İİnsansız Hava Araçları (İHA) uzaktan kumanda edilebilen veya otomatik olarak görevini yerine getirebilen, içerisinde pilot ya da yolcu barındırmayan uçaklardır. İHA’ların askeri alanda kullanımının yanısıra sivil ve bilimsel alanlarda da yaygın bir kullanımı mevcuttur. İnsansız hava araçlarında yer alan İHA otopilot sistemi, İHA'lara bir referans yolunu izlemeleri veya bazı geçiş noktalarında gezinmeleri için sürekli rehberlik etmektedir. Güçlü bir İHA otopilot; kalkış, yükseliş, alçalış, yörünge takibi ve karaya inme dahil tüm aşamalarda İHA'ya rehberlik edebilir. Her ülke bünyesinde stratejik öneme sahip olan İHA’ların ana kontrol bileşenlerinden olan otopilotlar ile ilgili yapılmış çalışmalar büyük bir öneme sahiptir. Bu çalışmada, literatürde yer alan otopilot sistemlerini içeren yayınların derlemesinin yapılması amaçlanmıştır. Bu amaçla, 2001-2020 yılları arasında yayınlanmış elliden fazla çalışma incelenmiş ve analiz edilmiştir. Sunulan çalışmanın İHA’larda yer alan otopilot sistemleri alanında yapılacak araştırmalara ışık tutacağı düşünülmektedir.
The exposure of Unmanned Aerial Vehicles (UAVs) to Global Positioning System (GPS) spoofing attacks constitutes a major cybersecurity challenge. In this work, we conduct a comparative performance analysis of LSTM, GRU, and sequential LSTM–GRU hybrid deep learning models for the detection of GPS spoofing attacks. The ‘UAV Attack’ dataset was preprocessed, and the 11 most significant features were selected using correlation and mutual information algorithms. The models were evaluated using a robust 5-fold cross-validation framework. A combination of 99.31% accuracy, 96.98% recall, and a 97.47% F1-score was achieved by the LSTM–GRU hybrid model, distinguishing it as the leading performer in the experimental study. The LSTM model achieved the highest precision, with a value of 98.49%. ROC curves and AUC values confirmed that the classification performance of all models was close to perfect for the simulated dataset. The findings indicate that deep-learning-based models incorporating the hybrid LSTM–GRU architectures provide an effective and reliable approach designed to identify GPS-spoofing threats affecting UAVs.