《Drones》：Node-Availability-Aware Cooperative RF Identification for Low-Altitude UAVs with Distributed Multi-Receiver Sensing
编辑推荐：
本研究针对动态接收机可用性条件下的低空无人机（UAV）协同射频（RF）识别问题展开，该场景中单接收机观测易受空间变异性影响，且分布式感知节点可能变得不可用。首先，研究人员开发了一种事件级协同感知架构，包含三个分布式边缘射频感知节点和一个中心融合服务。统一的事件
本研究针对动态接收机可用性条件下的低空无人机（UAV）协同射频（RF）识别问题展开，该场景中单接收机观测易受空间变异性影响，且分布式感知节点可能变得不可用。首先，研究人员开发了一种事件级协同感知架构，包含三个分布式边缘射频感知节点和一个中心融合服务。统一的事件标识符（event_id）将不同空间位置获取的观测相关联，而二元可用性掩码（availability mask）表示接收机中断、通信超时和采集失败。其次，研究人员提出了一种节点可用性感知的跨接收机融合框架（NAA-CRF）。采用共享MobileNet-1D编码器、接收机位置嵌入（receiver-position embeddings）和可用性掩码跨接收机多头注意力（masked cross-receiver multi-head attention）来学习空间观测的互补表示。训练期间，随机节点丢弃（Random Node Dropout）使模型暴露于不同的可用接收机集合，从而支持三接收机、两接收机或单接收机输入下的事件级推理。在包含720个采集事件的历史三折闭集评估中，随机节点丢弃训练配置在全部三接收机、任意两接收机和任意单接收机条件下分别达到98.19%、95.14%和84.63%的平均事件级识别准确率。该原型还实现了多节点采集、事件聚合、融合推理和在线告警的操作流水线。在单独评估的低带宽边缘特征上传模式中，每轮三接收机通信负载从91.553 MiB降至22.5 KiB，端到端延迟从2226.27 ms降至282.21 ms。上述结果表征了不同接收机输入配置下的识别性能，并证明了在所报告评估条件下分布式感知原型的工程可行性。
论文解读
一、研究背景与问题
随着消费级无人机在航拍、巡检、测绘、应急响应和物流等领域的持续扩展，机场周边、工业园区、校园和重大活动区域对低空目标持续监测、身份识别和事件溯源提出了日益严格的要求。基于视觉的方法易受光照、天气和视距条件影响；声学方法在复杂城市噪声中作用距离有限；雷达系统硬件成本较高且部署门槛较大。被动射频感知通过接收无人机遥控、遥测或图传链路产生的电磁发射来识别目标，由于不主动辐射能量且不受可见光条件限制，非常适合低成本、长期运行的低空监测系统。
已有研究表明，利用软件无线电（SDR）采集的无人机射频信号，结合时频表示、功率谱或从原始I/Q样本中学习的深度特征，可以支持无人机检测、型号分类和个体设备区分。然而，现有方法大多针对单接收机或固定输入配置。在实际低空场景中，射频识别性能不仅取决于发射机特有特征，还受传播距离、天线朝向、建筑遮挡、多径效应和局部同频干扰影响。同一无人机事件在不同空间接收机位置上的信号强度、频谱形态和可区分性可能存在显著差异，固定单接收机可能因局部观测不足而导致识别性能不稳定。分布式多接收机感知可以利用空间多样性获得互补观测，但关键挑战不仅在于增加接收机数量，更在于接收机可用性动态变化条件下形成稳定的事件级决策。
