Generazione di Traiettorie Sintetiche per la Rilevazione Oggetti e l’Analisi Comportamentale

Abstract

La scarsità di riprese aeree annotate e dati di volo anomali controllati rappresenta un collo di bottiglia critico per l'addestramento dei sistemi di sorveglianza UAV. Catturare manovre ostili, incidenti incontrollati, traiettorie evasive nel mondo reale è logisticamente proibitivo, legalmente vincolato e fisicamente pericoloso. Questa tesi affronta questo Data Gap lungo due dimensioni progettando e convalidando una pipeline di generazione di dati sintetici (SDG) end-to-end. La pipeline integra la generazione di traiettorie cinematiche basate su ArduPilot con il renderer di ray-tracing basato fisicamente BlenderProc2 (Blender Cycles, 256 campioni, 1280×720, uscita OpenEXR HDR) per produrre sequenze video sintetiche fotorealistiche con annotazioni YOLO completamente automatiche e perfette per i pixel derivate da maschere di segmentazione delle istanze. La fedeltà visiva del dominio sintetico viene convalidata empiricamente: YOLO11s, messo a punto su un set di dati di rilevamento di droni del mondo reale (3.742 immagini), raggiunge mAP@50 = 0.9921 e generalizza robustamente a telai sintetici di BlenderProc-rendered. Per affrontare il Data Gap comportamentale, la pipeline genera profili di volo anomali cinematicamente coerenti su richiesta. Un classificatore della Foresta Casuale addestrato su un vettore di funzionalità a 35 dimensioni, che combina le statistiche della scatola di delimitazione di YOLO11s con la cinematica di telemetria ArduPilot, raggiunge la F1 = 0,960 ± 0,049 nella convalida incrociata di 5 volte in 80 missioni sintetiche, senza richiedere un singolo evento di crash reale. L'analisi SHAP conferma che le caratteristiche dominanti corrispondono a firme fisicamente causali della dinamica dell'incidente.

The scarcity of annotated aerial footage and controlled anomalous flight data represents a critical bottleneck for training UAV surveillance systems. Capturing hostile manoeuvres, uncontrolled crashes, evasive trajectories in the real world is logistically prohibitive, legally constrained, and physically dangerous. This thesis addresses this Data Gap along two dimensions by designing and validating an end-to-end Synthetic Data Generation (SDG) pipeline. The pipeline integrates ArduPilot-based kinematic trajectory generation with the physically-based ray-tracing renderer BlenderProc2 (Blender Cycles, 256 samples, 1280×720, OpenEXR HDR output) to produce photorealistic synthetic video sequences with fully automatic, pixel-perfect YOLO annotations derived from instance segmentation masks. The visual fidelity of the synthetic domain is validated empirically: YOLO11s, fine-tuned on a real-world drone detection dataset (3,742 images), achieves mAP@50 = 0.9921 and generalises robustly to BlenderProc-rendered synthetic frames. To address the behavioural Data Gap, the pipeline generates kinematically consistent anomalous flight profiles on demand. A Random Forest classifier trained on a 35-dimensional feature vector—combining YOLO11s bounding-box statistics with ArduPilot telemetry kinematics—achieves F1 = 0.960 ± 0.049 in group-aware 5-fold cross-validation on 80 synthetic missions, without requiring a single real crash event. SHAP analysis confirms that the dominant features correspond to physically causal signatures of the crash dynamics.