RFUAV: A Benchmark Dataset for Unmanned Aerial Vehicle Detection and Identification

在本文中，我们提出了RFUAV作为一个新的基准数据集，用于基于射频（RF-based）的无人机（UAV）识别，并解决了以下挑战：首先，许多现有的数据集包含的无人机类型有限，原始数据量不足，无法满足实际应用的需求。其次，现有数据集通常缺乏覆盖广泛信噪比（SNR）范围的原始数据，或者没有提供将原始数据转换为不同信噪比水平的工具，这限制了模型训练和评估的有效性。最后，许多现有数据集未提供开放访问的评估工具，导致该领域当前研究缺乏统一的评估标准。 RFUAV数据集包含了从37种不同无人机在真实环境中使用通用软件无线电外设（USRP）设备采集的大约1.3 TB的原始频率数据。通过对RFUAV中的射频数据进行深入分析，我们定义了一种称为射频无人机指纹的无人机特征序列，这有助于区分无人机信号。除了数据集本身，RFUAV还提供了一种基线预处理方法和模型评估工具。严格的实验表明，这些预处理方法在提供的评估工具下达到了最先进的（SOTA）性能。RFUAV数据集及其基线实现已公开发布在 https://github.com/kitoweeknd/RFUAV/。

该论文试图解决当前无人机射频信号识别领域中数据集不足的问题，包括无人机类型多样性有限、信号噪声比（SNR）覆盖范围不足以及缺乏统一的评估工具。这是一个在实际应用中亟需解决的问题。

论文提出了一种新的基准数据集RFUAV，包含约1.3TB的原始射频数据，涵盖了37种不同类型的无人机，并通过USRP设备在真实环境中采集。此外，论文定义了RF无人机指纹特征序列以辅助区分无人机信号，并提供了基线预处理方法和模型评估工具。相比现有研究，RFUAV数据集具有更高的多样性和更广泛的SNR覆盖范围。

论文设计了全面的实验来验证提出的预处理方法的有效性，并证明其在提供的评估工具下达到了SOTA性能。RFUAV数据集及其基线实现已开源至GitHub（https://github.com/kitoweeknd/RFUAV），为未来的研究提供了宝贵的资源。值得进一步研究的方向包括改进无人机指纹提取算法和探索更多实际场景下的应用。

近期相关研究包括：1) 'DroneRadio: A Dataset for RF-Based Drone Detection and Classification' 提供了一个初步的无人机射频数据集；2) 'Deep Learning for RF Signal Classification' 探讨了深度学习在射频信号分类中的应用；3) 'A Survey on UAV Detection Using RF Signals' 对基于射频信号的无人机检测技术进行了综述。这些研究共同推动了无人机射频信号处理领域的进展。