Stav techniky
Nezávislá systematická review 25 peer-reviewed štúdií (2014–2025) o detekcii dronov na letiskách. Porovnanie piatich technológií, implementačné stratégie fúzie, kľúčové medzery výskumu a cesta, ktorou sa DroneEAR AI líši.
Komerčné drony dnes predstavujú vážne riziko pre letiská, kritickú infraštruktúru a verejné podujatia. Regulačné úrady (FAA, ANAC/DECEA) vyhlasujú okolie letísk za bezletové zóny, no existencia pravidiel nestačí — bez schopnosti monitorovať vzdušný priestor v reálnom čase nie je možné ich vymáhať.
Táto stránka sumarizuje zistenia nezávislej systematickej review publikovanej v roku 2025 (Macedo, Caetano & da Costa, Elsevier), ktorá analyzovala 25 peer-reviewed štúdií z rokov 2014–2025. Cieľom je poskytnúť presný obraz o stavu techniky — nie marketing.
Päť detekčných technológií
Každá technológia má svoj profil výhod a obmedzení. Žiadna nie je univerzálna — a práve preto je fúzia jediná cesta k spoľahlivej detekcii.
Akustická detekcia
Mikrofón zachytáva zvukové vlny drona, ktoré sa konvertujú na spektrogram. Model hlbokého učenia následne klasifikuje, či zvuk pochádza z drona. Výhody: nízke náklady (~100–500 USD), pasívna prevádzka, funguje v tme. Obmedzenia: krátky dosah 160–290 m v prostredí s dopravným hlukom, vysoká citlivosť na hluk letiska, náchylnosť na vietor a počasie.
Kamera (počítačové videnie)
Kamery zachytávajú vzdušný priestor, model hlbokého učenia (YOLO, ResNet a ich novšie varianty) identifikuje tvary a charakteristiky dronov. Výhody: vysoká presnosť 75–98 % (mAP@0.5), rýchlosť 20–170 FPS, stredný dosah 1–2 km. Obmedzenia: závislosť od osvetlenia (deň/noc), poveternostné podmienky, potreba priamej viditeľnosti medzi senzorom a dronom.
RF detekcia
Anténa zachytáva rádiové signály z drona a jeho ovládača, model hlbokého učenia rozlišuje dronové signály od ostatných zdrojov v prostredí. Výhody: najvyššia presnosť 90–99 % pre známe protokoly, dlhý dosah (>3 km), funguje bez priamej viditeľnosti, v tme aj v hmle. Obmedzenia: funguje len pre známe protokoly, nedeteguje drony v tichom režime (bez RF komunikácie), pre presnú lokalizáciu na letisku je potrebná hustá senzorová sieť (>20 uzlov).
Radarová detekcia
Radar vysiela rádiové pulzy, ktoré sa odrážajú od drona a vracajú sa ako echo. Výhody: najdlhší dosah 5–10+ km, funguje v každom počasí, priama 3D lokalizácia. Obmedzenia: vysoká cena, >50 % falošných targetov v reálnych testoch na letiskách Frankfurt a Mníchov, problém rozlíšiť dron od vtáka, rušenie v elektromagneticky nasýtenom prostredí letiska.
Multimodálna fúzia
Fúzia viacerých senzorov (RF, akustika, kamera, radar) do jedného korelovaného obrazu. Výhody: najvyššia presnosť (chyba <1,5 % z dosahu), takmer nulové falošné poplachy, redundantnosť — ak jeden senzor zlyhá, ostatné držia kontakt. Obmedzenia: vysoká komplexita integrácie, potreba presnej kalibrácie a časovej synchronizácie, vyššia latencia spracovania.
Implementačné stratégie fúzie
V odbornej literatúre sa rozlišujú tri základné prístupy k fúzii senzorových dát. Líšia sa tým, v ktorej vrstve spracovania sa kombinácia vykonáva.
