UAV Cooperative Anti-Jamming System: Arkitekturer, Algoritmer og Nøgletal

Et UAV cooperative anti-jamming system lader flere droner dele opfattelsen af det elektromagnetiske miljø og i fællesskab vælge kanaler, effekt og ruter. Her gennemgår jeg arkitekturer, algoritmer og de nøgletal, der afgør, om sværmen holder forbindelsen.

Hvad er et UAV cooperative anti-jamming system?

Et UAV cooperative anti-jamming system er egentlig en droneflok, hvor man har droppet ideen om, at hver drone klarer sig selv. I stedet deler de målinger af støj, interferens og signalstyrke med hinanden og koordinerer forsvaret af både kommunikations- og GNSS-links på tværs af hele formationen. Det betyder, at de sammen kan beslutte, hvilke kanaler der skal bruges, hvor meget effekt der skal sendes med, og hvordan dronerne bedst placerer sig. Fordelen er ret tydelig: en jammer rammer sjældent alle droner lige hårdt på samme tid, så når de spiller sammen, står systemet markant stærkere, end hvis hver drone kæmpede alene.

Begrebet favner bredt: agentbaserede beslutningsrammer, spilteori, reinforcement learning og hardwarebaserede anti-jam-modtagere hører alle under paraplyen. Et survey om agentbaserede anti-jamming-teknikker (arXiv 2508.11687v1, offentliggjort 11. august 2025) peger da også på, at det netop er samspillet mellem distribueret beslutningstagning og adaptiv hardware, der udgør kernen i nyere forskning. Trusselsbilledet er tilsvarende bredt — fra RF-jamming i 900 MHz-, 2,4 GHz-, 5,8 GHz- og 4G/5G-båndene til GPS-jamming og spoofing, og oveni det den interne gensidige interferens, der kan opstå i selve sværmen.

Hvordan virker en UAV cooperative anti-jamming-løsning i praksis?

Flere UAV'er kan altså dele deres opfattelse af det elektromagnetiske miljø og i fællesskab beslutte, hvilke kanaler, hvilken effekt eller hvilke trajektorier der skal bruges. Agentbaserede designs bygger typisk på en Perception-Decision-Action-sløjfe, hvor beslutningslaget trækker på opfattet information, dronens egen status og selve missionens mål, før der handles. Spilteori bruges til at modellere konfrontationen mellem UAV'er og jammeren, mens reinforcement learning hjælper med at udlede adaptive strategier. På den måde kan sværmen undgå eller afbøde jamming samlet set i stedet for at hver enkelt drone skal klare det alene.

Et resultat, der er værd at hæfte sig ved, kommer fra den lokale altruistiske spiltilgang: Ifølge alphaXiv (2021) løftede den anti-jamming-ydeevnen med cirka 64 % sammenlignet med eksisterende algoritmer. R Wangs kooperative multi-UAV-skema til dynamisk anti-jamming fra 2022 viste både lavere gennemsnitlig pakketab (PLR) og bedre modstandskraft mod jamming end tidligere metoder. Og G Zhangs multi-user collaborative jamming deception fra 2026 nåede i simuleringerne tæt på den teoretiske øvre grænse og klarede sig markant bedre end de andre metoder. Det fælles træk er, at gevinsten først rigtig viser sig, når dronerne deler information med hinanden i stedet for at optimere hver for sig.

GNSS-delen er faktisk værd at holde ekstra øje med. Signalerne fra GNSS ligger nemlig ofte under støjgulvet, når de når ned til jordoverfladen – og det gør dem sårbare, både over for jamming og spoofing. Når flere UAV'er samarbejder om GNSS-anti-jamming, udnytter de frekvensomdannelse og videresendelse til at gå uden om selve GNSS-navigationsbåndet. På den måde kan signalerne aggregeres, og man får samtidig flere rumlige frihedsgrader (Degrees of Freedom, DoFs), som kan bruges til at undertrykke forstyrrelserne.

Hvordan driver Perception-Decision-Action-sløjfen anti-jamming-agenter?

