مشارکتی ضدپهپاد طراحی، یکپارچه‌سازی و آزمایش کردند. آن‌ها اجزای سخت‌افزاری و نرم‌افزاری سکوی‌های رباتیک مکمل مختلف را تشریح نمودند: یک ربات زمینی بدون سرنشین مجهز به حسگر لیدار، یک پهپاد با دوربین استریو نصب‌شده روی گیمبال برای بازرسی هوا-به-هوا، و یک پهپاد با مکانیزم گیرنده‌ی مخصوص که مجهز به رادار و دوربین بود. سیستم پیشنهادی به دلیل رویکرد توزیع‌شده و پردازش برخط از قابلیت مقیاس‌پذیری به مناطق بزرگ‌تر برخوردار بود، برای مأموریت‌های بلندمدت مشارکتی مناسب بود و ادراک چندوجهی مکملی را برای کشف پهپادهای چندموتوره فراهم می‌کرد. آزمایش‌های میدانی، یکپارچه‌سازی موفق تمام زیرسیستم‌ها را نشان داد و انجام یک مأموریت ضدپهپاد را در یک محیط غیرسازه‌یافته محقق ساخت. این نتایج پتانسیل سامانه‌های چندرباته و چندحسگری را برای کاربردهای نظارتی برجسته می‌کند.

آلدائو و همکاران (۲۰۲۲) امکان‌پذیری استفاده از سامانه‌های لیدار نصب‌شده روی پهپاد را برای کشف سایر هواگردها در برنامه‌های پرواز شهری بررسی کردند. آن‌ها یک مدل تجاری لیدار را با استفاده از مشخصات سازنده و اندازه‌گیری‌های تجربی شبیه‌سازی کردند تا الگوی پویش آن را تعیین کنند. این سیستم مزاحمان هوایی را کشف کرده و حرکت آن‌ها را با استفاده از ابر نقاط ایجادشده توسط حسگر، تخمین می‌زد و سپس با حل یک برنامه‌ی مخروط دوم مرتبه (SOCP) مسیرهای اجتنابی را در زمان واقعی محاسبه می‌کرد. روش پیشنهادی نتایج پایداری را در سناریوهای مختلف نشان داد و زمان اجرای حدود ۵۰ میلی‌ثانیه‌ای آن، امکان پیاده‌سازی بلادرنگ را بر روی کامپیوترهای مدرن نصب‌شده روی پهپاد فراهم نمود.

رودریگو و همکاران (۲۰۲۳) یک لیدار موج پیوسته (CW) با قابلیت کشف امضاهای میکرو-دوپلر (مربوط به حرکت ملخ‌ها) و تصویربرداری جاروب‌خطی از پهپادهای کوچک معرفی کردند. این سیستم از یک لیزر پیوسته‌ی باریک‌باند (۱۵۵۰ نانومتر) و قطعات کم‌هزینه‌ی فیبرنوری صنعت مخابرات استفاده می‌کرد. با بهره‌گیری از پیکربندی پرتوی کولا‌یم‌شده یا متمرکز، این لیدار حرکت‌های تناوبی مشخص ملخ‌های پهپاد را تا فاصله‌ی ۵۰۰ متری آشکارسازی کرد. به کمک جاروب با یک آینه‌ی گالوو-رزونانت، تصاویر دو بعدی از پهپادهای در حال پرواز تا برد ۷۰ متر تهیه شد که برای هر پیکسل دامنه‌ی سیگنال بازگشتی لیدار و سرعت شعاعی هدف را دربر داشت. این تصاویر جاروب‌خطی (حداکثر ۵ فریم بر ثانیه) به تفکیک انواع مختلف پهپاد بر اساس نیمرخ آن‌ها کمک کردند و حتی وجود محموله‌ها را نیز قابل تشخیص ساختند. مطالعه‌ی مذکور پیشنهاد می‌کند که با بهبودهای بیشتر، لیدار ضدپهپاد می‌تواند جایگزین امیدبخشی برای دوربین‌های EO/IR و SWIR گران‌قیمت در سامانه‌های ضدپهپاد باشد.

عبیر و همکاران (۲۰۲۳) پایداری روش کشف و ردیابی سه‌بعدی پهپاد مبتنی بر لیدار را بررسی کردند. آن‌ها بردهای کشف مؤثر را بر اساس مواد سازه‌ای مختلف پهپاد تعیین نموده و عملکرد کشف سه‌بعدی سیستم را در شرایط دید متغیر جوی ارزیابی کردند. این مطالعه همچنین قابلیت سیستم لیداری را در ردیابی مسیر پهپاد از طریق آزمایش‌های واقعی و پردازش داده‌های ابر نقاط بررسی کرد. با به‌کارگیری سیستم لیدار Livox Mid-40، آن‌ها توانستند پهپادها را در فواصل تا ۸۰ متر و تحت شرایط محیطی مختلف با دقت بالا ردیابی کنند.

در مقایسه با رادار، تفاوت‌های مهمی بین این دو فناوری وجود دارد که باید مورد توجه قرار گیرد:

• اصل کشف: لیدار از پالس‌های لیزر برای اندازه‌گیری فاصله‌ی اجسام استفاده می‌کند و با محاسبه‌ی زمان بازگشت نور، فاصله را تعیین می‌کند. این فناوری در ارائه‌ی نقشه‌برداری سه‌بعدی دقیق و جزئی از محیط توانمند است. از سوی دیگر، رادار از امواج رادیویی برای کشف اجسام استفاده می‌کند و با اندازه‌گیری زمان بازگشت این امواج پس از برخورد به هدف، آن را آشکارسازی می‌نماید. رادار در مقایسه با لیدار برد کشف بلندتری دارد و می‌تواند در شرایط آب‌وهوایی مختلف به‌خوبی عمل کند.
• دقت و وضوح: لیدار داده‌هایی با وضوح بسیار بالا ارائه می‌دهد و نقشه‌برداری سه‌بعدی دقیقی از محیط با اندازه‌گیری‌های بسیار دقیق فراهم می‌کند. این سیستم در تعیین شکل، اندازه و موقعیت اجسام از دقت بالایی برخوردار است. رادار برد کشف طولانی‌تری نسبت به لیدار دارد اما معمولاً وضوح کمتری ارائه می‌دهد. رادار هرچند می‌تواند اهداف را در فواصل دور تشخیص دهد، اطلاعات جزئی کمتری درباره‌ی خصوصیات هدف فراهم می‌آورد.
• تفکیک یا طبقه‌بندی اهداف: لیدار می‌تواند به دلیل وضوح بالای خود بین انواع اهداف تمایز قائل شود. این فناوری قادر است اجسام را با دقت بیشتری شناسایی و طبقه‌بندی کند و برای تشخیص پهپاد از سایر اجرام هوایی یا زمینی مناسب است. رادار ممکن است به دلیل وضوح پایین‌تر در فواصل دورتر برای تمایز دقیق بین انواع مختلف اشیاء دچار مشکل شود؛ به عبارتی ممکن است وجود هدف را تشخیص دهد ولی در طبقه‌بندی آن محدودیت داشته باشد.
• عوامل محیطی: لیدار در شرایط جوی صاف عملکرد بسیار خوبی دارد اما ممکن است در شرایط نامساعدی نظیر مه غلیظ یا باران شدید با مشکل مواجه شود، زیرا این شرایط می‌توانند در انتشار نور اختلال ایجاد کنند. رادار در مقایسه با لیدار کمتر تحت تأثیر عواملی چون مه یا باران قرار می‌گیرد زیرا امواج رادیویی به همان میزان از این شرایط متأثر نمی‌شوند.

