Das Fliegen einer Drohne durch einen dichten Wald bei hoher Geschwindigkeit ist ein Problem des blitzschnellen Timings. Die Maschine muss ein Hindernis sehen, entscheiden, wie sie sich bewegen soll, und einen Befehl an ihre Motoren senden, bevor sie gegen einen Baum prallt. Jahrzehntelang haben Ingenieure dies gelöst, indem sie eine Karte der Welt im Computer der Drohne erstellten, einen Pfad planten und diesen dann abfuhren. Aber das Erstellen einer Karte kostet Zeit und Rechenleistung, und wenn die Karte falsch ist, stürzt die Drohne ab. Ein neuerer Ansatz versucht, Drohnen das Fliegen beizubringen, indem sie Experten beobachten, wobei die Maschine eine direkte Verbindung zwischen dem, was sie sieht, und der Art, wie sie sich bewegt, lernt – ganz ähnlich wie ein Kind, das das Fahrradfahren lernt, indem es das Gleichgewicht spürt, anstatt die Physik der Räder zu berechnen. Diese Methode, bekannt als Imitationslernen, hat vielversprechende Ergebnisse gezeigt, scheitert jedoch oft, wenn die Drohne auf eine Situation stößt, die sie noch nicht gesehen hat, oder wenn der Computer zu langsam ist, um mit der Fluggeschwindigkeit Schritt zu halten.

Die Herausforderung ist für kleine Drohnen, die an der Grenze ihrer Rechenleistung fliegen, noch schwieriger. Moderne künstliche Intelligenzmodelle, die Sprache und Bilder verstehen können, sind unglaublich schwerfällig und benötigen enorme Mengen an Speicher, um zu laufen. Um eine Entscheidung zu treffen, müssen diese Modelle Informationen oft Schritt für Schritt verarbeiten, so wie man ein Buch Wort für Wort liest. Für eine Drohne, die sich mit fünf Metern pro Sekunde bewegt, bedeutet das Warten auf einen langsamen Computer, der einen langen Satz zu Ende gelesen hat, dass die Drohne zwanzigacht Meter zurücklegt, ohne ihre Steuerung zu bewegen – eine Distanz, die in einem unwegsamen Wald einen Absturz garantiert. Forscher brauchten einen Weg, um diese intelligenten Modelle leicht genug zu machen, damit sie auf einem kleinen, batteriebetriebenen Computer laufen können, während sie gleichzeitig schnell genug Entscheidungen treffen, um sicher zu fliegen.

Ein Forscher hat ein neues System namens Aero-VPA entwickelt, das dieses Problem angeht, indem es die Art und Weise ändert, wie die Drohne denkt. Anstatt eine schwere, wortweise Verarbeitungsmethode zu verwenden, hat er eine gestraffte Architektur gebaut, die den zukünftigen Zustand der Welt in einem einzigen, schnellen Blick vorhersagt. Das System nutzt ein kompaktes visuelles Gehirn, das den Kamerafeed betrachtet, und einen kleinen Satz von Regeln, um vorherzusagen, was als Nächstes passieren wird, wodurch die Notwendigkeit entfällt, jedes Pixel des Bildes zu rekonstruieren. Dies ermöglicht es der Drohne, eine vollständige Sequenz von Bewegungsbefehlen in nur fünf schnellen Schritten zu generieren – eine Geschwindigkeit, die in die engen Zeitlimits des Computers einer kleinen Drohne passt. Der Forscher testete dieses System in einer hochrealistischen Computersimulation einer Quadrocopter-Drohne, die durch prozedural generierte Wälder navigiert, in denen Bäume zufällig platziert wurden, um eine Vielzahl von Herausforderungen zu schaffen.

Die ersten Ergebnisse waren überraschend und offenbarten einen verborgenen Fehler in der Art und Weise, wie diese Maschinen lernen. Als der Forscher die Drohne einfach darauf trainierte, die Aktionen eines Expertenpiloten zu kopieren, lernte die Drohne eine gefährliche Abkürzung. Sie hörte auf, die Bäume oder den Pfad vor sich anzusehen, und wiederholte stattdessen einfach den letzten Befehl, den sie an ihre Motoren gesendet hatte. In einer Simulation, in der die Drohne perfekt flog, funktionierte diese Gewohnheit gut, da der letzte Befehl normalerweise korrekt war. Doch in dem Moment, als die Drohne vom Kurs abkam, wiederholte sie blindlings den falschen Befehl und flog direkt in Hindernisse. Dieses Verhalten, das der Forscher als „Copycat-Problem“ bezeichnet, bedeutete, dass die Drohne, obwohl sie auf dem Papier perfekt aussah, in der Praxis keine einzige Mission absolvierte, wenn sie auf eigene Faust flog.

Um dies zu beheben, führte der Forscher eine Trainingsmethode ein, bei der die Drohne fliegen durfte und wann immer sie einen Fehler machte, ein Sicherheitsaufseher eingriff, um sie zu korrigieren und ihr die richtige Bewegung für diese spezifische Situation beizubringen. Dies verbesserte die Erfolgsquote der Drohne, aber sie stieß dennoch an eine Grenze. Die Drohne flog eine Weile, stürzte dann aber ab oder geriet in eine Schleife aus Zögern. Die Erfolgsquote pendelte sich bei etwa zwanzig Prozent ein, was bedeutete, dass die Drohne in vier von fünf Versuchen abstürzte oder scheiterte. Der Forscher erkannte, dass das Sehvermögen der Drohne zu eng war; sie konnte nur das sehen, was direkt vor ihr lag, und sobald ein Hindernis aus dem Sichtfeld verschwand, „vergaß“ die Drohne dessen Existenz.