Den agentbaserede tilgang er bygget op omkring en lukket sløjfe: opfattelse, beslutning og handling. I opfattelseslaget samles spektrumdata, signal-til-støj-forhold og agentens egen positionsstatus, og herefter sendes informationen videre. Beslutningslaget tager disse input og holder dem op mod missionens mål — det er her, valget af kanal, effekt eller rute falder. Når beslutningen er truffet, eksekverer handlingslaget den, og resultatet føres tilbage i sløjfen. På den måde kan agenten hele tiden justere sig selv og tilpasse sig nye forhold undervejs.

Det er netop denne løbende tilpasning, der sætter systemet i stand til at håndtere intelligente jammere. For jammere i dag er ikke bare statiske støjkilder – de lærer dronernes kommunikationsmønstre og flyveprofiler at kende og skruer løbende på deres strategi for at ramme dem så præcist som muligt. Her kommer traditionelle anti-jamming-metoder til kort. Når de hviler på foruddefinerede regler eller simple parameterjusteringer, kan de ikke følge med i højdynamiske scenarier, hvor informationen samtidig er ufuldstændig. Derfor er P-D-A-arkitekturen (Perception-Decision-Action) efterhånden blevet en fælles referenceramme i litteraturen, og den dukker blandt andet op hos forskere fra Beihang University og Northeastern University.

Hvilke algoritmer bruges til multi-UAV anti-jamming?

De tilgange, man oftest støder på, spænder vidt: Stackelberg-spil og lokale altruistiske spil bruges til at vælge kanaler, mens Dec-POMDP'er (decentraliserede delvist observerbare Markov-beslutningsprocesser) danner rammen om beslutningerne. Derudover ser man uafhængig Q-learning i form af den missionsdrevne MD-QL-algoritme, hierarkisk DQN kombineret med federated learning samt reinforcement learning, der optimerer UAV'ers relæpolitikker. Det, de alle har til fælles, er kravet om at køre distribueret – ingen enkelt drone sidder nemlig med det fulde billede.

Til kooperative skemaer peger forskningen typisk på en ret fast opskrift: modellér problemet som en Dec-POMDP, design distribuerede algoritmer, find Stackelberg-ligevægten, og analysér konvergensen samt hvordan sendeeffekten spiller ind. Men det er netop her, fælderne gemmer sig – for konvergenshastighed og kommunikationsoverhead kan hurtigt æde den teoretiske gevinst, man troede, man havde i hånden. Erfaringen fra praksis siger da også, at man bør teste algoritmen under realistisk støj, før man begynder at regne med de pæne simuleringsresultater.

Anti-jamming-stideplanlægning er en nært beslægtet disciplin, hvor dronerne selv tager ansvar for at flytte sig rundt for at få data igennem, selv når byens gader og bygninger gør det svært. En artikel om emnet fra 11. december 2025 viser, hvordan man kan bruge positionering aktivt som et våben mod jamming – ikke bare som en måde at undvige den på. Det lyder måske ligetil, men det forudsætter, at sværmen har et fælles billede af, hvor forstyrrelserne faktisk kommer fra.

GNSS anti-jamming til UAV'er: frekvensdomæne og relæ

GNSS-anti-jamming via multi-UAV-samarbejde udnytter frekvensomdannelse og videresendelse til at flytte signalet uden om det jammede navigationsbånd. Dermed kan signalet aggregeres på tværs af droner, og sværmen får flere rumlige frihedsgrader til at danne nuller mod jammeren. Det er en arkitektur, der er særligt relevant i bymiljøer og grænseområder, hvor jammere ofte optræder i flok.

På hardwaresiden bruger anti-jamming-enheder CRPA (Controlled Reception Pattern Antenna) til at styre nuller mod jammere, DSP-filtre til at undertrykke uønskede bånd, sensorfusion med INS, adaptive nulling-algoritmer og multi-konstellation, multi-bånd-drift. Et eksempel er Bavovna hybrid INS, som rapporterer en gennemsnitlig nøjagtighed på 98 % selv på komplekse trajektorier. Fiberoptisk tethering holder samtidig droner fysisk forbundet med operatører gennem lette optiske kabler, hvilket fjerner radiobaseret jamming helt fra ligningen.

