Folgend der neuesten Forschung hat das MIT-Team eine fortschrittliche KI-gesteuerte adaptive Steuerung entwickelt, die es Drohnen ermöglicht, automatisch auf dem geplanten Weg zu bleiben, selbst wenn sie auf unvorhersehbare Störungen wie starke Windböen treffen. Das System lernt autonom aus Daten, die während nur 15 Minuten Flug gesammelt wurden, und wählt den optimalen Anpassungsalgorithmus aus, was zu einer bis zu 50 % höheren Genauigkeit bei der Verfolgung im Vergleich zu Standardmethoden führt.

Wie das neue KI-gesteuerte System funktioniert

Traditionelle Steuerungssysteme basieren auf einem vordefinierten Modell der Drohne und einem erwarteten Modell der Umwelteinflüsse. In realen Bedingungen wie Gebirgsregionen oder städtischen Korridoren ist es jedoch oft nicht machbar, jeden möglichen Einfluss manuell zu modellieren. Die neue MIT-Lösung ersetzt die Vorstellung der Störstruktur durch unbekannte Funktionen und ersetzt sie durch ein neuronales Netzwerk, das basierend auf minimalen Daten ein Verständnis für unerwartete Kräfte aufbaut.

Automatische Algorithmenwahl: mirror descent

Statt des begrenzten Ansatzes, der auf Gradient Descent basiert, führten MIT-Forscher mirror descent ein, eine Familie von Optimierungsalgorithmen, die besser an die Geometrie möglicher Störungen angepasst ist. Das System bewertet in Echtzeit, welche Funktion aus der Familie am besten zur aktuellen Störung passt, und wendet diese an – ohne manuelle Parametereinstellung.

Meta-Lernen im Fokus

Durch Anwendung von Meta-Lernen trainiert das System gleichzeitig ein neuronales Netzwerk zur Erkennung von Störungen und den optimalen mirror descent, der während der Anpassung verwendet wird. Während des Trainings durchläuft das System verschiedene Windvarianten und lernt, gemeinsame Repräsentationen zu generieren, was eine schnelle Anpassung an neue, unbekannte Bedingungen ermöglicht.

Ergebnisse – 50 % weniger Fehler

In Simulationen und Experimenten erzielte das System bis zu 50 % weniger Fehler bei der Pfadverfolgung im Vergleich zu herkömmlichen Anpassungsmethoden. Zudem wuchs der Leistungsunterschied mit zunehmender Windstärke, was die Fähigkeit des Systems zeigt, effizient mit extremeren Bedingungen umzugehen.

Echtweltanwendungen

• Lieferung schwerer Lasten unter starken Windbedingungen – zum Beispiel in Gebirgsregionen oder bei Feuerbekämpfung.


• Drohnensteuerung über feuergefährdeten Gebieten wie Nationalparks oder Waldreservaten.

Nächste Schritte – vom Simulator in den Himmel

MIT-Forscher planen experimentelle Tests an realen Drohnen unter verschiedenen Windbedingungen. Zudem entwickeln sie zusätzliche Modulationen, darunter die Kombination von Störungen aus mehreren Quellen gleichzeitig – etwa Gewichtsschwankungen, wenn die Drohne Wasser oder flüssige Ladung transportiert.

Erweiterungsziele

1. Kontinuierliches Lernen: Das System wird das Modell neuer Störungen während des Betriebs aktualisieren, ohne dass eine erneute Schulung des gesamten Datensatzes erforderlich ist.
2. Mehrfachstörungen: Erkennung und Anpassung an kombinierte Einflüsse – zum Beispiel Wind + dynamisches Gewicht.

Expertenbewertung und Partnerschaften

Caltech-Professor Babak Hassibi betont: „Der Schlüssel ihrer Methode ist die Integration von Meta-Lernen mit adaptiven Steuerungen basierend auf mirror descent, die eine automatische Ausnutzung der Problemgeometrie ermöglichen – das ist wirklich revolutionär für autonome Systeme.“

Die Forschung wurde mit Unterstützung bedeutender Partner wie MathWorks, MIT-IBM Watson AI Lab, MIT-Amazon Science Hub und dem MIT-Google Programm für Innovationen im Computing realisiert.

Was bevorsteht

Die Arbeit wird bald auf mehrere Drohnenmodelle, unterschiedliche Klassen turbulenter Winde und Lasten ausgeweitet. Auch die Hardware-Integration ist geplant – der Übergang von Laboren und Simulationen zu realen Missionen wie Feuerbekämpfung oder medizinischer Lieferung.

Weiterhin im Fokus

Die Technologie verspricht, die Arbeitsweise von Drohnen unter unvorhersehbaren Bedingungen zu revolutionieren – insbesondere in Situationen, in denen die Stabilität des Fluges entscheidend für Sicherheit, Effizienz und betriebliche Zuverlässigkeit ist.

Quelle: Massachusetts Institute of Technology