در زمینه‌ی ضدپهپاد، قابلیت وضوح بالای لیدار آن را به گزینه‌ای بسیار کارآمد برای کشف، ردیابی و طبقه‌بندی دقیق پهپادها در شرایط آب‌وهوایی مناسب و محیط‌هایی که نقشه‌برداری دقیق و تمایز بین اهداف حیاتی است تبدیل کرده است. یک سیگنال لیدار از یک پهپاد Matrice 300 را نشان می‌دهد (داده‌ها در دانشگاه ویگو اسپانیا به دست آمده است). در سوی مقابل، رادار ممکن است در کشف اهداف در بردهای طولانی‌تر و شرایط آب‌وهوایی نامساعد عملکرد بهتری داشته باشد اما جزئیات کمتری درباره‌ی اهداف کشف‌شده ارائه می‌دهد. ترکیب هر دو فناوری می‌تواند رویکرد جامع‌تری برای سامانه‌های ضدپهپاد فراهم کند و با بهره‌گیری از نقاط قوت هر کدام، قابلیت‌های کشف و خنثی‌سازی را بهبود بخشد.

معماری یک سیستم لیدار مورد استفاده در عملیات ضدپهپاد معمولاً شامل چندین مؤلفه است که برای کشف، ردیابی و (در صورت نیاز) خنثی‌سازی پهپادهای غیرمجاز یا بالقوه تهدیدزا با هم کار می‌کنند:

• گسیل‌گرهای لیزری: سیستم شامل گسیل‌گرهای لیزری توان‌بالایی است که قادر به ارسال پالس‌های لیزری هستند. این پالس‌ها در محیط پخش شده و سپس به سمت حسگر بازتاب می‌یابند.
• واحد گیرنده: این بخش پالس‌های لیزری بازتاب‌یافته از محیط - شامل پهپادهای حاضر در فضای تحت نظارت - را دریافت کرده و مدت زمان بازگشت این پالس‌ها را اندازه‌گیری می‌کند.
• پردازش دیجیتال سیگنال: داده‌های دریافتی پردازش می‌شوند تا زمان بازگشت و شدت پالس‌های لیزری برگشتی محاسبه گردد. این پردازش شامل محاسبه‌ی فواصل، زوایا، شدت و سایر پارامترهای لازم برای نقشه‌برداری سه‌بعدی و شناسایی اهداف است.
• مکانیزم پویش: سیستم لیدار اغلب شامل یک پویشگر است که پالس‌های لیزری را در ناحیه‌ی تحت پوشش هدایت می‌کند. این مکانیزم می‌تواند ایستا یا چرخان باشد و امکان پوشش زوایا و بخش‌های مختلف فضا را فراهم می‌آورد.
• همجوشی و تحلیل داده‌ها: داده‌های جمع‌آوری‌شده از سیستم لیدار تلفیق و تحلیل می‌شوند تا یک نقشه‌ی سه‌بعدی جامع (یا ابر نقاط) از محیط ایجاد گردد. این نقشه، مکان و حرکت پهپادهای کشف‌شده را در بر می‌گیرد.
• الگوریتم‌های کشف و ردیابی: الگوریتم‌های ویژه‌ای برای کشف و ردیابی پهپادها در داده‌های جمع‌آوری‌شده به کار گرفته می‌شوند. این الگوریتم‌ها پهپادها را از سایر اشیاء متمایز کرده، مسیر و سرعت آن‌ها را محاسبه نموده و سطح تهدیدشان را ارزیابی می‌کنند.

۳.۷ همجوشی حسگرها (Sensor Fusion)

همجوشی حسگرها نقش بسیار مهمی در کاربردهای ضدپهپاد ایفا می‌کند؛ به‌ویژه در کشف، ردیابی و حتی خنثی‌سازی پهپادهای غیرمجاز یا بالقوه خطرناک. این فناوری با افزایش آگاهی موقعیتی، امکان اجرای مؤثر اقدامات متقابل را فراهم می‌آورد.

کوخ و همکاران (۲۰۱۸) رویکرد ابتکاری‌ای را پیشنهاد دادند که می‌تواند پارادایم همجوشی داده‌های حسگری را متحول کند: بهره‌گیری از فیلترهای ردیابی چندحسگری مبتنی بر تجزیه‌ی تانسور. این روش نوین، همه‌ی محتوای اطلاعاتی حسگرهای پیشرفته و مدل‌های پویای پیچیده‌ی حرکت پهپاد را به‌طور کارآمد ترکیب می‌کند. استفاده از روش‌های تجزیه‌ی چندخطی قدرتمند (tensor decomposition) نیاز محاسباتی لازم برای ایجاد مسیرهای باکیفیت برای پهپادهای کم‌نور و چابک را به‌شدت کاهش داد. علاوه بر این، ویژگی‌های عملکردی قطعی حاصل از همجوشی مبتنی بر تجزیه‌ی تانسور، پیامدهای مفیدی برای جنبه‌های طراحی سیستم دارد. چنین الگوریتم‌های پیشرفته‌ای برای همجوشی داده‌های چندحسگری نقشی کلیدی در طراحی سامانه‌های ضدپهپاد ایفا می‌کنند.

در حوزه‌ی سامانه‌های C5ISR (شامل فرماندهی، کنترل، ارتباطات، رایانه، فضای سایبری، اطلاعات، نظارت و شناسایی)، غلبه بر چالش‌های فناورانه امکان‌پذیر است اما نیازمند همکاری نزدیک میان نیروهای نظامی و پلیس، مؤسسات پژوهشی و صنایع مرتبط است. به‌ویژه برای حفاظت از تجهیزات ثابت و واحدهای متحرک در محیط‌های شهری یا مناطق باز، یکپارچه‌سازی قابلیت‌های کشف، ردیابی و شناسایی پهپاد در سامانه‌های پشتیبانی تصمیم از اهمیت بالایی برخوردار است.

کُندرو و همکاران (۲۰۱۸) کاهش خطاهای ردیابی هدف و واکنش پهپاد را از طریق همجوشی داده‌ی چندحسگری نشان دادند.

مقاله‌ی آن‌ها روش‌ها و تکنیک‌های تخمین حالت مبتنی بر همجوشی چندحسگری را برای کاهش خطاهای موقعیتی ناشی از جنگ الکترونیک (اقدامات اخلالگر) معرفی کرد. این تحقیق شامل مدلسازی و شبیه‌سازی ریاضیاتی جامعی از سیستم پیشنهادی بود. گنجاندن دو حسگر (رادار و FLIR – فروسرخ پیش‌نگر) همراه با مدل‌های ریاضیاتی مربوطه، بخش کلیدی کار بود. پژوهش حاضر از یک رویکرد متغیر حالت برای توصیف ویژگی‌های حرکت هدف و مدل اندازه‌گیری حسگر استفاده کرد و بر ارزیابی عملکرد فیلترهای ردیابی تمرکز نمود. نتایج آزمایش‌ها در محیط MATLAB نشان داد که معماری‌های همجوشی ارائه‌شده منجر به ردیابی دقیق‌تری با باقیمانده خطای کمتر می‌شوند. همچنین برای حرکت غیرخطی هدف، فیلتر ذره‌ای مقاوم کارایی مطلوبی نشان داد و به پاسخ مورد نظر دست یافت.

