드론의 활용도가 증가함에 따라 사건 및 사고 발생 빈도도 증가하고 있다. 이에 따라 사전에 사건 및 사고를 방지하기 위해 영상, 음향 및 전파를 활용한 드론 검출 및 식별 연구가 진행되고 있다. 레이더를 사용하여 드론의 기종을 구분하는 드론 식별 문제에서는 드론별로 서로 다른 미세 도플러 특징 (MDS: Micro Doppler Signature)을 가지고 있다는 점을 활용하여 기종을 식별할 수 있다. 또한, 무선 주파수 (RF: Radio Frequency) 수신기를 사용하여 드론과 조종기 사이에서 통신하는 신호를 수신하고, 기종별로 다른 주파수 영역 특성을 활용하여 기종을 식별하기도 한다. 그러나 레이더는 거리가 멀어질수록 수신 신호가 약해지는 단점이 있으며, RF 수신기는 통신방식이 동일한 두 개 이상의 기종들의 주파수 영역 특징이 같으면 기종을 구분하기 어렵다는 단점이 있다.
따라서, 본 논문에서는 FMCW (Frequency Modulated Continuous Wave) 레이더, CW (Continuous Wave) 레이더 및 RF 수신기의 출력에서 추출된 드론의 특징을 신호처리를 통해 융합하여 각 센서의 장점을 최대한 활용하고 단점을 최소화하는 센서 융합 기법과 알고리즘을 제안한다. 본 논문에서는 센서 융합 기법으로 각 센서의 수신 결과를 신호 처리하여 하나의 이미지로 만들어 단일 기계학습 판별기를 이용하여 판별하는 특징 기반 융합 (Feature Level Fusion)과 센서 별 기계학습 분류기 출력의 신뢰도 점수를 적절히 결합하여 최종 판별하는 점수 기반 융합 (Score Level Fusion)방식을 제안하였다. 특징기반 융합 방식으로는 이미지의 영역을 센서 수만큼의 세부 영역으로 나누어 각 센서 이미지를 하나의 이미지에 통합하여 CNN (Convolutional Neural Network) 입력 이미지를 생성하는 "Crop Fusion" 기법과 각 센서 출력 이미지를 Red, Green, Blue 채널에 각각 대응시키는 "RGB Fusion"이 있다. 점수 기반 융합 기법으로는 각 센서의 정확도 출력값을 결합하여 기종 식별 최종 신뢰도를 계산하는 기법으로 타 응용 분야에서 활용되던 "Average", "Product", "Maximum" 및 "Bayes" 기법을 드론 분류 문제에 새롭게 적용하여 성능을 비교하였다. 더 나아가, 거리 별로 가장 좋은 점수 기반 융합 방법을 골라 적용하는“Selection Fusion” 방식을 제안했다.
추가로 RF 수신기의 경우 장거리에서도 특정 기종 분류 성능이 우수한 장점을 활용하여, RF 수신기로 1차 분류를 수행한 후 RF 스펙트럼 특성이 동일한 드론 기종만 타 센서를 활용하여 2차 분류를 수행하는 2단 식별 기법 (Two-Step Algorithm)을 제안하고 성능 향상을 확인하였다.
본 논문은 3종류의 드론과 드론이 아닌 물체를 대상으로 기종 식별의 모의실험을 진행했다. 30m 거리를 기준으로, 다중 센서 융합 기반 기종 식별 정확도는 단일 센서에 비해 30%p 이상 증가했다. Feature Level Fusion (이하 FLF)과 Score Level Fusion (이하 SLF)의 거리 별 기종 식별 정확도는 비슷했지만, 비용 측면에서 FLF이 우위를 점했다. 또한, Selection Fusion방식은 SLF 기법을 단일로 적용하는 것 보다 높은 기종 식별 정확도를 보였다. 본 논문에서 제안하는 "Two-Step Algorithm"은 "One-Step Algorithm"에 비해 약 25%p의 기종 식별 정확도 향상을 보였다. 또한, Two-Step Algorithm의 경우 SLF의 Bayes 기법이 FLF보다 전반적인 거리에서 높은 기종 식별 정확도를 가졌다.

With the increasing utilization of drones, the frequency of incidents and accidents is also on the rise. To prevent such incidents and accidents in advance, research is being conducted on drone detection and identification using video, audio, and radio wave-based methods. In the problem of drone identification using radar to distinguish between drone models, each drone has its unique Micro Doppler Signature (MDS), which can be utilized to identify the model. Additionally, wireless radio frequency (RF) receivers can be used to capture signals transmitted between drones and their controllers, leveraging the frequency domain characteristics specific to each drone model for identification. However, radar has the drawback of weak signal reception as the distance increases, and RF receivers face difficulties in distinguishing between different models if multiple models share the same communication frequency.

Therefore, this paper proposes a sensor fusion technique and algorithm that combines the advantages of FMCW (Frequency Modulated Continuous Wave) radar, CW (Continuous Wave) radar, and RF receivers while minimizing their limitations. As a sensor fusion technique, the received results from each sensor are processed to create a single image, which is then classified using a single machine learning discriminator. Two fusion methods are proposed: feature-level fusion, where the sensor images are divided into sub-regions corresponding to the number of sensors and integrated into a single image using techniques like "Crop Fusion" and "RGB Fusion," and score-level fusion, where the reliability scores of the machine learning classifiers for each sensor''s output are appropriately combined to make the final decision. Score-level fusion techniques such as "Average," "Product," "Maximum," and "Bayes" are adapted from other application domains and applied to drone classification to compare their performance. Furthermore, a "Selection Fusion" approach is proposed, which selects the best score-level fusion method based on the distance.

Additionally, taking advantage of the RF receiver''s superior classification performance for long distances, a two-step identification technique called the "Two-Step Algorithm" is proposed. It performs the first classification using the RF receiver and then utilizes other sensors for secondary classification on drones with similar RF spectrum characteristics. The performance improvement of this two-step approach is demonstrated.

The paper presents simulation experiments on three types of drones and non-drone objects for model identification. The multi-sensor fusion-based drone model identification accuracy increased by over 30% compared to single-sensor approaches, with both feature-level fusion (FLF) and score-level fusion (SLF) achieving similar identification accuracy. However, FLF showed superiority in terms of cost. Additionally, the Selection Fusion approach outperformed the single application of SLF, demonstrating higher model identification accuracy. The proposed Two-Step Algorithm achieved approximately 25% improvement in model identification accuracy compared to the One-Step Algorithm. Furthermore, in the Two-Step Algorithm, the Bayes method of SLF exhibited higher model identification accuracy overall, compared to FLF.