Der Traum von Drohnenschwärmen – hunderte kleiner Maschinen, die sich wie ein einziger Geist bewegen, um Strukturen zu bauen, Vorräte zu liefern oder Katastrophengebiete zu kartieren – wurde lange Zeit durch ein hartnäckiges Problem der Physik und der Zeit gebremst. Um eine einzelne Drohne das Fliegen beizubringen, nutzen Ingenieure oft Computersimulationen, die die reale Welt nachahmen. Es besteht jedoch ein ständiger Kompromiss zwischen Geschwindigkeit und Genauigkeit. Eine einfache, schnelle Simulation behandelt eine Drohne wie einen einzelnen Gewichtspunkt und ignoriert dabei, wie ihre Rotoren rotieren, wie sich ihr Körper neigt und wie der Luftwiderstand auf sie einwirkt. Diese Geschwindigkeit ermöglicht es Forschern, tausende Übungsflüge in Sekunden durchzuführen, aber die gelernten Lektionen scheitern oft bei der Anwendung auf eine echte Maschine, weil das einfache Modell die subtilen Verzögerungen und Kräfte der realen Welt übersieht. Umgekehrt ist eine hochgradig genaue Simulation, die jedes physikalische Detail berücksichtigt, unglaublich langsam. Wenn Forscher versuchen, ein ganzes Team von Drohnen in einer solch präzisen Umgebung zu trainieren, „erstickt“ der Computer. Jedes Mal, wenn zwei Drohnen nahe beieinander fliegen, muss die Software die komplexe Physik ihrer potenziellen Kollision berechnen – eine Aufgabe, die exponentiell schwieriger wird, je mehr Drohnen hinzugefügt werden. Das Ergebnis ist oft ein digitaler Absturz, der den Lernprozess von vorn beginnen lässt, was es nahezu unmöglich macht, große Gruppen effizient zu trainieren.

Die Forscher Maxim Mednikov und Oren Gal von der Universität Haifa haben einen Weg gefunden, diesen Engpass vollständig zu umgehen. Anstatt den Computer zu zwingen, in einer langsamen, perfekten Welt von Grund auf neu zu lernen, oder sich auf eine schnelle, aber fehlerhafte Welt zu verlassen, entwickelten sie eine Methode, die das Beste aus beidem kombiniert, ohne die üblichen Kosten zu verursen. Ihr Ansatz, der in Computersimulationen getestet wurde, ermöglicht es einem Drohnen-Team, komplexe kooperative Aufgaben mit einem schnellen, einfachen Modell zu erlernen, während eine kleine, vorab berechnete Korrektur sicherstellt, dass das Verhalten genau genug für die reale Welt bleibt. Die entscheidende Erkenntnis ist, dass die Unterschiede zwischen dem einfachen Modell und der komplexen Realität einmalig gelernt werden können, indem man nur eine einzige Drohne verwendet – und dies unabhängig davon, wie groß das Team wird.

Der Prozess beginnt mit einer einfachen, schnellen Simulation, in der eine Drohne als ein Punktmasse behandelt wird. Die Forscher lassen zunächst einen Basis-Controller diese einfache Drohne entlang eines spezifischen Pfades fliegen. Sie nehmen dann genau diesen Pfaden und fliegen ihn in einer viel detaillierteren High-Fidelity-Simulation, die alle chaotischen realen physikalischen Aspekte wie Luftwiderstand und Körperrotation beinhaltet. Durch den Vergleich der Bewegung des einfachen Modells mit der tatsächlichen Bewegung des detaillierten Modells berechnen sie die Differenz. Diese Differenz, oder das „Residuum“, ist wie eine kleine Fehlerkarte, die dem System genau sagt, wie es das einfache Modell anpassen muss, um dem komplexen Modell zu entsprechen. Entscheidend ist, dass diese Kalibrierung nur einmalig offline unter Verwendung einer einzelnen, isolierten Drohne durchgeführt wird. Die Forscher passen ein kleines mathematisches Modell an diese Differenzen an und frieren es dann ein, wodurch die Korrekturen festgeschrieben werden, sodass sie sich nicht mehr ändern können.