باپتیستا و همکاران (۲۰۲۰) یک سیستم نظارتی برای کشف اهداف هوایی مخرب و غیرقانونی ارائه کردند. این روش شامل ردیابی اشیاء هوایی متحرک با استفاده از یک دوربین ثابت بود. وقتی شیء ردیابی‌شده مشکوک تلقی می‌شد، دوربین زوم کرده و تصویری از آن می‌گرفت و سپس آن تصویر در یکی از دسته‌های هواپیما، پهپاد، پرنده یا ابر طبقه‌بندی می‌شد. نویسندگان از روش کلاسیک تفریق پس‌زمینه‌ی دو فریمی برای کشف اشیاء متحرک استفاده کردند. آن‌ها فیلتر کالمن را برای پیش‌بینی موقعیت هر شیء و الگوریتم Jonker-Volgenant را برای تطبیق اشیاء بین فریم‌های متوالی به کار گرفتند. یک شبکه‌ی عمیق ResNet-50 (از پیش‌آموزش‌دیده و بازآموزی‌شده برای این منظور) برای طبقه‌بندی تصاویر استفاده شد. ارزیابی عملکرد سیستم در شرایط واقعی نشان داد که این سیستم توانایی ردیابی چندین هدف هوایی را به‌طور همزمان با دقت قابل قبول دارد و از دقت بالایی در طبقه‌بندی برخوردار است.

کوتسوارا و همکاران (۲۰۲0) پیاده‌سازی فیلتر کالمن بدون بو (UKF) را برای وسایل پرنده‌ی خودمختار در ردیابی اهداف نشان دادند. آن‌ها نویز اندازه‌گیری‌ها را صاف کرده و همزمان مؤلفه‌های سرعت وسیله را تعیین کردند. یک شبیه‌سازی Monte Carlo با جزئیات کامل انجام شد تا خروجی الگوریتم با فیلتر کالمن توسعه‌یافته مقایسه شود و دیدگاه‌های ارزشمندی برای هدف‌گیری تسلیحات به سوی هدف ارائه گردد.

سیه و همکاران (۲۰۲۱) به‌کارگیری فیلترهای همبستگی و مدل ترکیبی یکپارچه (IMM) را برای پالایش اطلاعات موقعیت پهپادهای تندرو که از طریق بینایی رایانه‌ای به دست آمده بود، معرفی کردند. با توجه به غیرخطی بودن حرکت مانوری پهپاد، این مقاله استفاده از چند مدل فیلتر را برای تخمین موقعیت پهپاد با هزینه محاسباتی کم در نظر گرفت. IMM بین مدل‌های سرعت ثابت (CV)، شتاب ثابت (CA) و گردش ثابت (CT) بر اساس حرکت پهپاد با یک زنجیره‌ی مارکوف جا‌به‌جا می‌شد. سایر فیلترها از جمله فیلتر همبستگی کرنلی (KCF)، فیلتر ذره‌ای (PF) و فیلتر همبستگی گسسته (DCF) نیز برای مقایسه‌ی مستقیم ارائه شدند.

لیانگ و همکاران (۲۰۲۱) یک سیستم ردیابی چنددوربینه‌ی چندهدفه برای پهپاد ارائه دادند که در آن تطبیق و بازشناسایی اهداف بر اساس مسیر حرکت آن‌ها صورت می‌گرفت. الگوریتم یکپارچه‌ی این سیستم، ردیابی، مکان‌یابی و شناسایی اهداف را ترکیب می‌کرد و نشان داد که می‌توان از چند دوربین با زوایای دید مختلف برای ردیابی همزمان اشیاء متحرک در قاب‌های دوربین استفاده کرد. این الگوریتم از تشخیص ترکیبی اهداف بهره برد؛ بدین صورت که روش تشخیص مبتنی بر حرکت (Blob Detection) و روش تشخیص مبتنی بر ظاهر (با استفاده از YOLOv3) را ادغام نمود. مسیر اهداف ردیابی‌شده برای تشخیص مبتنی بر حرکت تحلیل شد، در حالی که الگوریتم YOLOv3 برای تشخیص مبتنی بر ظاهر به کار رفت. الگوریتم یکپارچه‌ی شناسایی هدف توانست تطبیق و بازشناسایی اهداف را در داخل و بین دوربین‌ها با موفقیت انجام دهد و در نتیجه امکان مکان‌یابی سه‌بعدی اهداف را فراهم کند. این سیستم برای ردیابی بلادرنگ چندین هدف هوایی و زمینی آزمایش شد.

سون و همکاران (۲۰۲۱) یک سیستم ردیابی پهپاد سریع و دقیق پیشنهاد دادند که از دو ردیاب، یک پیش‌بین و یک فرایند اصلاح تشکیل شده بود. یک ردیاب بر اساس جریان حرکت، هدف متحرک را شناسایی می‌کرد و دیگری با استفاده از ویژگی‌های هیستوگرامی، ناحیه‌ی مورد علاقه (ROI) را مکان‌یابی می‌نمود. یک فیلتر کالمن برای تخمین مسیر به کار گرفته شد و پیش‌بین به حفظ ردیابی حتی در زمانی که ردیاب‌ها دچار مشکل می‌شدند کمک کرد. فرایند اصلاح با بهره‌گیری از ROIهای هر دو ردیاب و پیش‌بین، مکان هدف را تعیین می‌کرد. در آزمایش‌ها بر روی یک مجموعه‌داده‌ی حاوی پهپادهای کوچک پرنده، روش پیشنهادی نرخ موفقیتی 1.134 برابر بالاتر از روش‌های ردیابی مرسوم داشت و با نرخ متوسط 21.08 فریم بر ثانیه عمل کرد.

مونتانیز و همکاران (۲۰۲۳) یک کاربرد همجوشی داده‌ی حسگرها را با استفاده از الگوریتم فیلتر کالمن توسعه‌یافته برای شناسایی و ردیابی اهداف متحرک از داده‌های لیدار–رادار نشان دادند. برای افزایش وضوح داده‌ها، این مطالعه سیستم همجوشی داده‌ای را پیاده کرد که یک پدیده‌ی فیزیکی واحد را به‌طور همزمان از دو یا چند حسگر اندازه‌گیری می‌کرد. مقاله از مدل سینماتیکی CTRV (سرعت چرخش ثابت) پهپاد استفاده کرد که سرعت زاویه‌ای را - که در کارهای قبلی لحاظ نشده بود - در بر می‌گرفت. فیلتر کالمن توسعه‌یافته (EKF) برای کشف اهداف متحرک اعمال شد و عملکرد آن با استفاده از یک مجموعه‌داده شامل موقعیت ثبت‌شده توسط حسگرهای لیدار و رادار ارزیابی گردید. در این پژوهش برای شبیه‌سازی شرایط اختلال‌یافته، نویز سفید گاوسی به داده‌ها اضافه و سپس RMSE بر حسب افزایش توان نویز ارزیابی شد. نتایج نشان داد حدود 0.4 واحد بهبود در تشخیص اهداف نسبت به مدل‌های سینماتیکی متداول که تغییرات شدید مسیر را در نظر نمی‌گیرند حاصل شده است.

