nightjar-flight-20260813

该数据集来自2026年8月13日进行的“夜鹰飞行”实验，是首次使用自校准声学存在阈值进行无人机检测的野外任务。数据集包含两个声学阵列（UMA-16，16通道48kHz S32_LE；SB-POLARIS，8通道48kHz S32_LE）的原始音频记录、候选事件日志（cue_log.jsonl）、守护进程日志、视频段（60秒MPEG-TS，包含1080p原图和768x432子流）、跟踪器状态日志（blackbox/state.jsonl，约3Hz采样，共3763个样本，覆盖21.6分钟）以及子流静止帧图像（9495张）。数据集提供了详细的校准过程，包括从151个无无人机环境块（150秒，频带100-1200Hz）计算出的存在阈值，并分析了环境噪声漂移（滚动p95在7.15-15.75 dB之间波动）。还记录了检测管道参数调整（如agreement窗口、最小周期、抑制角度）和跟踪器状态分布（搜索、跟踪、巡航、捕获、空闲等）。此外，提供了两个GPS真值飞行回放测试结果，展示了不同阈值下的窗口级存在检测百分比。该数据集适用于声学无人机检测、阈值校准、目标跟踪以及多传感器融合等研究任务。注意：该会话未捕获GPS真值，跟踪结果未经评分验证；UMA-16的9通道为死通道需排除；音频为S32_LE格式，读取时需注意。This dataset, from the "Night Hawk Flight" experiment conducted on August 13, 2026, is the first field mission to use self-calibrated acoustic presence thresholds for drone detection. It includes raw audio recordings from two acoustic arrays (UMA-16: 16 channels, 48kHz S32_LE; SB-POLARIS: 8 channels, 48kHz S32_LE), a candidate event log (cue_log.jsonl), daemon logs, video segments (60-second MPEG-TS with 1080p main stream and 768x432 sub-stream), tracker state log (blackbox/state.jsonl, ~3Hz sampling, 3763 samples covering 21.6 minutes), and sub-stream still frames (9495 images). The dataset provides a detailed calibration process, including presence thresholds computed from 151 drone-free environment blocks (150 seconds, 100-1200Hz band), and analyzes environmental noise drift (rolling p95 fluctuates between 7.15-15.75 dB). It also records detection pipeline parameter adjustments (e.g., agreement window, minimum period, suppression angle) and tracker state distribution (search, track, cruise, capture, idle, etc.). Additionally, two GPS ground truth flight replay test results are provided, showing window-level presence detection percentages under different thresholds. This dataset is suitable for research tasks such as acoustic drone detection, threshold calibration, target tracking, and multi-sensor fusion. Note: This session did not capture GPS ground truth, and tracking results are not validated by scoring; channel 9 of UMA-16 is a dead channel and should be excluded; audio is in S32_LE format, requiring attention when reading.

原始信息汇总

nightjar flight 2026-08-13 — 自校准存在阈值数据集

数据集概览

• 许可证: CC-BY-4.0
• 任务类型: 音频分类、目标检测
• 标签: 无人机检测、反无人机系统、声学阵列、自校准阈值、线索到跟踪
• 数据集名称: "nightjar flight 2026-08-13 — 带自校准存在阈值的首次架次"

核心发现

存在阈值校准结果

本次野外实验从151个无无人机环境音频块（150秒，频带100–1200 Hz）中实时校准存在阈值：

轨迹类型	校准值	原固定值	环境中位数	环境最大值
TRACK	8.87 dB (p99)	14.6	3.67 dB	10.98 dB
SEARCH	6.93 dB (p95)	10.0	—	—

关键结论: 原先的14.6 dB常数是基于2026-07-27该站点的p99值，但当前站点环境噪声中位数仅为3.67 dB，导致阈值比实际噪声水平高出约8 dB，解释了此前架次检测窗口过少的原因。

环境漂移监测

• ambient_drift遥测数据（滚动p95，每分钟记录，20个样本）范围为7.15 → 15.75 dB
• 最大漂移幅度达8.82 dB，远超证明滚动重校准合理性的约2 dB标准
• 重要警示: 无人机在本时段大部分时间处于飞行状态，ambient_drift测量的是存在统计量的滚动p95（无论来源如何），响亮无人机会直接抬高该值。因此，该日志无法区分环境非平稳性与无人机自身的贡献。8.82 dB应视为漂移上限而非实测值。

