Innovative Ansätze für eine sichere und vernetzte Luftfahrt beim mFUND Checkout

(Dr. Paul Spannaus, SWIFT GmbH)

Ausgangssituation und Zielsetzung

Der Einsatz autonomer Drohnen gewinnt in zahlreichen Anwendungsbereichen zunehmend an Bedeutung. Insbesondere im Bereich von Lieferdiensten, Inspektionen und Überwachungsaufgaben bieten autonome Fluggeräte großes Potenzial. Gleichzeitig werden hohe Anforderungen an Sicherheit, Zuverlässigkeit und die Einhaltung regulatorischer Vorgaben gestellt.

Vor diesem Hintergrund beschäftigt sich das Forschungsprojekt ISEKIS mit der Frage, wie autonome Drohnen sicher und regelkonform im alltäglichen Betrieb eingesetzt werden können. 

Herausforderungen beim autonomen Drohnenbetrieb

Der zukünftige autonome Flugbetrieb erfordert eine kontinuierliche Anpassung an Sicherheitszonen und regulatorische Anforderungen. Besonders kritisch sind Defizite bei der Überprüfbarkeit und Absicherung von Sensorfehlern, Drohnenpositionen sowie KI-Entscheidungen in autonomen Flugsystemen. Während klassische Softwarekomponenten häufig nachvollziehbar geprüft werden können, stellen KI-basierte Systeme aufgrund ihrer komplexen Entscheidungsprozesse besondere Herausforderungen dar.

Um diese Probleme zu adressieren, verfolgt ISEKIS einen ganzheitlichen Ansatz zur Absicherung autonomer Drohnen. Ziel ist es, sowohl die Navigation als auch die sensorbasierte Wahrnehmung und Entscheidungsfindung zuverlässig zu überwachen und potenzielle Fehlfunktionen frühzeitig zu erkennen.

Technische Lösungsansätze

Ein zentraler Baustein des Projekts ist die Entwicklung robuster Navigationsverfahren. Darin werden Methoden untersucht, mit denen Drohnen auch unter erschwerten Bedingungen sicher navigieren können. Dazu gehört insbesondere die zuverlässige Positionsbestimmung selbst dann, wenn einzelne Sensoren fehlerhafte oder unvollständige Daten liefern.

Ergänzend dazu werden Konzepte zur Absicherung von KI-Komponenten entwicklelt. Hierbei werden Verfahren erforscht, die Fehler in Sensordaten erkennen und bewerten können. Gleichzeitig sollen mögliche Auswirkungen solcher Fehler auf die Entscheidungen der KI abgeschätzt werden. Dadurch wird die Nachvollziehbarkeit und Vertrauenswürdigkeit autonomer Systeme erhöht.

Ein weiterer Schwerpunkt liegt auf dem sogenannten SWIFT-Framework. Dieses adressiert die Herausforderungen moderner KI-Systeme durch Verfahren zur Bewertung und Dokumentation ihrer Zuverlässigkeit. Ziel ist es, Fehlzustände frühzeitig zu identifizieren, zu analysieren und nachvollziehbar zu dokumentieren. Dadurch wird eine wichtige Grundlage für die spätere Zertifizierung und den regulatorischen Nachweis geschaffen.

Bedeutung von Monitoring im laufenden Betrieb

Mit zunehmender Autonomie verschiebt sich der Fokus von der reinen Entwicklung hin zur kontinuierlichen Überwachung im Betrieb. Während klassische Steuerungssysteme vor allem durch System-, Integrations- und Modultests abgesichert werden, benötigen autonome Systeme zusätzliche Überwachungsmechanismen.

Neben den bekannten Testverfahren müssen im Betrieb unter anderem Nutzungsverhalten, Grenzverletzungen des Einsatzbereichs, Konflikte zwischen verschiedenen Systemkomponenten sowie potenzielle Angriffe auf die KI erkannt werden. Dieses sogenannte Runtime-Monitoring ermöglicht eine laufende Bewertung des Systemzustands und trägt dazu bei, Risiken frühzeitig zu identifizieren und Gegenmaßnahmen einzuleiten.

Warum Input-Checks für KI-Systeme notwendig sind

Ein wesentliches Problem moderner KI-Systeme besteht darin, dass ihre Entscheidungen stark von den Eingangsdaten abhängen. Werden Daten verarbeitet, die sich deutlich von den Trainingsdaten unterscheiden, kann die KI fehlerhafte oder unerwartete Entscheidungen treffen.