此外，分布式感知系统中可用接收机集合并非固定不变。接收机中断、网络超时、采集失败或维护可能导致从完整多接收机运行过渡到部分接收机丢失或单接收机回退。仅以完整接收机拓扑训练会造成训练与推理之间的失配。传统决策级融合通过多数投票、概率平均、乘积规则或置信度加权来聚合独立估计的接收机后验概率，虽然实现简单，但无法显式建模接收机特征间的互补关系。多接收机射频系统还面临通信和处理开销问题，当多个接收机持续返回完整complex64 I/Q文件时，数据吞吐量和缓冲压力随采样率、采集时长和接收机数量近似线性增长，不利于低成本局域网上连续监测和实时告警。
二、研究内容与结论
针对上述挑战，本研究开发了一套事件对齐的分布式多接收机射频感知系统，并提出节点可用性感知跨接收机融合（NAA-CRF）框架。在三接收机原型中，该框架实例化为TriNode-MobileAttnNet。共享轻量I/Q编码器采用MobileNet设计原则生成跨接收机可比较的表示；跨接收机多头注意力建模空间观测间的交互；随机节点丢弃在训练中使单一模型暴露于不同接收机可用性模式，支持三接收机、两接收机或单接收机可用条件下的推理。
研究得出以下主要结论：在历史三折闭集评估中，随机节点丢弃训练配置在全部三接收机、任意两接收机和任意单接收机条件下分别达到98.19%、95.14%和84.63%的平均事件级识别准确率。在单独评估的边缘特征上传模式中，三接收机每轮通信负载从91.553 MiB降至22.5 KiB，端到端延迟从2226.27 ms降至282.21 ms。该研究的意义在于：接收机可用性感知融合为完整和降级接收机子集提供了统一推理接口，支持接收节点不可用时无人机射频监测的连续性；低带宽边缘特征上传模式展示了分布式感知在低带宽条件下的工程可行性。
三、关键技术方法
研究人员主要采用了以下几项关键技术方法：事件级多接收机关联与可用性管理机制，通过统一事件标识符（event_id）关联不同空间位置的观测，并以二元可用性掩码表示接收机状态；共享参数MobileNet-1D I/Q编码器，采用倒残差和深度可分离卷积设计，使不同接收机的输出位于共同表示空间；接收机位置嵌入与可用性掩码跨接收机多头注意力机制，沿接收机维度建模空间观测间的互补信息交互；随机节点丢弃动态拓扑增强训练策略，使模型在训练中暴露于不同非空接收机子集；三阶段级联分类架构，依次区分背景/无人机、Phantom 3/Spark系列、Spark(1)/Spark(2)。数据集为自采真实多接收机无人机射频数据集，包含4类共720个三接收机采集事件和2160个节点级原始I/Q文件。
四、研究结果
融合系统配置比较。 在相同原始I/Q输入、MobileNet-1D编码器、三阶段级联任务和事件级决策方案下，掩码跨接收机注意力在三接收机条件下达到98.47%±1.05%的准确率和Macro-F1，超过最强传统基线（特征拼接+MLP）17.36和19.86个百分点；任意两接收机条件下达到87.04%±2.99%准确率，超过特征拼接+MLP 9.35个百分点。单接收机条件下该配置低于部分单接收机基线，表明多接收机增益不能简单推广至单接收机运行。
接收机编码器比较。 在统一拓扑暴露编码器比较协议下，TriNode-MobileAttnNet在各接收机集合规模下均取得最高平均识别准确率。三接收机条件下准确率和Macro-F1达98.89%±0.64%和98.88%±0.64%，超过最强竞争编码器（ResNet-1D+注意力）4.03和4.22个百分点；任意两接收机条件下达96.25%±1.05%和96.26%±1.01%；单接收机条件下降至78.84%±10.75%和78.25%±10.91%，标准偏差增大与对特定保留接收机及其观测条件的敏感性增加一致。
接收机子集分析与空间观测多样性。 三接收机组合提供最高识别准确率。三种两接收机组合均达到至少94.72%准确率，其中节点1+节点2达97.64%，仅比完整输入低1.25个百分点。单接收机性能差异较大：节点3达82.36%±13.59%，节点2为74.03%±14.56%，相差8.33个百分点。混淆矩阵显示，随着可用接收机数量减少，背景、Phantom 3和两台Spark设备之间的混淆增加，单输入条件下同型号Spark设备与背景之间的误分类对保留接收机尤为敏感。