Včasná fúzia (early fusion)
Kombinuje surové dáta z rôznych senzorov ešte pred samotným spracovaním. Umožňuje komplexnú analýzu a teoreticky najvyššiu presnosť, ale vyžaduje presnú časovú a priestorovú synchronizáciu na úrovni signálu. Náročné na prenos, úložisko a výpočtový výkon.
Neskorá fúzia (late fusion)
Kombinuje výstupy jednotlivých senzorov — teda detekčné udalosti alebo klasifikačné verdikty. Každý senzor spracúva svoje dáta lokálne a do fúznej vrstvy posiela len výsledok. Jednoduchšie na integráciu, menej náročné na prenos, prirodzene rešpektuje heterogénnosť senzorov. Toto je prístup, ktorý používa DroneEAR AI.
Hybridná fúzia
Kombinuje včasnú aj neskorú fúziu — napríklad surové dáta sa predspracujú lokálne a následne sa fúzujú na úrovni eventov s inými senzormi. Najkomplexnejšie riešenie, vhodné pre špecifické aplikácie s vysokými požiadavkami na presnosť.
Porovnanie parametrov
Súhrn typických parametrov podľa review. Hodnoty sa výrazne líšia v závislosti od konkrétneho modelu, prostredia a charakteristík drona.
| Technológia | Presnosť | Dosah | Rýchlosť | Náklady |
|---|---|---|---|---|
| Akustika | 60–92 % (klesá s hlukom a vzdialenosťou) | 160–290 m | Real-time, ~60 FPS | Nízke (~100–500 USD) |
| Kamera (CV) | 75–98 % (mAP@0.5) | 1–2 km, výnimočne do 5 km | 20–170 FPS | Nízke–stredné |
| RF | 90–99 % (len pre známe protokoly) | >3 km | Real-time | Stredné (SDR + antény) |
| Radar | 80–92 % (PD), ale >50 % falošných targetov v reálnych testoch | 5–10+ km | 0,25–0,5 s / update | Vysoké (>100 000 USD) |
| Multimodálna fúzia | Najvyššia — chyba <1,5 % z dosahu | Závisí od kombinácie, typicky do 5 km | Vyššia latencia (fusion) | Variabilné |
Zdroj: Macedo, S. O., Caetano, M., & da Costa, R. M. (2025). Systematic review of drone detection at airports. Elsevier. Hodnoty sú syntetizované z literatúry — reálny výkon v prostredí letiska sa môže výrazne líšiť v dôsledku elektromagnetického rušenia a clutter prostredia.
Kľúčové medzery výskumu
Review identifikovala tri hlavné medzery, ktoré DroneEAR AI priamo adresuje:
1. Chýbajúce robustné fúzne algoritmy s nízkou latenciou
Väčšina štúdií sa zaoberá jednotlivými senzormi. Skutočná fúzia — kde sa vytvára jedna konzistentná stopa z viacerých zdrojov v reálnom čase — je stále otvorený problém. DroneEAR AI stavia presne túto vrstvu: normalizované eventy z heterogénnych senzorov, deterministická korelácia (Tier 1) a lokálny AI naratív (Tier 2).
2. Nedostatok verejných synchronizovaných multimodal datasiet
Bez verejných, veľkých a časovo synchronizovaných datasiet nie je možné porovnávať modely ani trénovať novú generáciu fúznych algoritmov. DroneEAR AI preto pracuje s normalizovanými eventmi, nie surovými dátami — to umožňuje trénovať a merať bez toho, aby bolo nutné zverejňovať citlivé audio alebo RF záznamy.
3. Riziko „function creep" a GDPR
Systémy s kamerami a RF senzormi dokážu bez rozlíšenia zachytávať dáta o verejnosti. Review explicitne varuje pred tým, aby sa bezpečnostný nástroj nestal nástrojom masového sledovania. DroneEAR AI preto spracúva len normalizované detekčné udalosti a všetko beží on-premise, bez ukladania surových audio alebo RF záznamov.
Citácia
Macedo, S. O., Caetano, M., & da Costa, R. M. (2025). Systematic review of drone detection at airports: benefits, limitations and future directions. Elsevier. Článok je dostupný na vyžiadanie.