Der Durchbruch kam nicht dadurch, dass man der Drohne beibrachte, klüger zu sein, sondern indem man ihr ein Sicherheitsnetz gab, das nicht auf Lernen basierte. Der Forscher fügte eine einfache, deterministische Sicherheitsebene hinzu, die wie ein Schutzschild fungierte. Dieser Schild behielt ein Gedächtnis von allem, was die Drohne in den letzten fünfzehn Sekunden gesehen hatte, und erstellte so eine mentale Karte des Raumes um sie herum, einschließlich Hindernissen, die hinter die Drohne oder zur Seite der Drohne gerückt waren. Wenn die Drohne versuchte, auf ein erinnertes Hindernis zuzusteuern, drückte der Schild sie sanft weg oder verlangsamte sie. Er besaß auch Regeln dafür, was zu tun sei, wenn die Drohne stecken blieb oder die Orientierung verlor, wie zum Beispiel das Zurücksetzen entlang des gerade geflogenen Pfades oder das Drängen in Richtung des nächsten Ziels.

Als dieser Schutzschild zu den trainierten Drohnen hinzugefügt wurde, änderten sich die Ergebnisse dramatisch. Die Erfolgsquote der leistungsfähigsten Drohne sprang von einundzwanzig Prozent auf zweiundfünfzig Prozent. Die Anzahl der Abstürze sank von zweiundsiebzig Prozent auf nur zweiundzwanzig Prozent. Der Nachteil war, dass die Drohne vorsichtiger wurde; sie wurde öfter langsamer und benötigte länger, um ihre Missionen zu beenden, wobei die Anzahl der Flüge, die einfach zeitlich abliefen, von drei Prozent auf dreiundzwanzig Prozent anstieg. Die Drohne prallte jedoch nicht mehr gegen Bäume. Der Schutzschild funktionierte so gut, dass er die Leistung jeder getesteten Drohnenversion verbesserte, unabhängig davon, wie diese trainiert worden war.

Der Forscher stellte fest, dass der Schutzschild besonders effektiv in den dichtesten Wäldern war, in denen die Bäume am engsten beieinanderstanden. In diesen engen Räumen stieg die Erfolgsquote der Drohne mit dem Schutzschild von lediglich sieben Prozent auf fast siebenundvierzig Prozent. Ohne den Schutzschild wäre die Drohne unter diesen Bedingungen fast immer abgestürzt. Der Schild bewältigte dies, indem er Hindernisse im Gedächtnis behielt, die nicht mehr im Kamerabild waren, und so verhinderte, dass die Drohne blindlings in einen Baum flog, den sie gerade erst passiert hatte. Das System lernte auch, mit der Verzögerung zwischen dem Sehen eines Hindernisses und der Reaktion darauf umzugehen – ein häufiges Problem in der Robotik, bei dem das Gehirn der Maschine etwas langsamer arbeitet als die Augen.

Trotz dieser Erfolge betont der Forscher vorsichtig, dass diese Arbeit noch in der Simulationsphase ist. Die Drohne ist noch nicht in der realen Welt geflogen, und der Computer, der die Tests durchführte, war ein leistungsstarker Cloud-Server, nicht der kleine, leistungsschwache Chip, für den das System eigentlich konzipiert ist. Die aktuelle Version der Drohne fliegt mit einer Durchschnittsgeschwindigkeit von etwa einem Meter pro Sekunde, was deutlich langsamer ist als die drei bis sieben Meter pro Sekunde, mit denen die Experten fliegen konnten. Der Forscher hat mehrere Hürden identifiziert, die bestehen bleiben, wie etwa der Umgang der Drohne mit Wind, wie die Kamera bei hellem Sonnenlicht sieht und wie das System auf dem eigentlichen kleinen Computer performt, für den es bestimmt ist.

Die Studie hob auch eine grundlegende Lektion über das Lehren von Maschinen zum Fliegen hervor. Einfach nur einen Experten zu kopieren, reicht nicht aus, wenn die Maschine eine Abkürzung findet, die im Training funktioniert, aber in der realen Welt versagt. Die Tendenz der Drohne, ihren letzten Befehl zu wiederholen, war ein cleverer Trick, den sie lernte, um Fehler während des Trainings zu minimieren, aber es war ein fataler Fehler in einer dynamischen Umgebung. Der Schutzschild behob nicht das Lernen der Drohne; er schränkte lediglich ihre Handlungen ein, um sie sicher zu halten, während sie den Rest herausfand. Der Forscher stellte fest, dass die Lernfähigkeit der Drohne immer noch begrenzt war und die Sicherheitsebene die Hauptarbeit leistete, um Katastrophen zu verhindern.

Diese Arbeit stellt einen bedeutenden Schritt dar, um kleine Drohnen zu befähigen, autonom in komplexen, unstrukturierten Umgebungen zu fliegen, ohne einen massiven Computer oder eine fertige Karte zu benötigen. Durch die Kombination eines leichtgewichtigen, schnell denkenden Gehirns mit einem einfachen, gedächtnisbasierten Schutzschild hat der Forscher einen Weg aufgezeigt, der agilen Flug auf Edge-Hardware. Das System ist nicht perfekt und noch nicht bereit für die reale Welt, aber es zeigt, dass mit der richtigen Kombination aus Geschwindigkeit, Gedächtnis und Vorsicht eine kleine Drohne lernen kann, einen Wald zu navigieren, ohne abzustürzen. Die nächsten Schritte werden darin bestehen, das System auf tatsächlicher Hardware und unter realen Außenbedingungen zu testen, um zu sehen, ob die in der Simulation gelernten Lektionen standhalten, wenn der Wind weht und sich die Bäume bewegen.