Drohnenzukunft Künstliche Intelligenz bringt Drohnen sicher durch die Wildnis

Das hätten die Scout-Trooper in „Die Rückkehr der Jedi-Ritter“ gut in ihren Speederbikes gebrauchen können: KI-Funktionen, um Bäumen auszuweichen. Drohnen schaffen das jetzt. Und so geht`s.

Anbieter zum Thema

Telefonica Germany GmbH & Co. OHG

NetModule AG

wherever SIM GmbH

Wenn es um die Erkundung komplexer und unbekannter Umgebungen wie Wälder, Gebäude oder Höhlen geht, sind Drohnen kaum zu schlagen, sagen Forschende von der Universität Zürich. Der Grund: Sie sind schnell, wendig, klein, können Nutzlasten tragen und gelangen mit Sensoren praktisch überall hin.

Doch ohne eine Karte konnten sich auch autonome Drohnen bisher kaum in einer unbekannten Umgebung zurechtfinden, erklären die Experten. Um das volles Potenzial auszuschöpfen, braucht es deshalb noch erfahrene menschliche Piloten, die in Sekundenschnelle die Umgebung interpretieren können, um Kollisionen zu vermeiden, erklärt Prof. Davide Scaramuzza, der die Robotics and Perception Group an der Universität Zürich leitet. Bis ein Pilot soweit ist, dauere es Jahre des Trainings. KI-Systeme, die lernfähig sind, könnten helfen.

KI in der Logistik

Künstliche Intelligenz stabilisiert die Lieferkette

Manövriert mit einem neuronalen Netzwerk als „Gehirn“

In einer aktuellen Studie haben Scaramuzza und sein Team einen autonomen Quadrocopter deshalb darauf trainiert, mit Geschwindigkeiten bis zu 40 Kilometern pro Stunde durch bisher unbekannte Umgebungen wie Wälder, Gebäude, Ruinen oder Züge zu fliegen, ohne mit Bäumen, Mauern oder anderen Hindernissen zu kollidieren. Dabei stütze sich die autonome Drohne nur auf die eingebauten Kameras und die Berechnungen des Quadrocopters.

Das neuronale Netz der Drohne fungiere quasi als Gehirn. So lernt die Drohne das Umfliegen von Hindernissen, indem das neuronale Netz zuvor eine Art „simulierten Lehrer“ beobachtete. Dabei handelt es sich um einen Algorithmus, der eine computergestützte Drohne durch eine simulierte Umgebung voller komplexer Hindernisse leitete. Der Algorithmus war einst über die Position des Quad-Rotors und die Messwerte seiner Sensoren informiert und verfügte über genügend Zeit und Rechenleistung, um in Sekundenbruchteilen die beste Flugbahn zu errechnen, beschreibt Scaramuzza.

Dieser „simulierte Lehrer“ könne zwar nicht außerhalb der Simulation eingesetzt werden, aber seine Daten seien nützlich, um dem neuronalen Netz beizubringen, wie es aufgrund der von den Sensoren übermittelten Daten die beste Flugbahn vorhersagen kann. Dies gilt nach Aussage der Schweizer als ein großer Vorteil im Vergleich zu bestehenden Systemen, die zunächst anhand von Sensordaten eine Karte der Umgebung erstellen und dann innerhalb dieser Karte Flugbahnen planen. Denn das sind zwei Schritte, die viel Zeit in Anspruch nehmen und es fast unmöglich machten, mit so hoher Geschwindigkeit zu fliegen.

gesponsertDeep Machine Analytics

Mit Deep Machine Learning mehr Effizienz in der Produktion

Noch höherer Drohnen-Speed ist in Vorbereitung

Nach dem Training in der Simulation wurde das System direkt im Freien eingesetzt, heißt es weiter, wo die autonome Drohne in verschiedenen Umgebungen ohne Kollisionen mit der oben genannten Geschwindigkeit operieren konnte. Nun: Während Menschen Jahre für das Training benötigen, kann Künstliche Intelligenz mithilfe von Hochleistungssimulatoren viel schneller – quasi über Nacht,– vergleichbare Navigationsfähigkeiten erreichen. Interessanterweise müssten diese Simulatoren keine exakte Nachbildung der realen Welt sein. Mit dem richtigen Ansatz reichten sogar einfache Simulationen aus, betonen die Experten.

In einem nächsten Schritt sollen das System verbessert und schnellere Sensoren entwickelt werden, die in kürzerer Zeit noch mehr Umgebungsinformationen liefern können, damit die Drohne auch bei Geschwindigkeiten über 40 sicher unterwegs sein kann.

Die Anwendungen des Systems sind außerdem nicht nur auf Quadrocopter beschränkt: Es könnte derselbe Ansatz auch nützlich sein, um etwa die Leistung von autonomen Autos zu verbessern oder sogar KI-Systeme in Bereichen zu trainieren, in denen das Sammeln von Daten schwierig bis unmöglich ist, glauben die Forschenden.

(ID:47721077)