BeeHive: A Drone Interceptor System
Translated title
BeeHive
Author
Haldrup, Tobias Porsborg
Term
4. semester
Education
Publication year
2026
Submitted on
2026-06-02
Abstract
Low-cost Class I FPV (First Person View) drones are increasingly used as offensive weapons, revealing weaknesses in many existing counter-drone solutions: they are often too expensive to deploy widely, vulnerable to electronic warfare, or limited to ranges that are too short to stop fast-approaching drones. This thesis investigates whether a small, on-board computing platform (edge computing) can provide fast enough detection and accurate enough tracking for a drone to autonomously detect and physically intercept such targets. A fully integrated interceptor system is designed, built, and tested. The perception subsystem combines a Sony IMX500 AI camera with a custom-trained YOLOv11n object detector, fine-tuned on approximately 5,000 field-collected images, and an Adaptive Kalman Filter that smooths and predicts target motion. The control subsystem implements a custom ArduPilot flight mode using a so‑called goalkeeper intercept guidance law, roll-compensated bearing estimation (which accounts for the drone’s tilt), and distance-scaled altitude tracking. All components run on a Raspberry Pi Zero 2W paired with a Pixhawk 6C Mini, both common off‑the‑shelf hobby-grade hardware. The system was developed iteratively over more than 100 logged flights. Of eight defined requirements, five are fully met. In daylight conditions, the system demonstrates feasible autonomous interception of targets at a hardware cost that is only a fraction of conventional counter‑drone platforms.
Billige FPV-droner (First Person View) i klasse I bliver i stigende grad brugt som offensive våben. Det har afsløret svagheder ved mange af de nuværende modforanstaltninger: De er ofte for dyre til at blive udbredt i stort antal, kan forstyrres med elektronisk krigsførelse, eller har for kort rækkevidde til at standse hurtigt indflyvende droner. Denne afhandling undersøger, om en lille, lokalt kørende computerplatform (edge computing) kan give hurtig nok registrering og præcis nok sporing til, at en drone selvstændigt kan opspore og fysisk opfange sådanne mål. Der er udviklet, bygget og testet et fuldt integreret interceptionssystem. Perceptionsdelen kombinerer et Sony IMX500 AI-kamera med en specialtrænet YOLOv11n-objektdetektor, der er finjusteret på ca. 5.000 billeder indsamlet i felten, samt et adaptivt Kalman-filter, som glatter og forudsiger målets bevægelse. Styredelen anvender en tilpasset ArduPilot-flyvetilstand, der implementerer en såkaldt „goalkeeper“-interceptstrategi, rullekompenseret pejling (som tager højde for dronens hældning), og højderegulering, der skaleres med afstanden til målet. Det hele kører på en Raspberry Pi Zero 2W i kombination med en Pixhawk 6C Mini, som er almindeligt tilgængelig hobbyhardware. Systemet blev udviklet trinvis over mere end 100 loggede flyvninger. Ud af otte opstillede krav bliver fem opfyldt fuldt ud. Under dagslys viser systemet, at det er muligt at gennemføre autonome interceptioner af mål til en hardwarepris, der kun udgør en brøkdel af omkostningerne ved traditionelle anti-drone-systemer.
[This abstract has been rewritten with the help of AI based on the project's original abstract]
Keywords
Drone ; Interceptor ; Yolo