线索链（Cue Chain）

指标	数值
候选数	132
发布数	50
方位角掩蔽（站点发射源抑制）	16
线索方位角	中位数144.9，标准差44.8
线索处存在值	中位数12.0 dB，最小值7.7 dB

会话中参数调整

会话中期为提升响应速度，实况调整了门控参数（守护进程重启，视频/黑匣子未中断）：

M_AGREE 4 -> 3 协议窗口提前1秒填充 CUE_MIN_PERIOD_S 12 -> 4 修正间隔从12秒缩短至4秒 PRESENCE_DB 固定在 8.87/6.93（重启时跳过150秒预卷）

实测效果: 发布开始以4秒底限落地（间隔4.0、5.0、4.0秒），而此前约为20秒。调整前时间线记录在日志中：首次微弱接触在t+359秒，首次发布在t+367秒（8秒，受4-of-5秒协议门控主导），第二次发布在t+381秒（受12秒不应期影响）。后续较长间隔为CUE_SUPPRESS_DEG在相机已对准目标时正确保持安静所致，并非故障。

AZ_MASK="281-297,319-335"用于抑制电杆变压器（阵列方位角289.2）和发射源B（327.5）。注意: 掩码以阵列方位角表示，而发射源固定在世界坐标中，因此任何配准变化后掩码会静默失效（详见~/Desktop/TRANSFORMERS.md）。

跟踪器（黑匣子，21.6分钟，3,763个样本）

SEARCH 1750 | TRACK 809 | COAST 365 | ACQUIRE 250 | IDLE 571 | REACQUIRE 18 跟踪激活 1431个样本（38%），其中937个经YOLO验证 跟踪时的拾取源：blob 520 | yolo 289 跟踪时焦距：中位数9.2 mm，最大83.1 mm（19倍）

重要警示: 本会话未捕获GPS真值（撰写时未导出DJI FlightRecord），因此上述跟踪结果均未被确认为无人机。2026-08-12一次外观相似的38%跟踪会话经确认仅在约25米内为无人机，超出该距离为0%。在评分之前，请勿将这些数字引用为检测性能。判定测试应采用差分法——将跟踪方位的变化与GPS真值方位的变化相关联；绝对误差评分是循环论证。

生效中的配准参数

UMA-16 az_offset 302.2 invert_az true （JBL远锚定，42 dB信噪比） SB-POLARIS az_offset 339.55 invert_az FALSE （2个信标，手性余量2.45 vs 50.85）

数据内容

audio/uma16_<epoch>.wav UMA-16，16通道，48 kHz，S32_LE（32位，已从头部验证） audio/sb_<epoch>.wav SB-POLARIS，8通道，48 kHz，S32_LE audio/cue_log.jsonl 每个候选、掩蔽事件、存在性校准和环境漂移记录 audio/uma.log 守护进程日志（含校准行） video_segments.tar 1080p原生 + 768x432子流，H.264，60秒MPEG-TS blackbox/state.jsonl 跟踪器有限状态机 ~3 Hz：状态、姿态、焦距、检测、轨迹、块种子 blackbox/frames.tar 9,495张子流静止帧

格式警告: 两组阵列均为S32_LE格式。按int16读取会分割每个采样点、扰乱通道身份并破坏频谱。UMA16v2原生为32位；2026-08-09之前存储的所有wav文件均被静默截断为高16位。

通道身份不可猜测: UMA-16的0基础通道9为电子地噪声通道——应排除，使用15通道。蛇形几何结构请从uma16_geom.json加载。

已知良好回放参考

存在性检测在两次带GPS真值的飞行上重放，并应用通道协议门控：

阈值	飞行A	飞行B
14.6（旧常数）	3.8%	16.6%
6.55	67.6%	66.3%
4.71	84.1%	79.9%

以上为窗口级存在检测。已发布的线索还需额外通过方位一致性、方位角掩蔽和不应期检查，因此实际线索可用率等于或低于上述数值。

搜集汇总

数据集介绍

构建方式

本数据集源于2026年8月13日进行的夜鹰飞行试验，首次采用现场自校准声学存在阈值，替代了以往固定常数。构建过程中，利用151段无无人机环境背景音频（150秒，频带100–1200 Hz）实时测定存在阈值，并整合双阵列（UMA-16与SB-POLARIS）的全深度原始音频、详细的线索日志、追踪器状态数据及视频片段，形成多模态、时间同步的数据资源。