Sob sobald diese Korrekturkarte bereit ist, beginnt das eigentliche Lernen. Die Forscher trainieren eine gemeinsame Strategie (Policy) für den gesamten Schwarm innerhalb des schnellen, einfachen Simulators, jedoch mit einem Kniff: In jedem einzelnen Moment des Fluges wird die eingefrorene Korrektur auf die Bewegung der Drohne angewendet. Das bedeutet, dass die Drohnen lernen, so zu fliegen, als befänden sie sich in der komplexen, realistischen Welt, obwohl der Computer tatsächlich die schnelle, einfache Physik ausführt. Da die Korrektur nur vom Zustand einer einzelnen Drohne abhängt und nicht von ihren Teamkollegen, müssen die Forscher während dieser Trainingsphase niemals zwei Drohnen zusammen fliegen lassen. Sie können ein Team aus drei oder ein Team aus achtzehn Drohnen mit exakt denselben Kalibrierungsdaten trainieren, die aus Flügen einer einzelnen Drohne gewonnen wurden. Dies eliminiert das Risiko digitaler Abstürze während des Trainings, die in vollumfänglichen, realistischen Simulationen mit zunehmender Teamgröße typischerweise rasant ansteigen.

Die Ergebnisse dieser Methode wurden über vier verschiedene kooperative Aufgaben hinweg getestet, die von der Einhaltung einer Formation bis zum Fliegen einer Achterfigur reichten, wobei die Teamgrößen von drei bis achtzehn Drohnen variierten. In jedem einzelnen Szenario schnitt ein Team, das mit dieser hybriden Methode trainiert wurde, besser ab als ein Team, das nur mit dem einfachen, unkorrigierten Modell trainiert wurde. Noch beeindruckender war, dass es in zweiundzwanzig von vierundzwanzig Testfällen Teams übertraf, die von Grund auf in der langsamen, realistischen Simulation trainiert wurden. Während die Methode bei sehr kleinen Gruppen etwas weniger effektiv war als ein Team, das in der realistischen Simulation trainiert wurde, schloss sich die Lücke mit wachsender Teamgröße schnell. Bei den größten Teams von achtzehn Drohnen erreichte die hybride Methode eine nahezu identische Leistung wie das teure, realistische Training, tat dies jedoch in einem Bruchteil der Zeit und mit null Trainingsabstürzen. Das teure realistische Training führte bei großen Teams oft zu Absturzraten von über sechzig Prozent, was den Fortschritt effektiv stoppte, während die neue Methode stabil und effizient blieb.

Die Forscher entdeckten auch, dass die Menge der Daten, die zur Erstellung der ursprünglichen Korrekturkarte benötigt wird, überraschend gering ist. Sie fanden heraus, dass das Fliegen einer einzelnen Drohne für nur wenige Minuten, um etwa zweiunddreißig kurze Flugpfade zu sammeln, ausreichte, um das System für Teams jedweder Größe zu kalibrieren. Dieser Datenbedarf wuchs nicht mit der Anzahl der Drohnen; ein Team von achtzehn Drohnen benötigte den gleichen Kalibrierungsaufwand wie ein Team von drei Drohnen. Darüber hinaus erwies sich die Methode als robust gegenüber Änderungen in den physischen Eigenschaften der Drohne, wie etwa zusätzlichem Gewicht oder erhöhtem Luftwiderstand. Durch eine kurze, warme Rekalibrierung unter den neuen Bedingungen passte sich das System schnell an und behielt eine hohe Leistungsfähigkeit bei, ohne die gesamte Aufgabe neu lernen zu müssen.

Diese Arbeit zeigt, dass das High-Fidelity-Training für große Drohnenschwärme nicht die Echtzeit-Simulation jeder Kollision und Interaktion erfordert. Indem sie einen schnellen, einfachen Simulator mit einer kleinen, offline gelernten Korrektur eines einzelnen Agenten verankern, können Forscher komplexe, kooperative Verhaltensweisen trainieren, die sowohl genau als auch rechnerisch machbar sind. Obwohl diese Ergebnisse derzeit auf Computersimulationen beschränkt sind, bietet der Ansatz einen skalierbaren Weg für reale Anwendungen und legt nahe, dass die Zukunft der Drohnenschwärme nicht von schnelleren Computern abhängen könnte, sondern von klügeren Wegen, die uns bereits zur Verfügung stehenden zu nutzen.