Trusselsbilledet er blevet skarpere. Ifølge European Union Aviation Safety Agency er GNSS-jamming og spoofing steget i det østlige Middelhav, Østersøen og Arktis siden Ruslands invasion af Ukraine. Drone-jamming er også stigende langs den amerikansk-mexicanske grænse, hvor narkotikasmuglere bruger jammere mod grænseovervågningsdroner. En jammer kan koste et par hundrede dollars, hvilket gør truslen billig at udføre og dyr at forsvare sig imod.

Nøglespecifikationer: J/S-forhold, nuller, bånd og SWaP

Når man vurderer anti-jamming-enheder, er der nogle få parametre, der betyder langt mere end resten. J/S-forholdet angiver, hvor meget jammereffekt enheden kan overleve i forhold til det ønskede signal. Antallet af nuller viser, hvor mange samtidige jammere antennen kan undertrykke. Bånddækningen afgør, om GPS, Galileo, BeiDou og GLONASS er understøttet. Og SWaP – størrelse, vægt og effektforbrug – afgør, om modulet overhovedet kan bæres af en lille drone.

Tabellen viser, at der er et tydeligt spænd mellem lette kommercielle moduler og forsvarsklasseløsninger. Topmoderne systemer overlever +40 dB J/S, mens kompakte CRPA'er typisk kun kan undertrykke 1-3 samtidige jammere. Små UAV-moduler ligger normalt under 200 g og 3 W, hvilket er den praktiske grænse for, hvad en mindre drone kan løfte uden at gå på kompromis med flyvetiden.

Afvejninger: bredbånds- vs. smalbåndsjamming og spoofing

Bredbåndsjamming oversvømmer luftrummet med høj elektromagnetisk støj og rammer bredt, men med mere collateral impact. Smalbåndsjamming målretter specifikke frekvenser med færre sideeffekter og er derfor sværere at opdage, men også lettere at filtrere væk med DSP-filtre. Valget af modforanstaltning afhænger derfor af, hvilken type trussel man står over for.

GPS-spoofing vildleder systemerne om deres faktiske position, mens GPS-jamming overvælder modtageren og får positionsdata til at forsvinde. Det er to forskellige problemer, der kræver forskellige forsvar: spoofing kræver autentificering og sensorfusion med INS, mens jamming kræver adaptive nuller og båndstyring. Lette kommercielle droner har brug for kompakte lav-effekt-moduler, mens forsvarsklasse-UAV'er har brug for multi-bånds, multi-nul beskyttelse. Højklasse-enheder kan desuden være omfattet af ITAR/EAR-eksportrestriktioner, hvilket er en praktisk begrænsning, man skal tjekke tidligt i et indkøbsforløb.

Sådan vælger du den rigtige løsning: trin og praksis

Første skridt er at vurdere driftsmiljøet: by eller land, nær lufthavne, grænseområder eller militære zoner. Det afgør, hvilke jammerbånd og hvilken effektklasse der er relevante. Andet skridt er at se på missionens varighed, for effektforbrug og varmestyring bliver ofte den begrænsende faktor i praksis. Tredje skridt er at vurdere integrationskompleksiteten: plug-and-play eller OEM-modul, og om det passer til eksisterende flight controllere og GNSS-modtagere.

Fjerde skridt er budget og eksportbegrænsninger, hvor højklasse-enheder hurtigt kan blive både dyre og juridisk besværlige. Femte skridt gælder de kooperative skemaer: modellér som Dec-POMDP, design distribuerede algoritmer, find Stackelberg-ligevægten og analysér konvergens samt effekten af sendeeffekt. Det er også værd at huske, at jammere er ulovlige at betjene i Australien på grund af risikoen for den offentlige sikkerhed, mens anti-jamming-systemer er lovlige og nødvendige.