Aus diesem Grund entwickelt ISEKIS Verfahren zur Überprüfung von Eingabedaten. Ziel ist es, vertrauenswürdige von potenziell problematischen Daten zu unterscheiden. Dabei wird analysiert, ob neue Eingaben innerhalb des bekannten Datenraums liegen oder ob sie Merkmale aufweisen, die auf unbekannte Situationen hindeuten. Je nach Datenlage können daraus unterschiedlich wahrscheinliche Entscheidungen resultieren. Durch die frühzeitige Erkennung solcher Situationen lassen sich Fehlentscheidungen vermeiden oder zumindest besser bewerten.

Beispiel: Autonomer Lieferflug

Die praktische Relevanz der entwickelten Verfahren wird anhand eines autonomen Lieferflug-Szenarios verdeutlicht. Während des Fluges können unerwartete Hindernisse entlang der geplanten Route auftreten, beispielsweise umgestürzte Bäume oder andere Objekte.

Eine autonome Drohne muss solche Veränderungen zuverlässig erkennen und ihre Flugroute entsprechend anpassen. Hierfür werden sowohl Sensordaten der Drohne als auch externe Informationsquellen ausgewertet. Die Kombination verschiedener Datenströme ermöglicht eine robuste Erkennung von Hindernissen und unterstützt die sichere Durchführung autonomer Missionen.

SenTenCe: Sensor, Tensor, Censor

Ein zentraler Baustein des Projekts ist das Konzept „SenTenCe“ (Sensor, Tensor, Censor). Dieses Framework dient der Überwachung von KI-basierten Systemen und verbindet Eingabedaten, KI-Verarbeitung und Systemausgaben in einer integrierten Monitoring-Architektur.

Dabei werden sowohl die Eingaben als auch die Ergebnisse der KI kontinuierlich analysiert. Das System erkennt mögliche Zwischenzustände, bewertet deren Einfluss auf die Sicherheit und überprüft die Plausibilität der erzeugten Entscheidungen. Abweichungen von definierten Verhaltensmustern können frühzeitig identifiziert werden.

Darüber hinaus ermöglicht ein intelligenter Flugdatenschreiber die langfristige Speicherung relevanter Informationen. Dadurch können Ereignisse nachträglich rekonstruiert, Ursachen analysiert und langfristige Veränderungen im Systemverhalten erkannt werden. Diese Funktion unterstützt sowohl die Sicherheitsbewertung als auch die kontinuierliche Verbesserung autonomer Systeme.

Regulatorische Einordnung und zukünftige Anforderungen

Die Entwicklungen von ISEKIS stehen in engem Zusammenhang mit aktuellen europäischen und internationalen Regulierungen. Dazu gehören insbesondere der EU AI Act, Richtlinien der European Union Aviation Safety Agency sowie weitere Standards zur Entwicklung und Zertifizierung KI-basierter Luftfahrtsysteme.

Da sicherheitskritische KI-Komponenten wie Navigation oder Kollisionsvermeidung als Hochrisiko-KI-Systeme eingestuft werden, sind umfangreiche Nachweise zur Sicherheit, Zuverlässigkeit und Nachvollziehbarkeit erforderlich. Die im Projekt entwickelten Methoden leisten hierzu einen direkten Beitrag und unterstützen die zukünftige Zulassung autonomer Drohnensysteme.

Ausblick

Die finalen Testflüge und praktischen Erprobungen laufen derzeit und bilden den letzten Schritt der Projektvalidierung, in dem die entwickelten Verfahren unter realistischen Einsatzbedingungen getestet werden.

Darauf aufbauend ist perspektivisch insbesondere der Einsatz in sicherheitskritischen Infrastrukturen von besonderer Relevanz, sowohl im nationalen als auch im europäischen Kontext. Zudem wird geprüft, inwiefern die im Projekt entwickelten Konzepte auf die bemannte Luftfahrt übertragen werden können. 

Projektlaufzeit und Projektpartner

Das Forschungsprojekt ISEKIS hat eine Gesamtlaufzeit von August 2023 bis November 2026 und wird im Rahmen der mFUND-Förderinitiative des Bundesministeriums für Verkehr (BMV) umgesetzt. 