融合消融与动态拓扑增强。 动态拓扑暴露实验表明，结合跨接收机注意力和动态拓扑暴露的配置在三、两、单接收机条件下均获得更高的事件级准确率和Macro-F1；仅以完整三接收机拓扑训练时，三、两、单接收机准确率分别为93.47%、82.50%和61.16%。细粒度融合消融显示，注意力变体在多数条件下优于掩码均值池化；接收机位置嵌入并非在所有接收机集合规模下均产生一致正向增益；可用性掩码的贡献具有拓扑依赖性，提供对缺失输入在注意力键值及后续池化中的明确处理，但不应解释为普遍提升识别准确率。
拓扑训练策略分析。 历史三接收机准确率在三种训练配置间介于98.19%和98.33%。随机节点丢弃在任意两接收机和任意单接收机条件下分别记录95.14%±2.79%和84.63%±9.07%，完整拓扑仅训练配置分别为89.58%±2.17%和61.34%±13.73%，穷举RTA配置分别为89.21%±3.53%和69.12%±12.16%。由于各配置的有效样本重复预算未完全匹配，该比较为描述性而非受控排序。
在线接收机损坏下的性能。 当一台接收机被AWGN降至20或10 dB SNR时，TriNode-MobileAttnNet取得最高平均性能，准确率为98.89%±0.55%和98.38%±0.67%。当受损接收机达0 dB SNR时，准确率降至73.10%±16.03%，Macro-F1降至66.72%±20.68%。该实验表征了损坏在线输入下的鲁棒性边界，区分了接收机丢失适应与损坏抑制。
模型复杂度与推理效率。 完整三阶段TriNode-MobileAttnNet级联含474.8千参数，检查点存储1.95 MiB。相对ResNet-1D+注意力，参数量和检查点大小分别减少42.35%和40.00%；相对Patch-Transformer-1D+注意力分别减少53.33%和50.51%。其主要优势并非绝对最低推理延迟，而是模型规模与事件级识别性能的良好平衡。
通信开销与在线闭环验证。 中心服务从收到完整事件到产生融合结果的实测处理延迟为25.50 ms。边缘特征传输将三接收机每轮负载从91.553 MiB降至22.5 KiB（约99.98%），上传时间从2209.683 ms降至25.296 ms（约98.86%），端到端延迟从2226.267 ms降至282.210 ms（约87.32%）。Qt在线界面和事件关联频谱展示了多接收机射频协同感知原型的实际工作流程。
五、讨论与结论
讨论部分指出，接收机丢失与接收机在线但严重损坏是不同的问题，后者通过受控降级实验分析。当在线接收机标记为可用但观测严重损坏时，其表示仍影响注意力键值并可能损害融合决策。除随机噪声外，有意干扰、信号重放和欺骗可能扭曲射频观测并导致错误分类，评估这些效应需要专门的干扰和威胁模型，将在未来研究中考虑。
本研究开发了节点可用性感知的多接收机协同射频识别方法和感知原型，用于低空无人机监测。统一event_id将空间分布的接收机观测关联为共同采集事件，有效接收机集合和二元可用性掩码表示中断、超时和采集失败。TriNode-MobileAttnNet集成共享MobileNet-1D I/Q编码、接收机槽嵌入和掩码跨接收机注意力。在所报告的闭集评估条件下，随机节点丢弃训练的模型在三、任意两、任意单接收机输入下分别达到98.19%、95.14%和84.63%的平均识别准确率。原型实现了从分布式射频采集和事件聚合到融合推理、Qt告警和事件记录的闭环流水线。未来工作将聚焦可靠性估计、动态软掩码、更大规模异构接收机部署和边缘-中心拆分推理，并考虑扩展到更多无人机类别、纳入未知发射机拒绝机制以及在受控传播和距离条件下表征运行高度范围。