Endelig bør man ikke glemme de naturlige fejlkilder. GNSS/GPS-signaler forringes også af naturlig magnetisk interferens, komplekst geologisk terræn, højhuse i byer og emissioner fra andet udstyr. Et robust system skal derfor kunne skelne mellem tilsigtet jamming og miljømæssig støj, ellers risikerer man at reagere forkert på uskyldige forstyrrelser.

Risici, compliance og begrænsninger

Den største begrænsning er, at traditionelle anti-jamming-metoder, der hviler på foruddefinerede regler eller simple parameterjusteringer, bliver stadig mere utilstrækkelige. Højdynamiske og informationsufuldstændige scenarier udfordrer både frekvensagilitet og beamforming, og intelligente jammere kan lære UAV'ers kommunikationsadfærd og flyvemønstre at kende og justere deres strategi dynamisk for præcis targeting. Det gør det svært at opnå varig beskyttelse alene gennem hardware.

Compliance er en anden grænse. Højklasse-anti-jamming-enheder kan falde under ITAR/EAR-eksportrestriktioner, og reglerne varierer mellem lande. Jammere er ulovlige at betjene i Australien, mens anti-jamming-systemer er lovlige og i stigende grad betragtes som nødvendig sikkerhedsudstyr. For operatører betyder det, at valget af udstyr ikke kun er et teknisk spørgsmål, men også et spørgsmål om, hvor og hvordan systemet må bruges.

Tidslinje for den nyeste forskning og udvikling

Udviklingen på området er gået hurtigt de seneste år. Nedenstående tidslinje opsummerer de centrale milepæle, som jeg har kunnet finde i materialet, med de datoer der faktisk er angivet i kilderne.

Tidslinjen viser, at forskningen bevæger sig fra spilteoretiske modeller i begyndelsen af 2020'erne mod mere modne, agentbaserede systemer og konkrete hardwareløsninger i 2025-2026. Det er værd at bemærke, at flere af de nyeste resultater fortsat er simuleringsbaserede, så feltdata vil være afgørende for at bekræfte dem i praksis.

Ofte stillede spørgsmål om UAV cooperative anti-jamming

Hvordan fungerer et UAV cooperative anti-jamming system?

Flere UAV'er deler opfattelsen af det elektromagnetiske miljø og vælger i fællesskab kanaler, effekt eller trajektorier. Agentbaserede designs følger en Perception-Decision-Action-sløjfe, bruger spilteori til at modellere UAV-jammer-interaktionen og reinforcement learning til at udlede adaptive strategier, så sværmen undgår eller afbøder jamming kollektivt i stedet for per drone.

Hvilke algoritmer bruges til multi-UAV anti-jamming?

Almindelige tilgange omfatter Stackelberg- og lokale altruistiske spil til kanalvalg, decentraliserede delvist observerbare Markov-beslutningsprocesser (Dec-POMDP), uafhængig Q-learning som den missionsdrevne MD-QL-algoritme, hierarkisk DQN med federated learning samt reinforcement learning til optimering af UAV-relæpolitikker.

Hvilke ydelsesmålinger betyder noget for anti-jamming-enheder til droner?

Nøgleparametre omfatter J/S-forhold, hvor topmoderne systemer overlever +40 dB eller mere, antallet af nuller, typisk 1-3 for kompakte CRPA'er, understøttede bånd L1/L2/L5 med multi-konstellation GPS, Galileo, BeiDou og GLONASS samt SWaP, som for små UAV-moduler normalt ligger under 200 g og 3 W.

Hvilke jammer-trusler står UAV'er over for?

Truslerne omfatter RF-jamming på 900 MHz, 2,4 GHz, 5,8 GHz og 4G/5G-bånd, GPS-jamming og spoofing, bredbåndsjamming der oversvømmer luftrummet med elektromagnetisk støj, smalbåndsjamming målrettet specifikke frekvenser samt intern gensidig interferens i sværmen og miljømæssig interferens.