Am Projektkonsortium beteiligt sind die SWIFT Gesellschaft für Messwerterfassungs-Systeme mbH, das Institut für Regelungstechnik der RWTH Aachen sowie die Emqopter GmbH. Diese Partner bündeln ihre Kompetenzen in den Bereichen Flugdatenanalyse, Regelungstechnik, KI-basierte Sensordatenauswertung und autonome Flugsysteme. Durch die enge Zusammenarbeit von Forschung und Industrie wird sichergestellt, dass die entwickelten Verfahren sowohl wissenschaftlich fundiert als auch praxisnah erprobt und in realen Drohnenszenarien validiert werden können.

(Dr. Paul Spannaus, Fraunhofer-Institut für Verkehrs- und Infrastruktursysteme IVI)

Ausgangssituation und Zielsetzung

Im Projekt ADAM wurde untersucht, wie der untere Luftraum für den Regelbetrieb von Drohnen maschinenlesbar beschrieben werden kann. Ausgangspunkt war die Beobachtung, dass verschiedene Verkehrsbereiche wie Straßen-, Wasser- und Luftverkehr bereits über digitale Karten und Informationssysteme verfügen, der untere Luftraum (Flughöhen unterhalb von 150 Metern) jedoch bislang nur eingeschränkt in einer Form abgebildet war, die automatisiert verarbeitet werden kann. Ziel des Projekts war daher die Entwicklung eines erweiterten Geo-Awareness-Dienstes, der automatisiert erzeugte, annotierte und maschinenlesbare 3D-Karten des unteren Luftraums bereitstellt.

Hierfür wurden drei zentrale Bausteine verfolgt: die automatisierte Kartenerzeugung, die Bereitstellung einer maschinenlesbaren Karte für Planung und Freigabe sowie die kontinuierliche Aktualisierung der Kartendaten während des Betriebs. Auf diese Weise sollte eine gemeinsame Datengrundlage geschaffen werden, die sowohl von Drohnen als auch von Planungs- und Aufsichtssystemen genutzt werden kann.

Datenerhebung und Kartenerzeugung

Die Grundlage für die Kartierung bildeten reale Messkampagnen mit Drohnen. Dabei wurden verschiedene Sensorsysteme kombiniert, darunter Kameras, LiDAR- und Radarsensoren. Die erfassten Daten wurden georeferenziert und zu einem synchronisierten Multi-Sensor-Datensatz zusammengeführt. Zu den erzeugten Datenprodukten gehörten unter anderem Radar-Punktwolken sowie hochaufgelöste Referenzdaten des unteren Luftraums.

Auf Basis dieser Datensätze wurden semantisch annotierte 3D-Karten erzeugt. Die Kartenerstellung erfolgte automatisiert und nutzte Verfahren der Datenfusion sowie der KI-gestützten Auswertung. Das Ergebnis waren hochaufgelöste 3D-Voxelkarten, in denen relevante Objekte und Strukturen des Luftraums maschinenlesbar beschrieben wurden. Diese Karten dienten als Grundlage für die Bewertung und Freigabe geplanter Flugoperationen.

Aktualisierung der Karten

Ein wesentliches Merkmal des ADAM-Ansatzes bestand darin, die Karten nicht als statische Produkte zu betrachten. Stattdessen wurde untersucht, wie sich Veränderungen der Umgebung kontinuierlich erfassen und in bestehende Karten integrieren lassen. Während die initiale Kartierung auf umfangreichen Multi-Sensor-Datensätzen beruhte, sollten spätere Aktualisierungen mit kostengünstigeren Sensorsystemen erfolgen.

Hierfür wurden insbesondere Monokameras und Radarsensoren betrachtet, die auch während regulärer Flüge eingesetzt werden konnten. Die gewonnenen Informationen wurden mit den vorhandenen Kartendaten abgeglichen und dienten dazu, Veränderungen zu erkennen und die Karten fortlaufend zu aktualisieren. Dadurch entstand das Konzept einer „lebenden Karte“, die den aktuellen Zustand des unteren Luftraums abbilden sollte.

Von der Karte zum freigegebenen Flug

Neben der Kartierung wurde im Projekt eine durchgängige Prozesskette vom digitalen Kartenbestand bis zur Durchführung eines Fluges demonstriert. Die maschinenlesbaren Karten bildeten die Grundlage für die Trajektorienplanung, bei der kollisionsfreie Flugrouten unter Berücksichtigung der Umgebungsinformationen erzeugt wurden. Anschließend konnten diese Informationen für die Missionsplanung, die Bewertung der Sicherheit sowie für Freigabeprozesse genutzt werden.

