声学无人机包裹投送检测

监狱、机场等禁飞区里，用无人机向场内投送手机、武器、毒品等违禁品，已是当局公开记录的安全难题。材料指出，围绕无人机检测与定位的研究数量众多，但「投送事件究竟发生在哪一刻」几乎没有得到专门处理。这份来自 Université de Sherbrooke 电气与计算机工程系的研究，作者称提出了首个使用地面麦克风阵列的声学包裹投送检测算法。它值得现在看，是因为当法律禁止射频干扰或拦截无人机时，执法方主要依靠多模态探测系统发现入侵、并最终找回被丢进场区内的包裹——「何时落下」正是找回环节里缺失的那一环。

方法上，作者进行了多次试飞，同时采集机上音频与地面站音频，并记录 GPS 坐标、电机 PWM 控制信号等遥测数据。音频片段与遥测数据配对，用于训练一个监督式卷积循环神经网络（CRNN），输出无人机活动状态与各电机的叶片通过频率（BPF）。BPF 由叶片数乘以电机轴转速（转/秒）定义，螺旋桨噪声的基频与谐波都由它刻画。检测阶段，深度神经网络从梅尔频谱图判断无人机是否存在并估计 BPF，随后算法观察 BPF 在某一时刻前后的突变，据此推断可能的投送时刻。换句话说，整条链路只使用声学特征，既不需要解密通信，也不依赖无人机主动上报状态。

性能上的两个基础数字是：当无人机距麦克风阵列小于 150 米时，BPF 估计器的平均绝对误差为 16 Hz；无人机存在检测的准确率为 97%。这两个指标支撑着后续事件判断的前提——要识别「投送时刻」，先得稳定跟踪转速的变化。作者也把这项工作放进了已有声学研究的谱系中：早期基于 DJI Phantom 2 录音的载荷有无分类，用 CNN 处理 5 至 16 秒的长音频，准确率超过 99%，但局限于特定机型且忽略麦克风与无人机的距离；后续深度网络与经典机器学习模型在载荷分类和检测上同样接近 99%，数据却只覆盖一两种机型、录音距离不超过 15 米。

投送检测本身的成绩是：算法正确识别 96% 的事件，误报率 8%；作者据此总结，声学信号可在最远 100 米范围内辨别投送。这个距离边界与更早的声学探测结果相互印证——Ibrahim 与 Doster 等人的工作显示低成本麦克风能收听到 100 米外的无人机声音，MFCC 加 SVM 可达 99%，但准确率随距离下降，在 100 米处降至 70%，风噪超过 54 dB 时预测明显受扰。另有一项覆盖 11 种机型、距离达 100 米的研究，用 1 秒梅尔频谱图加 RNN 取得 98% 准确率。这意味着，本研究报告的 100 米并非孤立数字，而是当前声学路线大致的有效半径。

这些结论的实践含义可以这样解读：把「投送」当成一个可被声学捕捉的事件，补上了从「发现无人机」到「找到包裹」之间的一段空白；而只依赖声学，使它对加密通信或预编程自主飞行的无人机同样成立——恰恰是射频监听失效的场景。麦克风阵列成本低、能定位声源，但作用距离有限、对噪声敏感，所以更现实的定位是作为多模态系统里的一路补充，而非替代雷达或摄像头。100 米的工作范围也直接提示部署方式：要在关键区域周边形成有效覆盖，阵列的布点位置需要认真规划。

从事反无人机、周界安防、声学信号处理与嵌入式感知的研究和工程读者，可以从这份资料里拿到一套清晰的问题设定——用 BPF 轨迹的突变来定义事件，而不是直接做端到端的事件分类——以及一组可对照的性能基线：16 Hz、97%、96% 与 8%、100 米。边界也需要说清楚：所给材料只包含摘要与引言，实验细节、机型覆盖、数据规模，以及结论部分提到的局限性都未展开；96% 与 8% 是在作者自采数据上得到的，跨场景泛化能力在材料中没有依据。前人工作已反复显示距离与风噪会明显削弱声学准确率，这一约束同样适用于投送检测。

Acoustic Drone Package Delivery Detection François Marcoux and François Grondin Abstract—In recent years, the illicit use of un- manned aerial vehicles (UAVs) for deliveries in re- stricted area such as prisons became a significant security challenge. While numerous studies have fo- cused on UAV detection or localization, little atten- tion has been given to delivery events identification. This study presents the first acoustic package deliv- ery detection algorithm using a ground-based micro- phone array. The proposed method estimates both the drone’s propeller speed and the delivery event using solely acoustic features. A deep neural network detects the presence of a drone and estimates the propeller’s rotation speed or blade passing frequency (BPF) from a mel spectrogram. The algorithm ana- lyzes the BPFs to identify probable delivery moments