Auch bei steifer Brise: Dank Deep Learning bleiben Drohnen besser auf Kurs

Im Windkanal zeigen ausgeklügelte Algorithmen, wie sich autonome Fluggeräte schnell und selbstständig auf starke Winde einstellen können.

Lesezeit: 2 Min.
In Pocket speichern
vorlesen Druckansicht Kommentare lesen 3 Beiträge

Flugbahn einer Drohne im Windkanal in Form einer gekippten Acht.

(Bild: Caltech)

Von
  • Jan Oliver Löfken

Flugdrohnen sind bisher auf schönes Wetter angewiesen. Bei etwas stärkeren Windböen kommen sie leicht von ihren Flugbahnen ab und lassen sich nur noch schwierig manövrieren. Abhilfe soll nun eine integrierte Steuersoftware schaffen, die bei steifen Brisen von bis zu Windstärke 6 in Echtzeit den Kurs halten könnte. Amerikanische Entwickler vom California Institute of Technology (Caltech) setzen dazu auf ein selbstlernendes System – "Neural-Fly" getauft. Mit dieser Entwicklung wären vor allem Lieferdienste per Drohne nicht mehr ein reiner Schönwetter-Service.

"Variierende Windbedingungen beeinflussen Dynamik, Verhalten und Stabilität von Flugobjekten und lassen sich mit einfachen mathematischen Modellen nicht greifen", sagt Luftfahrtingenieur Soon-Jo Chung. "Daher setzen wir auf eine Kombination aus Deep Learning und adaptiver Kontrolle." Damit könnte eine Flugdrohne mit jedem Flug lernen, wie sie am besten auf neue Bedingungen reagiert und damit einen stabilen Flug bewältigt. Grundlage dieses maschinellen Lernens bilden die vielfältigen Sensordaten der Drohne, die Daten zur Position, Geschwindigkeit und etwaige Kippwinkel entlang der drei Raumachsen bereitstellen.

Mehr über den Einsatz von Drohnen

Ohne Training funktionierte Neural-Fly allerdings nicht. Daher flogen die Forscher einen Quadrokopter in einen Windkanal am Caltech. Darin erzeugen 1.200 kleine Propeller unterschiedlich gerichtete Windböen mit Geschwindigkeiten von etwa 43 Kilometern pro Stunde, entsprechend Windstärke 6. Ein kurzer Flug von zwölf Minuten Dauer auf einer Flugbahn entlang einer gekippten Acht reichte aus, um die selbstlernende Software zu trainieren. Bei den Flügen korrigierte die Drohne stetig die eigene Ausrichtung und die Flugbahn. Aus jeder Korrektur lernte das System, wie es in zukünftigen Flügen schneller und exakter auf ähnliche Störungen – also Windböen – reagieren kann. Als Hardware an Bord der Drohne genügte dabei ein kleiner Raspberry Pi 4.

Quelle: Caltech

Vergleichende Testflüge zeigten, dass der Quadrokopter mit trainiertem Neural-Fly-System die Fehlerrate – also die Abweichung von einer vorgesehenen Flugbahn – deutlich reduzieren konnte. Fehlerfrei konnte zwar kein Flug unter überraschenden Windböen absolviert werden, doch sank die Fehlerrate im Vergleich zu Testflügen ohne Neural-Fly etwa auf ein Viertel. So zeigt diese Studie, dass selbstlernende Systeme die Zuverlässigkeit von Flugdrohnen auch bei schwierigen Wetterbedingungen durchaus steigern könnten.

(jle)