Die entwickelten Schnittstellen verbanden dabei Karte, Flugplanung, Aufsichtssysteme und Drohnenplattformen. Alle beteiligten Komponenten griffen auf dieselbe Datenbasis zurück, wodurch eine konsistente Bewertung und Durchführung von Flugoperationen ermöglicht wurde. Rückmeldungen aus dem Flugbetrieb konnten wiederum in die Kartenaktualisierung einfließen.

Einbindung in den U-Space

Die Projektergebnisse wurden mit Blick auf zukünftige U-Space-Dienste entwickelt. Die erzeugten Karten sollten als erweiterter Geo-Awareness-Service bereitgestellt und in bestehende U-Space-Strukturen integriert werden. Dadurch sollten Flugvorbereitung, Flugfreigabe und Überwachung auf einer gemeinsamen, hochauflösenden Informationsbasis erfolgen.

Darüber hinaus wurde untersucht, wie die Karten vereinfachte Genehmigungsprozesse, beispielsweise im Rahmen von SORA-Bewertungen (Specific Operations Risk Assessment) und BVLOS-Operationen (Beyond Visual Line of Sight), unterstützen können. Die Bereitstellung von Rohdaten und Kartendaten als offene Datenbasis sollte zudem zur Standardisierung und Weiterentwicklung zukünftiger U-Space-Dienste beitragen.

Ausblick

Im nächsten Projektschritt werden die Anforderungen relevanter Nutzergruppen an einen erweiterten Geo-Awareness-Dienst und die bereitgestellten 3D-Luftkarten untersucht. Hierzu sollen die Bedarfe von U-Space-Service-Providern, Drohnenpilotinnen und -piloten sowie Logistikunternehmen systematisch erhoben und analysiert werden. Ziel ist es, die im Projekt entwickelten Karten- und Informationsdienste hinsichtlich ihrer Funktionalitäten, Dateninhalte und Schnittstellen an den Anforderungen zukünftiger Anwender auszurichten und damit ihre praktische Einsetzbarkeit im Regelbetrieb zu verbessern.

Im Rahmen des Projekts wurde zudem eine Umfrage zum Thema „Airspace Mapping and Regulations for Safe UAS Operations“ vorgestellt. Ziel der Befragung ist es, zentrale Entwicklungsfelder für die Kartierung des unteren Luftraums zu identifizieren und so die Rahmenbedingungen für einen sicheren Betrieb unbemannter Luftfahrzeuge (UAS) weiter zu verbessern. Interessierte wurden eingeladen, sich an der Umfrage zu beteiligen und ihre Erfahrungen sowie Einschätzungen einzubringen. Hier gelangen Sie zur Umfrage.

Projektlaufzeit und Konsortium

Das Forschungsprojekt ADAM (Advanced Air Space Mapping) wird im Rahmen der Innovationsinitiative mFUND des Bundesministeriums für Verkehr (BMV) gefördert und läuft von September 2023 bis August 2026. Ziel des Vorhabens ist die Entwicklung eines erweiterten Geo-Awareness-Dienstes auf Basis hochauflösender, maschinenlesbarer 3D-Karten des unteren Luftraums. Die Projektergebnisse sollen die sichere Integration von Drohnen in den Regelbetrieb unterstützen und einen Beitrag zur Weiterentwicklung zukünftiger U-Space-Dienste leisten.

Das Projekt wird von einem interdisziplinären Konsortium aus Forschungseinrichtungen und Industriepartnern durchgeführt. Beteiligt sind Continental Automotive Technologies GmbH, Fraunhofer-Institut für Verkehrs- und Infrastruktursysteme IVI, Autonom Elektrisch Fliegen gGmbH, Airclip Service GmbH & Co KG, Droniq GmbH, BIT Technology Solutions GmbH, PKTEC Pauli & Kayser Ingenieurgesellschaft mbH, Sedenius Engineering GmbH und Technische Universität München. Die Partner bringen Kompetenzen aus den Bereichen Sensorik, Kartierung, Künstliche Intelligenz, Drohnenbetrieb, Verkehrsmanagement und U-Space-Integration in das Vorhaben ein.