زیتار و همکاران (۲۰۲۳) مروری گسترده بر روش‌های کشف و ردیابی اشیاء و پهپادها ارائه دادند.

این مقاله جدیدترین روش‌های موجود برای کشف و ردیابی پهپاد را معرفی کرده و بر اساس تحقیقات اخیر به تحلیل انتقادی و مقایسه‌ی آن‌ها می‌پردازد. این تحلیل شامل مقایسه‌ی روش‌های ردیابی پهپاد با استفاده از فیلترهای کالمن خطی (LKF) و روش‌های رگرسیون چندجمله‌ای غیرخطی (NPR) است. نتایج حاکی از آن است که بسته به شرایط نویزی اندازه‌گیری‌ها، هر دو روش در شرایط مختلف لازم هستند. همچنین مطالعه بر ظهور روش‌های جدید مانند تکنیک‌های مبتنی بر هوش مصنوعی در زمینه‌ی کشف و شناسایی پهپادها تأکید می‌کند. روش‌های کشف چه به‌صورت مستقل و چه در ترکیب با تکنیک‌های ردیابی مورد بحث قرار گرفته و یک مرور جامع از ادبیات این حوزه ارائه شده است.

الهادرامی و همکاران (۲۰۲۳) یک رویکرد یادگیری تقویتی را برای تنظیم خودکار کوواریانس نویز فرایند (ماتریس Q) در سیستم ردیابی مبتنی بر فیلتر کالمن معرفی کردند. مقدار Q نقش محوری در پیش‌بینی وضعیت آینده در چارچوب ردیابی دارد. الگوریتم بهینه‌سازی سیاست PPO (Proximal Policy Optimization) به منظور تعیین مقدار بهینه‌ی Q مورد استفاده قرار گرفت و بدین ترتیب عملکرد ردیابی بهبود یافت (معیار بهبود، کاهش RMSE بود). نتایج نشان داد که عامل PPO به مرور زمان به‌خوبی آموزش می‌بیند و با درک پاداش‌های مناسب تحت شرایط مختلف محیطی، مقدار بهینه‌ی Q را پیشنهاد می‌کند. این نتایج به‌صورت نظام‌مند با نتایج حاصل از یادگیری شبکه‌ی عصبی پیش‌خور، نگاشت نوآوری/مقادیر Q به روش Castella و مقادیر ثابت Q مقایسه شدند. الگوریتم PPO عملکرد امیدوارکننده‌ای از خود نشان داد. پژوهشگران از کتابخانه‌ی Stone Soup برای شبیه‌سازی داده‌های واقعی، اندازه‌گیری‌ها و فرایند ردیابی کالمن استفاده کردند.

۴. فناوری‌های خنثی‌سازی

فناوری‌های خنثی‌سازی پهپاد با هدف مقابله با فعالیت‌های غیرمجاز یا بالقوه خطرناک پهپادها توسعه یافته‌اند [98، 99]. تاکنون فناوری‌های گوناگونی برای پاسخ به چالش‌های روزافزون پهپادها در زمینه‌های امنیت، حریم خصوصی و ایمنی ابداع شده است. در بخش‌های بعدی، برخی از فناوری‌های کلیدی خنثی‌سازی پهپاد مورد تحلیل قرار گرفته‌اند. توجه به این نکته مهم است که اثربخشی روش‌های نرم (Soft Kill) بسته به نوع و توانمندی‌های پهپاد و نوع پادکار مورد استفاده می‌تواند متفاوت باشد. همچنین مقررات مربوط به استفاده از این فناوری‌ها در کشورهای مختلف متفاوت است و در نظر داشتن ملاحظات قانونی و اخلاقی ضروری خواهد بود.

۴.۱ اخلال رادیویی RF (نرم)

اخلال RF (Radio Frequency Jamming) با گسیل سیگنال‌ها در همان باند فرکانسی مورد استفاده‌ی کنترل از راه دور پهپاد، ارتباط بین پهپاد و اپراتورش را مختل می‌کند [100]. این اقدام می‌تواند مانع از دریافت فرامین یا ارسال داده توسط پهپاد شود و آن را وادار کند به حالت ایمن برود یا فرآیند بازگشت به مبدأ را آغاز نماید.

در اخلال فرکانس رادیویی، جنبه‌های زیر قابل توجه است:

• طیف فرکانسی: پهپادهای کنترل‌شونده با امواج رادیویی معمولاً از باندهای فرکانسی مشخصی برای ارتباط بین پهپاد و کنترل‌کننده استفاده می‌کنند. اخلال RF با ارسال امواج در همان محدوده‌های فرکانسی، ارتباط عادی را مختل می‌کند.
• تولید شکل موج: سامانه‌های اخلال RF، سیگنال‌های رادیویی را با توان کافی تولید می‌کنند تا در سیگنال‌های مبادله‌شده بین پهپاد و کنترل‌کننده تداخل ایجاد کرده یا آن‌ها را مغلوب کنند. این سیگنال‌ها می‌توانند به صورت موج پیوسته یا مدوله‌شده به شکل‌های مختلف باشند.
• قدرت سیگنال و ایجاد اختلال: اثربخشی اخلال RF به قدرت سیگنال مداخله‌گر بستگی دارد. اگر سیگنال اخلال‌گر قوی‌تر از سیگنال کنترل پهپاد باشد، می‌تواند لینک ارتباطی را مختل کرده و پهپاد را از دریافت فرمان‌ها یا ارسال داده به‌طور مؤثر بازدارد.
• انواع اخلال: در روش اخلال پهن‌باند، سیگنال مداخله‌گر یک محدوده‌ی وسیع از فرکانس‌ها را پوشش می‌دهد و به‌طور همزمان چندین کانال ارتباطی را دچار اختلال می‌کند. اخلال باریک‌باند، یک فرکانس مشخص (یا یک باند باریک) مورد استفاده‌ی پهپاد را هدف قرار می‌دهد و تداخل متمرکزتری ایجاد می‌کند.
• تکنیک‌های اخلال: در اخلال موج پیوسته (CW)، یک سیگنال ثابت روی فرکانس هدف ارسال می‌شود تا اختلال دائمی ایجاد گردد. در اخلال پالسی، تداخل به صورت انفجارهای متناوب سیگنال‌های مداخله‌گر اعمال می‌شود و ارتباط را به شکل مقطعی مختل می‌کند.
• اصول جنگ الکترونیک: اخلال RF زیرمجموعه‌ای از جنگ الکترونیکی است که شامل استفاده از انرژی الکترومغناطیسی برای محروم کردن یا مختل کردن استفاده‌ی دشمن از تجهیزات الکترونیکی می‌شود. در کاربرد ضدپهپاد، هدف، محروم کردن اپراتور پهپاد از کنترل و ارتباط با آن است.
• ملاحظات قانونی و اخلاقی: اگرچه اخلال RF می‌تواند یک روش نرم مؤثر باشد، استفاده از آن با ملاحظات قانونی و اخلاقی همراه است. سیگنال‌های اخلال‌گر ممکن است به طور غیرعمدی بر سیستم‌های ارتباطی مجاور اثر بگذارند و باعث اختلال در سایر دستگاه‌های فعال در همان باند فرکانسی شوند.
• پیشرفت‌های فناوری: فناوری‌های اخلال RF ضدپهپاد به طور مداوم در حال تکامل هستند. برخی سیستم‌ها طراحی شده‌اند که به شکل هوشمند، ابتدا فرکانس و نوع مدولاسیون سیگنال کنترل پهپاد هدف را شناسایی کرده و سپس متناسب با آن اخلال را اعمال کنند، که این امر کارآیی آن‌ها را در برابر پهپادهای پیچیده‌تر افزایش می‌دهد.

