Tracking of UAVs using Kalman Filters and Deep Learning

Abstract

[EN] Unmanned Aerial Vehicles (UAVs) have become increasingly available and capable. They are now used for a large variety of purposes, such as surveillance, monitoring dangerous environments, cargo delivery, filming, search and rescue, and many more. Tracking UAVs has become a crucial task to address the growing utilization of UAVs for malicious and criminal schemes and security threats and vulnerabilities. In this work, we present two different approaches for UAV tracking, one based on the widely used Kalman Filters (KF) for extracting information from noisy samples and the other based on Deep Learning algorithms. We aim to compare the performance of these two contrasting techniques, the white-box model of KF that employs the dynamic model equations of the UAV and a black-box model implemented with Neural Networks. For the experimental evaluation, we used a dataset provided by the NATO agency that contains a mixture of data from radar and radio direction finding sensors. The results from that experimental evaluation show that both of the considered types of models are able to provide good performance for this specific problem. Moreover, a comparative study of their performance is carried out in order to discern the characteristics associated with the behavior of each model.

[ES] Los vehículos aéreos no tripulados (UAVs) están cada vez más disponibles y son más capaces, utilizándose para una gran variedad de propósitos, como la vigilancia, la supervisión de entornos peligrosos, la entrega de carga, la grabación, la búsqueda y rescate, y muchos más. El seguimiento de los vehículos aéreos no tripulados se ha convertido en una tarea crucial para hacer frente a la creciente utilización de este tipo de vehículos para planes maliciosos y delictivos, así como para amenazas y vulnerabilidades de seguridad. En este trabajo, presentamos dos enfoques diferentes para el seguimiento de UAV, uno basado en los ampliamente utilizados Filtros de Kalman (KF) para extraer información de muestras ruidosas y el otro basado en algoritmos de Aprendizaje Profundo. Nuestro objetivo es comparar el rendimiento de estas dos técnicas contrapuestas, el modelo de caja blanca de KF que emplea las ecuaciones del modelo dinámico del UAV y un modelo de caja negra implementado con redes neuronales. Para la evaluación experimental, utilizamos un dataset proporcionado por la OTAN que contiene una combinación de datos de sensores de radar y de sensores de búsqueda por radio dirección. Los resultados de esa evaluación experimental muestran que ambos tipos de modelos considerados son capaces de proporcionar un buen rendimiento para este problema específico. Además, se realiza un estudio comparativo de su rendimiento para discernir las características asociadas al comportamiento de cada modelo.

[CA] Els vehicles aeris no tripulats (UAVs) estan cada vegada més disponibles i són més capaços, utilitzant-se per a una gran varietat de propòsits, com la vigilància, la supervisió d’entorns perillosos, el lliurament de càrrega, l’enregistrament, la cerca i rescat, i molts més. El seguiment dels vehicles aeris no tripulats s’ha convertit en una tasca crucial per a fer front a la creixent utilització d’aquesta mena de vehicles per a plans maliciosos i delictius, així com per a amenaces i vulnerabilitats de seguretat. En aquest treball, presentem dos enfocaments diferents per al seguiment d’UAV, un basat en els àmpliament utilitzats Filtres de Kalman (KF) per a extraure informació de mostres sorolloses i l’altre basat en algorismes d’Aprenentatge Profund. El nostre objectiu és comparar el rendiment d’aquestes dues tècniques contraposades, el model de caixa blanca de KF que empra les equacions del model dinàmic de l’UAV i un model de caixa negra implementat amb xarxes neuronals. Per a l’avaluació experimental, utilitzem un dataset proporcionat per l’OTAN que conté una combinació de dades de sensors de radar i de sensors de cerca per ràdio direcció. Els resultats d’aqueixa avaluació experimental mostren que tots dos tipus de models considerats són capaços de proporcionar un bon rendiment per a aquest problema específic. A més, es realitza un estudi comparatiu del seu rendiment per a discernir les característiques associades al comportament de cada model.