Künstliche Intelligenz in unbemannten Luftfahrtsystemen

Wir leben derzeit inmitten einer technologischen Revolution, in der die künstliche Intelligenz eines der Schlüsselelemente für die Zukunft der Technik darstellt. Die Kinowelt hat diesbezüglich bereits eine Mythologie aufgebaut und Erwartungen geweckt, die mit dem aktuellen Stand der verfügbaren Algorithmen nicht viel gemein haben. Diese technologische Entwicklung findet seit dem Zweiten Weltkrieg statt, als der britische Mathematiker Alan Turing die Grundlagen für die moderne Computertechnik entwickelte. Darüber hinaus schlug er in seinem Artikel „Computing Machinery and Intelligence“ den so genannten Turing-Test als eine Methode vor, mit der sich feststellen lässt, ob eine Maschine von sich aus intelligent ist oder nicht. Seitdem reihte sich ein Fortschritt an den anderen bis zum neuen Jahrtausend, in dem die Kombination aus Cloud Computing, Big Data und den großen Fortschritten beim maschinellen Lernen (ML) einen exponentiellen Anstieg der Entwicklung und Anwendung der Technologie unserer Zukunft ermöglicht.

Aber, was ist eigentlich künstliche Intelligenz? Grundsätzlich verstehen wir unter KI Routinen oder Verhaltensweisen von Maschinen oder Computern, die menschliche Intelligenz simulieren. GMV arbeitet daran, dieses relativ ätherische Konzept in konkrete Projekte und Produkte umzusetzen, wie z. B. das Projekt SAFE-Term, das von der Europäischen Verteidigungsagentur (EDA) finanziert und von GMV in Zusammenarbeit mit AERTEC entwickelt wird.

SAFE-Term zielt auf die sichere Beendigung von Flügen unbemannter Luftfahrtsysteme (UAS) ab dem Moment ab, in dem der Pilot die Kontrolle über das Luftfahrzeug verliert, weil dieses in eine Notsituation gerät, in der keine Rettungsmaßnahmen durchgeführt werden können, da es nicht möglich ist, die vordefinierten Flugabbruchgebiete (Flight Termination Area - FTA) zu erreichen. In diesem Fall muss das UAS selbständig entscheiden, welcher erreichbare Bereich am besten geeignet ist, um ein alternatives Flugabbruchgebiet (Alternative Flight Termination Area - AFTA) festzulegen. Im Rahmen dieses Projekts wird ein Notfallklassifizierungssystem für UAS vom Typ MALE (Medium Altitude Long Endurance) entwickelt, das deren Einsatz ein höheres Maß an Sicherheit verleiht.

Dieses Projekt wurde Ende 2019 gestartet und seitdem hat das Team hart an der Entwicklung eines Systems gearbeitet, das die Umgebung mithilfe von Computer Vision und tiefen neuronalen Netzen analysieren und die sichersten Bereiche für eine Notlandung erkennen kann.

Diese Entwicklung ist in drei Phasen unterteilt, deren zweite bereits mit bemerkenswerten Ergebnissen abgeschlossen ist. Dem Team ist es gelungen, ein Bordsystem zu entwerfen und zu testen, dessen Konzeption sich dadurch auszeichnet, dass es zertifiziert werden kann, weil es den in verschiedenen Arbeitsgruppen diskutierten Leitlinien folgt. SAFE-Term soll nicht nur ein weiteres UAS-System der Zukunft werden, sondern den Grundstein für die Entwicklung und den Einsatz von KI-basierten Systemen im Bereich Luftfahrt legen.

Zu den bemerkenswertesten Ergebnissen der zweiten Projektphase gehört die Entwicklung und Implementierung eines realen Avioniksystems, das auf einer Hardware eingesetzt wird, die alle Anforderungen zum Einbau in ein Fluggerät erfüllt und der es gelingt, die AI/ML-Komponenten realistisch zu isolieren.

Außerdem wurde eine realistische synthetische Simulationsumgebung entwickelt und eingesetzt, mit der Hardware-In-The-Loop-Tests (HITL) durchgeführt werden können. Dadurch kann SAFE-Term so agieren, als wäre es in ein Fluggerät eingebaut. Der einzige Unterschied zu einem realen Einsatz besteht darin, dass die von den elektro-optischen (EO) und Infrarot-Sensoren (IR) eingehenden Daten aus einer synthetischen Datenbank stammen. Diese Datenbank wurde auf der Basis des ATLAS Experimental Flight Centre (Jaén) aufgebaut. Auf diese Weise wird ein Maximum an Realismus für die Ergebnisse angestrebt.

Gegenwärtig ist das aus der zweiten Phase hervorgegangene System zu 90 % treffsicher. Es hat eine Fehlerrate von weniger als 5 %, die außerdem in unkritische Gebieten fallen, bei denen es sich hauptsächlich um von Baumgruppen umgebene Wege und Landstraßen handelt. Solche Fehler gefährden den Betrieb des Fluggeräts in Notsituationen nicht, da sie keine Ansiedlungen betreffen. Es wurden außerdem Nachprozessierungsmethoden vorgeschlagen, um die Fehlerrate durch räumliche und zeitliche Konsolidierung der Ergebnisse der Geländeklassifizierung weiter zu verringern. Diese Metriken wurden mit Datensätzen ermittelt, die mit Gaußschem Rauschen und Unschärfe beeinträchtigt wurden, um nicht nur den Normalbetrieb zu simulieren, sondern auch zu verstehen, wie sie sich auf die häufigsten durch Kameras hervorgerufenen Fehler auswirken können. Das Team kann nun sagen, dass die Ergebnisse zufriedenstellend sind und dass das System in der Simulationsumgebung ausreichend robust ist.

In Phase 3 des Projekts geht es dann darum, das System zu optimieren, um die Zeiten und Ergebnisse zu verbessern. Weiterhin steht aus, SAFE-Term mit Daten aus realen Flugeinsätzen zu trainieren und zu testen, um den Prozess, der bereits durch Training mit synthetischen Daten und Tests in der Simulationsumgebung erreicht wurde, mit realen Informationen aus der realen Welt durch reale Sensoren mit ihren inhärenten Verformungen und Qualitätsverlusten zu optimieren.

Am Ende von Phase 3 kann der Demonstrator als umsetzbares Beispiel für ein zertifizierbares, einbaufähiges System zur Verbesserung der Sicherheit autonomer UAS-Einsätze verwendet werden. Es bleibt noch viel zu tun, aber wir bei GMV arbeiten ständig an weiteren Fortschritten und der Entwicklung innovativer Lösungen.

Autor: Javier Ferrero Micó