۴.۲ اسپوفینگ GPS (نرم)

اسپوفینگ GPS شامل ارسال سیگنال‌های جعلی سامانه‌ی موقعیت‌یاب جهانی (GPS) به پهپاد است تا آن را فریب دهد که در مکان دیگری قرار دارد [101]. این امر می‌تواند پهپاد را دچار گم‌گشتگی در مسیر کرده یا باعث آغاز فرآیند بازگشت به خانه (مبدأ) شود. اصول علمی اساسی اسپوفینگ GPS به صورت زیر است:

• مبانی GPS: جی‌پی‌اس یک سیستم ناوبری ماهواره‌ای است که اطلاعات موقعیت و زمان را به گیرنده‌های GPS روی زمین ارائه می‌دهد. این سیستم به شبکه‌ای از ماهواره‌های در حال گردش به دور زمین متکی است که هر یک سیگنال‌های زمانی دقیقی ارسال می‌کنند.
• تکنیک‌های اسپوفینگ GPS: در اسپوفینگ GPS سیگنال‌های جعلی GPS به سامانه ناوبری پهپاد ارسال می‌شود تا آن را گمراه کند. هدف این است که پهپاد تصور کند در موقعیتی متفاوت از موقعیت واقعی خود قرار دارد.
• تولید سیگنال جعلی: دستگاه‌های اسپوفر سیگنال‌های GPS تقلبی تولید می‌کنند که تقلیدی از سیگنال‌های ارسالی ماهواره‌های GPS هستند. این سیگنال‌ها سپس به سمت پهپاد هدف ارسال می‌شوند.
• زمان‌بندی و کد شبه‌تصادفی (PRN): ماهواره‌های GPS سیگنال‌هایی ارسال می‌کنند که شامل اطلاعات زمانی دقیق و یک کد نویز شبه‌تصادفی (PRN) منحصربه‌فرد برای هر ماهواره است. گیرنده‌ی پهپاد از این اطلاعات برای محاسبه‌ی موقعیت خود استفاده می‌کند.
• غلبه بر سیگنال‌های اصلی: سیگنال‌های اسپوفر باید به اندازه‌ی کافی قوی باشند تا بر سیگنال‌های اصلی ماهواره‌های GPS که پهپاد دریافت می‌کند غلبه کنند. در صورت موفقیت، پهپاد به جای سیگنال‌های ماهواره‌ای واقعی، از سیگنال‌های تقلبی برای موقعیت‌یابی استفاده خواهد کرد.
• دستکاری مختصات: با ارسال داده‌های موقعیتی اشتباه، اسپوفر می‌تواند مختصات ادراک‌شده‌ی پهپاد را تغییر دهد. این امر ممکن است پهپاد را از مسیر خود منحرف کرده یا آن را وارد حالت ایمن (مثلاً بازگشت به مبدأ) کند.
• اسپوفینگ پویا: تکنیک‌های پیشرفته‌ی اسپوف GPS شامل تنظیم پویا سیگنال‌های جعلی متناسب با حرکت پهپاد است. این کار به حفظ توهم موقعیت نادرست پایدار کمک کرده و تشخیص اسپوفینگ را دشوارتر می‌کند.
• تأثیر بر ناوبری پهپاد: GPS جزء حیاتی بسیاری از سامانه‌های ناوبری پهپاد است. اسپوفینگ می‌تواند دقت ناوبری پهپاد را مختل کند و منجر به پیامدهای ناخواسته‌ای مانند برخورد با موانع، ورود به فضای ممنوعه یا نقض پروتکل‌های ایمنی شود.
• چالش‌های تشخیص: تشخیص اسپوفینگ GPS می‌تواند دشوار باشد زیرا پهپادها معمولاً به شدت به سیگنال‌های GPS وابسته‌اند و روش‌های پیشرفته‌ی اسپوفینگ ممکن است طوری طراحی شوند که از شناسایی شدن اجتناب کنند.
• ملاحظات قانونی و اخلاقی: استفاده از اسپوفینگ GPS با ملاحظات قانونی و اخلاقی همراه است؛ زیرا نه تنها پهپاد هدف بلکه ممکن است سایر دستگاه‌های وابسته به GPS در نزدیکی را نیز تحت تأثیر قرار دهد. دستکاری غیرمجاز سیگنال‌های GPS می‌تواند نقض قوانین و مقررات به شمار رود.

۴.۳ شنود سیگنال‌های ارتباطی (نرم)

رهگیری و تحلیل سیگنال‌های ارتباطی بین پهپاد و اپراتور آن می‌تواند اطلاعاتی درباره‌ی مأموریت پهپاد فراهم کرده و اجرای اقدامات متقابل را ممکن سازد [102]. از این طریق می‌توان اطلاعات کسب کرد، حرکات پهپاد را ردگیری نمود یا حتی کنترل UAV را به دست گرفت.

