In recent years, unmanned aerial vehicles (UAV), also called drones, have experienced a rapid increase, which leads to the concern of illegal use of them. Passive RF is one of the effective ways to detect drones by receiving drones’ communication signals. After receiving the signal from drones, one can utilize the prior knowledge of signal characteristics for identifying and locating the drones. The angle of arrival (AoA) measured by multiple passive RF sensors can be used for localization by triangulation. However, the accuracy of the AoA measured by the passive RF sensors is strongly affected by the environment. In particular in urban areas, the multipath effect is prominent due to the building blockage and complicated terrestrial conditions that introduce certain errors to the result. So the service provider of the sensors needs a tool to perform the environment analysis to understand the quality of the service. A fast tool that can simulate the sensor network and surrounding environment can offer a flexible solution to optimize the sensor coverage and indicate the blind zone of detection. Especially when the sensors are deployed on the mobile platform, such tool can significantly improve the defensive quality of the drone detection system by optimizing real-time deployment and indicating low observable areas. In order to plan the sensor locations and assess the performance after the deployment of the sensor at a fast speed, We propose a multipath-based model to calculate the AoA error. The model is able to utilize the input of geometrical information for simulating the AoA error within a region. In this thesis, we investigate the outdoor channel at 2.4GHz using the ray-tracing method as it is the most used channel for UAVs. Massive simulations have been carried out and real test flights have been conducted to evaluate the accuracy of the modeling. Both simulations and test flights are carried out in Kista center where buildings are from high-rises to one-floor houses with various heights. In the simulation, the AoA is obtained by MUltiple SIgnal Classification (MUSIC) algorithm. Test flights are conducted using an existing Software-defined radio (SDR) based RF sensor. We tried our best to carry out the same trajectories in both simulations and test flights to provide fair comparisons. The simulation results show that the multipath model can predict the trend of AoA error when the height changes, while not sufficient to predict the error when the 2D position changes. Thus, to more accurately characterize the signal transmission, it is essential to extend this thesis to include more detailed environmental information and adaption based on measurement. / Under de senaste åren har obemannade flygfarkoster (UAV), även kallade drönare, ökat snabbt, vilket leder till oro för olaglig användning av dem. Passiv RF är ett av de effektiva sätten att upptäcka drönare genom att ta emot drönarnas kommunikationssignaler. Efter att ha tagit emot signalen från drönare kan man använda den tidigare kunskapen om signalegenskaperna för att identifiera och lokalisera drönarna. AoA som mäts av flera passiva RF-sensorer kan användas för lokalisering genom triangulering. Noggrannheten hos AoA som mäts av de passiva RF-sensorerna påverkas dock starkt av miljön. Särskilt i stadsområden är multipath-effekten framträdande på grund av byggnadsblockering och komplicerade markförhållanden som medför vissa fel i resultatet. Därför behöver leverantören av sensorer ett verktyg för att utföra miljöanalysen för att förstå tjänstens kvalitet. Ett snabbt verktyg som kan simulera sensornätverket och den omgivande miljön kan erbjuda en flexibel lösning för att optimera sensortäckningen och ange den blinda zonen för upptäckt. Särskilt när sensorerna placeras på en mobil plattformkan ett sådant verktyg avsevärt förbättra drönardetektionssystemets försvarskvalitet genom att optimera utplaceringen i realtid och ange områden med låg observationsgrad. För att planera sensorernas placering och bedöma prestandan efter att sensorn har placerats ut i snabb takt föreslår vi en multipath-baserad modell för att beräkna AoAfelet. Modellen kan utnyttja inmatningen av geometrisk information för att simulera AoA-felet inom ett område. I denna avhandling undersöker vi utomhuskanalen vid 2:4 GHz med hjälp av raytracing- metoden eftersom det är den mest använda kanalen för UAV:er. Massiva simuleringar har utförts och verkliga testflygningar har genomförts för att utvärdera modelleringens noggrannhet. Både simuleringar och testflygningar har utförts i Kista centrum där byggnaderna är allt från höghus till envåningshus med olika höjd. I simuleringen erhålls AoA med hjälp av MUSIC-algoritmen. Testflygningar genomförs med hjälp av en befintlig SDR-baserad RF-sensor. Vi gjorde vårt bästa för att utföra samma banor i både simuleringar och testflygningar för att ge rättvisa jämförelser. Simuleringsresultaten visar att multipathmodellen kan förutsäga trenden för AoA-felet när höjden ändras, medan den inte är tillräcklig för att förutsäga felet när 2D-positionen ändras. För att mer exakt karakterisera signalöverföringen är det därför viktigt att utöka denna avhandling till att omfatta mer detaljerad miljöinformation och anpassning baserad på mätning.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-319221 |
| Date | January 2022 |
| Creators | Huang, Jie |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2022:261 |
Page generated in 0.0028 seconds