Der von UZH-Forschenden entwickelte Algorithmus DroNet ermöglicht Drohnen, völlig selbstständig entlang der Straßen einer Stadt und in Gebäuden zu fliegen. Dazu musste der Algorithmus Verkehrsregeln und Fahrbeispiele von Rad- und Autofahrern lernen.
Für die Navigation nutzen kommerzielle Drohnen GPS, was in großer Höhe gut funktioniert. Doch was passiert, wenn die Drohnen selbstständig zwischen Gebäuden oder im dichten Straßennetz fliegen müssen, wo Radfahrer und Fussgänger plötzlich ihren Weg kreuzen können? Bisher waren kommerzielle Drohnen nicht in der Lage, schnell auf solche unvorhergesehenen Ereignisse zu reagieren.
DroNet erkennt statische und dynamische Hindernisse
Forschende der Universität Zürich und des nationalen Forschungskompetenzzentrums NCCR Robotics haben nun den Algorithmus DroNet entwickelt, der Drohnen sicher durch die Straßen einer Stadt lenken kann. Dieser wurde als schnelles Residualnetzwerk mit acht Ebenen aufgebaut und erzeugt für jedes Eingangsbild zwei Outputs: einen für die Navigation, um Hindernisse zu umfliegen, und einen für die Kollisionswahrscheinlichkeit, um gefährliche Situationen zu erkennen und darauf reagieren zu können.
„DroNet erkennt statische sowie dynamische Hindernisse und reduziert das Tempo, um Zusammenstösse zu vermeiden. Mit diesem Algorithmus sind wir dem Ziel einen Schritt nähergekommen, selbstständig navigierende Drohnen in unseren Alltag zu integrieren“, erklärt Davide Scaramuzza, Professor für Robotik und Wahrnehmung der Universität Zürich.
DroNet (IEEE RAL’18) is a convolutional neural network that can safely drive a drone through the streets of a city.
DroNet – Leistungsstarker Algorithmus für künstliche Intelligenz
Statt sich auf komplizierte Sensoren zu verlassen, nutzt die Drohne der Schweizer Forscher eine normale Kamera wie die eines Smartphones und einen sehr leistungsstarken Algorithmus für künstliche Intelligenz, um die beobachteten Situationen auszuwerten. Dieser Algorithmus besteht aus einem sogenannten „Deep Neural Network“.
„Dieser Computeralgorithmus lernt, komplexe Aufgaben anhand von zahlreichen Trainingsbeispielen zu lösen. Er zeigt der Drohne, wie sie bestimmte Aufgaben und schwierige Situationen löst. Das ist ähnlich wie bei Kindern, die von ihren Eltern oder Lehrern lernen“, erklärt Prof. Scaramuzza.
Autos und Fahrräder sind die Lehrer der Drohnen
Eine der größten Herausforderungen des „Deep Learning“ ist es, mehrere tausend solcher Trainingsbeispiele zu sammeln. Um ausreichend Daten zu erfassen, haben die Forschenden Fahrten von Autos und Fahrrädern gesammelt, die in städtischen Umgebungen navigierten und die Verkehrsregeln respektierten. Durch Imitieren hat die Drohne automatisch gelernt, diese Regeln einzuhalten – zum Beispiel „Wie folge ich der Straße, ohne in den Gegenverkehr zu geraten“ oder „Wie halte ich an, wenn Hindernisse wie Fußgänger, Baustellen oder andere Fahrzeuge meinen Weg blockieren“. Die Forscher konnten zudem zeigen, dass ihre Drohne nicht nur durch Straßen navigieren konnte, sondern sich auch in komplett anderen Umgebungen zurechtfand, für die sie nie trainiert wurde – so etwa in Gebäuden wie Parkhäusern oder Bürofluren.
In Richtung vollautonomer Drohnen
Die Studie zeigt ein Potenzial von Drohneneinsätzen für Überwachungsaufgaben oder Paketlieferungen in belebter Umgebung sowie für Rettungseinsätze bei städtischen Katastrophen auf. Das Forschungsteam warnt jedoch von übertriebenen Erwartung, was leichte, günstige Drohnen können. „Es müssen noch viele technologische Probleme gelöst werden, bevor die ehrgeizigsten Anwendungen Realität werden können“, erklärt Doktorand Antonio Loquercio.
Literatur: Antonio Loquercio, Ana Isabel Maqueda, Carlos Roberto del Blanco und Davide Scaramuzza. DroNet: Learning to Fly by Driving. IEEE Robotics and Automation Letters, 22. Januar 2018. DOI: 10.1109/LRA.2018.2795643
Forschungsseite (EN): http://rpg.ifi.uzh.ch/dronet.html
Verwandte Artikel:
– DLR-Konzept: Lufttaxis und Paket-Drohnen im urbanen Luftraum
– Können Paketdrohnen die Zustellung selbst planen?
– Neue Flugregeln für Drohnen ab sofort in Kraft