• سامانه‌های ارتباطی پهپاد: سامانه‌های هوایی بدون سرنشین (UAS) برای عملکرد خود از پروتکل‌های ارتباطی مختلفی استفاده می‌کنند. این موارد شامل ارتباط رادیویی برای فرمان‌ها، ارسال تله‌متری و احتمالاً انتقال ویدیو است. پهپادها ممکن است از باندهای فرکانسی مختلف مانند ۲٫۴ یا ۵٫۸ گیگاهرتز برای ارتباط بین کنترل‌کننده‌ی زمینی و پرنده استفاده کنند.
• تکنیک‌های رهگیری سیگنال: رهگیری سیگنال پهپاد مستلزم استفاده از تجهیزات تخصصی برای دریافت و تحلیل ارتباطات بین کنترل‌کننده و پهپاد است. این تجهیزات می‌توانند شامل رادیوهای تعریف‌شده با نرم‌افزار (SDR)، آنتن‌ها و ابزارهای پردازش سیگنال باشند
• تحلیل طیف فرکانسی: برای رهگیری سیگنال، ابتدا باید طیف فرکانسی مورد استفاده‌ی پهپاد بررسی شود. رهگیر باید فرکانس‌های خاصی را که پهپاد روی آن‌ها ارتباط برقرار می‌کند شناسایی کند. این کار ممکن است مستلزم پویش محدوده‌ای از فرکانس‌ها باشد تا سیگنال‌های ارسالی توسط پهپاد و کنترل‌کننده‌ی آن شناسایی شوند.
• رمزگشایی پروتکل‌ها: پس از رهگیری سیگنال‌ها، گام بعدی رمزگشایی پروتکل‌های ارتباطی مورد استفاده‌ی پهپاد است. این امر شامل درک فرمت فرمان‌ها، نحوه‌ی ارسال داده‌های تله‌متری و چگونگی کدگذاری احتمالی سیگنال‌های ویدیویی است. در صورتی که ارتباط رمزنگاری شده باشد، ممکن است نیاز به شکستن رمز نیز وجود داشته باشد.
• تفسیر داده‌ها: پس از رمزگشایی سیگنال‌های رهگیری‌شده، تحلیل‌گران می‌توانند داده‌ها را تفسیر کنند تا وضعیت پهپاد، موقعیت، پارامترهای مأموریت و سایر اطلاعات مرتبط را به دست آورند. این اطلاعات برای ارزیابی سطح تهدید پهپاد و برنامه‌ریزی اقدامات متقابل مناسب بسیار ارزشمند است.
• استراتژی‌های متقابل: سیگنال‌های رهگیری‌شده را می‌توان برای طرح‌ریزی اقدامات متقابل استفاده کرد. این اقدامات ممکن است شامل استفاده از اخلال‌گر برای قطع ارتباط بین پهپاد و اپراتور یا حتی ارسال فرامین جعلی جهت به دست گرفتن کنترل پهپاد باشد. البته مورد دوم نیازمند درک عمیق پروتکل‌های ارتباطی پهپاد است.
• ملاحظات قانونی و اخلاقی: رهگیری سیگنال‌های پهپاد مسائل قانونی و اخلاقی خاص خود را دارد. بسته به قوانین حاکم، شنود ارتباطات خصوصی می‌تواند نقض حریم شخصی تلقی شود و دخالت در عملیات پهپاد ممکن است تبعات حقوقی داشته باشد. مجریان قانون باید به دقت جنبه‌های قانونی و اخلاقی استفاده از تکنیک‌های رهگیری ارتباطات را در نظر بگیرند.

۴.۴ حملات سایبری (نرم)

روش‌های نرم ممکن است شامل اجرای حملات سایبری بر سامانه‌های ارتباطی پهپاد یا سوءاستفاده از آسیب‌پذیری‌های نرم‌افزاری آن باشد. در این حملات ممکن است کد مخربی به سامانه‌های پهپاد تزریق شود تا عملکرد آن مختل یا کنترل شود. هدف این حملات، از کار انداختن یا به خطر انداختن عملکرد UAVها است و روشی جایگزین برای مقابله با تهدیدات پرنده‌های بدون سرنشین ارائه می‌دهد.

• سامانه‌های کنترل پهپاد: پهپادها دارای سامانه‌های کنترل الکترونیکی هستند که پرواز، ناوبری و ارتباطات آن‌ها را مدیریت می‌کند. این سامانه‌ها شامل نرم‌افزار، سفت‌افزار (firmware) و پروتکل‌های ارتباطی‌اند که هر یک می‌توانند هدف بالقوه‌ای برای حملات سایبری باشند.
• بردارهای حمله سایبری: حملات سایبری به پهپادها می‌تواند شکل‌های مختلفی داشته باشد. تزریق بدافزار یعنی وارد کردن نرم‌افزار مخرب به سامانه‌ی کنترل پهپاد برای خدشه‌دار کردن یکپارچگی و عملکرد آن. حملات منع سرویس (DoS) با بارگذاری بیش از حد کانال‌های ارتباطی یا توان پردازشی پهپاد، عملکرد عادی آن را مختل می‌کنند. حملات مرد میانی (MitM) با رهگیری و تغییر ارتباط بین پهپاد و اپراتور، کنترل غیرمجاز به دست آورده یا داده‌ها را دستکاری می‌کنند. در نهایت بهره‌جویی از آسیب‌پذیری‌های نرم‌افزاری به معنای شناسایی و سوءاستفاده از ضعف‌های نرم‌افزار در سامانه‌ی کنترل پهپاد است.
• هدف قراردادن لینک‌های ارتباطی: پهپادها به لینک‌های ارتباطی بین اپراتور و وسیله متکی هستند. حملات سایبری ممکن است با هدف قطع یا تغییر این لینک‌ها انجام شوند. برای مثال، مهاجم می‌تواند سیگنال‌های RF را اخلال کرده یا آسیب‌پذیری‌های پروتکل ارتباطی را مورد سوءاستفاده قرار دهد.
• اسپوفینگ GPS از طریق سایبری: حملات سایبری می‌توانند برای اجرای اسپوفینگ GPS نیز استفاده شوند (همان‌طور که پیش‌تر بحث شد). با مختل کردن سیگنال‌های GPS که پهپاد دریافت می‌کند، مهاجم می‌تواند موقعیت ادراک‌شده‌ی پهپاد را تغییر داده و مسیر پرواز آن را منحرف سازد.
• مقابله و کاهش خطر: اقدامات امنیت سایبری برای مقابله با تهدیدات پهپاد شامل پیاده‌سازی رمزنگاری قوی، احراز هویت و سیستم‌های تشخیص نفوذ است. به‌روزرسانی منظم نرم‌افزار و مدیریت وصله‌های امنیتی برای رفع آسیب‌پذیری‌های نرم‌افزاری ضروری است. علاوه بر این، تقسیم‌بندی شبکه و استفاده از دیواره‌های آتش می‌تواند بخش‌ها‌ی حیاتی سیستم کنترل پهپاد را ایزوله و حفاظت کند.
• ملاحظات اخلاقی و قانونی: انجام حملات سایبری علیه پهپادها به عنوان روش‌های متقابل باید در چهارچوب استانداردهای قانونی و اخلاقی صورت گیرد. دسترسی یا دستکاری غیرمجاز سامانه‌های پهپاد ممکن است غیرقانونی تلقی شود و باید ملاحظات اخلاقی رعایت گردد تا استفاده‌ی مسئولانه و قانونی از توانمندی‌های سایبری تضمین شود.
• پژوهش و توسعه‌ی مداوم: هم‌زمان با پیشرفت فناوری پهپاد، تلاش‌های مستمر پژوهشی و توسعه‌ای برای پیشی گرفتن از تهدیدات سایبری جدید ضروری است. این تلاش‌ها شامل تحلیل بردارهای حمله‌ی نوظهور، توسعه‌ی راهکارهای قدرتمند امنیت سایبری و همکاری میان متخصصان فناوری پهپاد و امنیت سایبری است.

۴.۵ تسلیحات انرژی هدایت‌شونده (نرم)

در حالی که تسلیحات انرژی هدایت‌شونده (DEW) می‌توانند کاربردهای کشنده نیز داشته باشند، در زمینه‌ی روش‌های نرم می‌توان از آن‌ها برای از کار انداختن پهپادها به شکل غیرکشنده بهره گرفت [104]. DEWها شامل لیزرها یا مایکروویوهای توان‌بالا هستند که بدون وارد کردن آسیب فیزیکی مستقیم، سامانه‌های الکترونیکی پهپاد را مختل می‌کنند. این روش، راهکاری دقیق و واکنش‌سریع برای مقابله با تهدیدات پهپادی ارائه می‌دهد.