特点

数据集的突出特点是其自校准存在阈值揭示的静态阈值与动态环境噪声之间的显著偏差，以及快速反应线索门的引入，使探测延迟从约20秒缩短至4秒。同时，数据包含丰富的非平稳性记录，如环境漂移范围达7.15–15.75 dB，并明确警告了背景噪声与无人机信号混杂的辨识难题，强调了需通过无无人机对照实验来解析真实漂移。

使用方法

使用时需注意双阵列音频为32位小端格式，避免误读为16位导致数据损坏；UMA-16第9通道为死通道，应排除后使用15通道，并依据几何文件加载蛇形布局。追踪数据因缺乏GPS真值，不可直接作为探测性能指标，需通过差分方法（如改变响与真值变化的相关性）进行验证。数据包提供已知良好回放参考，可用于不同阈值下的探测率对比。

背景与挑战

背景概述

nightjar-flight-20260813数据集由反无人机声学监测领域的研究团队于2026年8月13日采集，旨在解决低空无人机声学探测中的自适应阈值校准问题。该数据集首次采用现场自校准方法，基于站点自身无无人机环境的前滚噪声测量动态设定存在性阈值，取代了此前固定的经验常数。这一创新针对声学环境非平稳性带来的检测性能下降挑战，为无人机声学探测系统的自适应能力提供了宝贵的实测数据。数据集包含多通道音频、视频跟踪器状态及详细日志，为研究声学门控、传感器融合及目标追踪提供了综合性的真实世界样本，对推动反无人机系统在复杂环境下的鲁棒性研究具有重要意义。

当前挑战

该数据集的核心挑战在于声学环境的非平稳性与系统自适应之间的张力。实测表明，固定阈值在该站点会偏离最优值约8分贝，导致漏检率显著上升。同时，环境噪声在单次飞行中可波动8.82分贝，远超静态校准的适用范围，且现有遥测无法区分环境自然漂移与无人机自身信号贡献。此外，数据集成像缺乏GPS真值，导致追踪性能无法独立验证，存在误检风险。阵列记录的32位无符号整数格式对处理流程有特殊要求，而通道映射的不可猜测性也增加了数据使用的门槛，对后续研究者提出了更高的技术挑战。

常用场景

经典使用场景

nightjar-flight-20260813数据集为声学阵列无人机探测研究提供了首份包含自校准存在阈值的野外飞行数据，其经典使用场景聚焦于低空无人机声学信号的检测与分类。该数据集收录了UMA-16与SB-POLARIS双阵列的同步音频、轨迹状态机记录及视频片段，配合自校准存在阈值的实现细节，使得研究者能够基于真实环境噪声基准，复现并评估存在性检测算法在不同阈值设定下的性能表现，尤其适用于开发针对无人机声学特征的鲁棒性检测模型。

实际应用

在实际应用层面，该数据集直接服务于反无人机系统的工程验证与参数调优。其记录的快速反应线索链（cue chain）与跟踪器状态迁移数据，可用于评估探测到跟踪的响应延迟、目标重捕获效率及多传感器协同逻辑；同时，音频阵列的32位原生格式与通道配置信息，为部署于类似场景的声学监测系统提供了信号处理流程的参考基准，助力工程人员实现检测阈值的现场自标定，从而提升系统在多变环境下的适应性与作战效能。

衍生相关工作

基于该数据集可衍生出一系列经典研究任务，包括声学存在阈值的动态校准算法设计、多通道信号去噪与目标增强方法、以及融合视频与音频线索的联合检测框架。此外，数据集中未标注GPS真值这一缺陷，激发了关于无真值监督下检测性能评估的讨论，催生了利用跟踪方位变化与GPS方位变化的相关性开展差分评分的评估范式。这些衍生工作将进一步深化对声学探测系统鲁棒性、可迁移性及性能边界条件的理解，为无人系统安全领域提供更为坚实的实证基础。