• مبانی سلاح‌های انرژی هدایت‌شونده: سلاح‌های انرژی هدایت‌شونده از پرتوهای متمرکز انرژی الکترومغناطیسی (مانند لیزر یا مایکروویو) برای اثرگذاری بر هدف استفاده می‌کنند. این پرتوهای انرژی را می‌توان با دقت هدایت و کنترل کرد و از این رو دقت بالایی در هدف‌گیری به دست آورد.
• سلاح‌های لیزری: لیزرهای توان‌بالا - اغلب از نوع حالت‌جامد، فیبری یا شیمیایی - در DEWها برای مقابله با پهپادها استفاده می‌شوند. پرتو لیزر روی هدف متمرکز می‌شود و معمولاً اجزای حیاتی UAV مانند سامانه‌ی پیشران، تجهیزات الکترونیکی، دوربین‌ها یا بخش‌های سازه‌ای را هدف قرار می‌دهد.
• سلاح‌های مایکروویوی: DEWهای مبتنی بر امواج مایکروویو از مولدهایی برای تولید تابش مایکروویو بسیار قوی استفاده می‌کنند. مایکروویوها می‌توانند با سامانه‌های الکترونیکی پهپاد تعامل کرده و بخش‌هایی مانند سیستم‌های ارتباطی، حسگرها یا تجهیزات اویونیک آن را مختل یا تخریب کنند.
• ردیابی و هدف‌گیری: سلاح‌های انرژی هدایت‌شونده معمولاً به حسگرهای پیشرفته‌ای (مانند رادار یا ردگیرهای اپتیکی) مجهز هستند تا بتوانند پهپادها را به صورت آنی کشف و ردیابی کنند. سپس پرتو انرژی هدایت‌شونده براساس اطلاعات ردیابی، به دقت به سمت پهپاد هدف‌گیری می‌شود تا اثرگذاری حداکثری داشته باشد.
• تأثیرات بر پهپاد: تسلیحات انرژی هدایت‌شونده می‌توانند با ایجاد حرارت و ذوب کردن اجزای حیاتی، به پهپاد آسیب ساختاری وارد کنند. انرژی شدید این پرتوها همچنین می‌تواند سیستم‌های الکترونیکی پهپاد را مختل یا نابود کند و در نتیجه UAV را از کار بیندازد
• برد و محدودیت‌ها: برد موثر DEWها بسته به نوع و توان سلاح متفاوت است. لیزرهای توان‌بالا ممکن است برد نسبتاً زیادی داشته باشند اما شرایط جوی مانند رطوبت و آشفتگی هوا می‌تواند عملکرد آن‌ها را تحت تاثیر قرار دهد. مایکروویوهای توان‌بالا نیز محدودیت‌های برد خاص خود را دارند و تحت تأثیر تضعیف در جو قرار می‌گیرند.
• گزینه‌های غیرکشنده: تسلیحات انرژی هدایت‌شونده را می‌توان در توان‌های مختلف تنظیم کرد تا به صورت غیرکشنده عمل کنند. با استفاده از تنظیمات توان پایین‌تر می‌توان پهپاد را صرفاً از کار انداخت یا مختل کرد بدون آن‌که آسیب دائمی ببیند.
• ملاحظات اخلاقی و قانونی: به کارگیری تسلیحات انرژی هدایت‌شونده برای مقابله با پهپاد، مسائل اخلاقی و قانونی را مطرح می‌کند. اطمینان از انطباق با قوانین بین‌المللی و مقررات حاکم بر درگیری‌ها در این زمینه ضروری است.

۴.۶ اقدامات صوتی (نرم)

انتشار صداهای بلند یا سیگنال‌های آکوستیکی می‌تواند حسگرهای اینرسی و سیستم‌های ارتباطی پهپاد را دچار اختلال یا گمراهی کند [105]. اقدامات متقابل صوتی برای تضعیف توانایی پهپاد در ناوبری و برقراری ارتباط موثر طراحی شده‌اند

• مبانی اقدامات صوتی: اقدامات متقابل صوتی از اصول انتشار و دریافت صوت برای تاثیرگذاری بر سامانه‌های هوایی بدون سرنشین بهره می‌برند. این اقدامات معمولاً شامل سامانه‌های کشف صوتی و همچنین دستگاه‌هایی هستند که سیگنال‌های صوتی برای ایجاد اختلال تولید می‌کنند.
• سامانه‌های کشف صوتی: اقدامات متقابل صوتی معمولاً استفاده از میکروفن‌ها و حسگرهای دیگر را برای تشخیص صدای تولیدشده توسط پهپادها دربرمی‌گیرد. این حسگرها را می‌توان به صورت راهبردی در مناطقی که احتمال فعالیت پهپاد هست مستقر کرد. تکنیک‌های پیشرفته‌ی پردازش سیگنال برای تمایز امضای صوتی پهپاد از نویز پس‌زمینه و سایر صداها به کار گرفته می‌شوند که این امر برای کشف و شناسایی دقیق UAV ضروری است.
• دستگاه‌های اختلال صوتی: دستگاه‌هایی که قادر به انتشار امواج صوتی شدید هستند به عنوان ابزارهای اخلالگر استفاده می‌شوند. این دستگاه‌ها شامل بلندگوها یا ترانسپوندرهایی می‌شوند که فرکانس‌ها یا الگوهای صوتی خاصی را تولید می‌کنند. اقدامات صوتی ممکن است از حساسیت اجزای پهپاد (مانند حسگرهای اینرسی و سیستم‌های ارتباطی) به فرکانس‌های مشخص بهره‌برداری کنند. با انتشار فرکانس‌های مختل‌کننده، این اقدامات سعی می‌کنند عملکرد عادی پهپاد را به هم بریزند.
• انواع اختلال صوتی: سیگنال‌های صوتی می‌توانند به گونه‌ای طراحی شوند که لینک‌های ارتباطی بین پهپاد و اپراتور را دچار مشکل کرده و سیگنال‌های کنترلی را مختل کنند. سیگنال‌های صوتی قوی همچنین ممکن است بر حسگرهای روی پهپاد تأثیر گذاشته و توانایی آن در ناوبری یا جمع‌آوری اطلاعات را مختل کنند. علاوه بر این، اقدامات صوتی می‌توانند با تاثیر بر سامانه‌ی پیشران یا سطوح کنترلی، پایداری پرواز پهپاد را برهم زنند.
• برد و محدودیت‌ها: اثربخشی اقدامات صوتی به برد کشف سامانه‌های صوتی و فاصله‌ای که سیگنال‌های اخلالگر می‌توانند به طور موثر طی کنند بستگی دارد. شرایط محیطی مانند وزش باد و جذب اتمسفری می‌تواند بر انتشار امواج صوتی تاثیر گذاشته و عملکرد اقدامات صوتی را محدود کند.
• یکپارچه‌سازی با سایر پادکارها: اقدامات صوتی معمولاً همراه سایر فناوری‌های ضدپهپاد (نظیر سامانه‌های راداری) به کار گرفته می‌شوند تا یک دفاع همه‌جانبه در برابر تهدیدات پهپادی فراهم کنند.
• ملاحظات قانونی و اخلاقی: مانند هر فناوری ضدپهپاد دیگری، استفاده از اقدامات صوتی نیز با ملاحظات قانونی و اخلاقی همراه است. مسئولان ذی‌ربط باید از انطباق این اقدامات با مقررات محلی و قوانین بین‌المللی اطمینان حاصل کنند.

۴.۷ خنثی‌سازی فیزیکی یا کشتار سخت (Hard Kill)

خنثی‌سازی سخت به روش‌هایی در ضدپهپاد اشاره دارد که طی آن پهپاد از نظر فیزیکی نابود یا معیوب می‌شود تا تهدید آن از بین برود. این روش در مقابل روش‌های نرم قرار می‌گیرد که بر اقدامات غیرمخرب تمرکز دارند (همان‌گونه که پیش‌تر توضیح داده شد).

• روش مبتنی بر پرتابه: در روش کشتار سخت می‌توان از پرتابه‌ها (مانند گلوله یا مهمات ویژه) برای برخورد فیزیکی و از کار انداختن پهپاد استفاده کرد. این رویکرد نیازمند هدف‌گیری دقیق و محاسبات بالستیکی صحیح است تا اطمینان حاصل شود پرتابه به UAV اصابت می‌کند.
• تسلیحات انرژی هدایت‌شونده: لیزرهای توان‌بالا را می‌توان به عنوان تسلیحات انرژی هدایت‌شونده به کار گرفت که پرتوی متمرکز انرژی را به اجزای حساس پهپاد می‌تابانند و باعث آسیب یا انهدام آن می‌شوند. همچنین تسلیحات مایکروویو توان‌بالا می‌توانند با تولید تابش شدید، قطعات الکترونیکی پهپاد را مختل یا تخریب کنند.
• روش مبتنی بر انفجار: مهماتی مانند موشک‌ها یا خرج‌های انفجاری دیگر می‌توانند برای نابودسازی فیزیکی UAV استفاده شوند. این پادکارها برای وارد کردن آسیب کافی به پهپاد طراحی شده‌اند تا آن را از کار بیندازند یا منهدم کنند. تسلیحات انفجاری ممکن است ترکش‌هایی تولید کنند که پهپاد را در شعاع اثر مشخصی نابود یا ناتوان می‌کنند.
• سامانه‌های هدایت پرتابه/موشک: روش‌های کشتار سخت اغلب از سامانه‌های هدایت پیشرفته (مانند هدایت راداری یا حرارتی) بهره می‌برند تا دقت اصابت پرتابه‌ها یا موشک‌ها تضمین شود. این سامانه‌های هدایتی امکان ردیابی بلادرنگ UAV را فراهم کرده و هدف‌گیری و انهدام دقیق آن را ممکن می‌سازند.
• برد و محدودیت‌ها: اثربخشی روش‌های سخت به برد موثر پادکار، سرعت و چابکی UAV و دقت سامانه هدف‌گیری بستگی دارد. همچنین توان تخریب (سرجنگی یا خرج) پادکار - چه یک پرتابه باشد چه ماده‌ی انفجاری - تعیین‌کننده‌ی قابلیت آن در خنثی‌سازی انواع مختلف پهپاد است.
• یکپارچه‌سازی با حسگرها: سامانه‌های سخت موثر معمولاً با سامانه‌های حسگری (مانند رادار و حسگرهای الکترواپتیکی) یکپارچه می‌شوند تا قابلیت‌های کشف و ردگیری هدف را ارتقا دهند. پردازش و تحلیل سریع داده‌ها برای اطمینان از واکنش به‌موقع و دقیق به تهدیدهای UAV حیاتی است.
• ملاحظات اخلاقی و قانونی: استفاده از روش‌های سخت با ملاحظات اخلاقی و قانونی همراه است. قواعد درگیری (Rules of Engagement) باید برای کاربرد نیروی کشنده علیه پهپادها تنظیم شود و مواردی نظیر آسیب جانبی احتمالی و پایبندی به قوانین بین‌المللی در نظر گرفته شود.

روش‌های کشتار سخت در مقابله با پهپاد شامل از بین بردن فیزیکی یا وارد کردن آسیب جدی به پرنده‌ی بدون سرنشین است. این هدف می‌تواند از طریق شلیک پرتابه‌ها، به‌کارگیری تسلیحات انرژی هدایت‌شونده یا مواد انفجاری محقق شود که هر یک ملاحظات فنی و محدودیت‌های خود را دارند. روش‌های سخت معمولاً در شرایطی به کار گرفته می‌شوند که دیگر اقدامات متقابل برای خنثی‌سازی تهدید پهپاد کافی نباشند.

۵. جمع‌بندی و نتیجه‌گیری

این پژوهش مرور جامعی بر سامانه‌های ضدپهپاد از دیدگاه تجاری و علمی ارائه داد و مرحله‌های کشف، ردیابی و طبقه‌بندی اهداف و نیز مرحله‌ی خنثی‌سازی را دربر گرفت. نتایج مطالعه نشان می‌دهد که در هر دو حوزه‌ی غیرنظامی و نظامی تهدیدهای فراوانی وجود دارد که لزوم به‌کارگیری سامانه‌های ضدپهپاد را توجیه می‌کند.

در مجموع ۲۷ سیستم تجاری از کشورهای مختلف و با فناوری‌های گوناگون تحلیل شدند. تقریباً همه‌ی آن‌ها برای کشف هواگردهای بدون سرنشین رویکرد چندحسگری دارند و فناوری‌هایی نظیر تحلیل فرکانس رادیویی، حسگرهای صوتی یا رادار را با هم ترکیب می‌کنند. سامانه‌هایی که به بخش غیرنظامی گرایش دارند معمولاً از اقدامات خنثی‌سازی نرم بهره می‌گیرند که عمدتاً بر قطع لینک رادیویی بین هواگرد و ایستگاه کنترل یا اخلال در دریافت سیگنال‌های ناوبری ماهواره‌ای پهپاد متمرکز است. سامانه‌هایی که برای کاربردهای نظامی نیز طراحی شده‌اند علاوه بر روش‌های نرم، قابلیت‌های کشتار سخت از جمله استفاده از پرتابه‌ها یا تسلیحات انرژی هدایت‌شونده را نیز دارا هستند. بررسی سامانه‌های تجاری با یک مرور علمی از وضعیت پژوهش‌های کنونی تکمیل شد. مشاهده شد که فناوری‌های نوپدیدی وجود دارند که هنوز به عرصه‌ی تجاری وارد نشده‌اند. از یک سو، استفاده از حسگرهایی مانند لیدار مطرح است که امکان دستیابی سریع و دقیق به فاصله، سمت (آزی‌موث) و ارتفاع هدف را با وضوح بسیار بالا فراهم می‌کنند. این سیستم‌ها خصوصاً برای کشف، ردیابی و طبقه‌بندی تهدید پهپاد در فواصل کمتر از ۱ کیلومتر بسیار مفید خواهند بود، اگرچه باید نیازهای محاسباتی بالای آن‌ها را نیز مد نظر قرار داد. از سوی دیگر، انتقال به بازار تمامی دانش فعلی توسعه‌یافته در زمینه‌ی هوش مصنوعی و الگوریتم‌ها و کاربرد آن‌ها در حوزه‌ی طبقه‌بندی اهداف نیز حائز اهمیت خواهد بود. این موضوع برای تطبیق اقدامات خنثی‌سازی بر اساس ویژگی‌های تهدید، بسیار کلیدی است.