Autonome Renndrohne bewältigt Race-Parcours schneller als Ex-Weltmeister

Ein Forschungsteam des MAVLab der Fakultät für Luft- und Raumfahrttechnik der Delft University of Technology hat ein autonomes Race-Drohnen-System mit der Bezeichnung MonoRace entwickelt, das es einer Drohne ermöglicht, einen Rennparcours mittels Künstlicher Intelligenz (KI) schneller zu durchfliegen als es ehemalige Weltmeister im Drohnenfliegen mit manuell gesteuerten Race-Quadrokoptern können. Das autonome MonoRace-System nutzt lediglich eine einzelne Kamera zur Umgebungserkennung. Damit ausgestattete Renndrohnen erreichen Geschwindigkeiten von bis zu 100 km/h.

Die Herausforderung, einen Rennparcours mit einer Race-Drohne so schnell wie möglich zu durchfliegen, liegt darin, dass die Drohne ihre Umgebung in extrem kurzer Zeit erkennen können und die eigene Flugposition und Geschwindigkeit darauf abstimmen muss. Nur so ist gewährleistet, dass die Drohne kein Tor eines Parcours auslässt, sich verfliegt oder gegen ein Hindernis stößt. Dabei sollen möglichst wenige Sensoren und geringe Rechen- und Energieressourcen zum Einsatz kommen.

Die Wissenschaftler betreiben MonoRace in einer Drohne mit lediglich einer einzelnen, nach vorn ausgerichteten Kamera, wie sie in der Studie „MonoRace: Robust monocular AI for champion-level drone racing“ schreiben, die in Science Robotics erschienen ist. Darüber hinaus verfügt die Drohne mit MonoRace-System nur noch über eine Inertial Measurement Unit (IMU) zur Bestimmung der Lage der Drohne im Raum. Über die Kamera und die Lagesensoren wird die gesamte Wahrnehmung, Navigation und Steuerung abgewickelt. Über GPS zur Positionsbestimmung verfügt die Drohne nicht. Auch haben die Wissenschaftler auf höchstmögliche Autonomie Wert gelegt, sodass auch keine externen Bilderkennungssysteme zum Einsatz kommen.

Konzentration auf das Wesentliche

Die Drohne beschränkt sich bei der Umgebungserkennung auf das Wesentliche: die Identifizierung der Renntore, die sie auf dem Parcours in einer bestimmten Reihenfolge durchfliegen muss. Dabei mussten die Forscher berücksichtigen, dass die gelieferten Kamerabilder durch die Geschwindigkeit verzerrt und unscharf ausfallen. Die Forscher nutzen zur Erkennung der Tore auf den Kamerabildern ein neuronales Netzwerk, das energiearm auf einem kleinen Computerchip als Flugcontroller der Drohne ausgeführt wird. Es erzeugt direkt die Steuerungsbefehle für die Ansteuerung der Motoren. Etwa 500 Steuerungsbefehle pro Sekunde sendet der Controller aus.

Trainiert wurde das neuronale Netzwerk mittels Reinforcement Learning (RL). Damit erlernte das System die Motoren direkt anzusteuern, um so extrem schnell innerhalb der physikalischen Grenzen der Drohne reagieren zu können. Der Controller kann so seine Ressourcen optimal ausnutzen und braucht weniger Energie, sodass die komplette Berechnung auf der Drohne selbst erfolgen kann. Kombiniert wird die Motorenansteuerung mit den Positionsdaten der IMU, die darüber die Position und Bewegung der Drohne für den autonomen Flug einschätzt.

Test gegen Ex-Drohnen-Race-Weltmeister

Getestet haben die Wissenschaftler der Delft University das MonoRace-System in einem anspruchsvollen Wettbewerbsumfeld auf der Abu Dabi Autonomous Drone Racing Competition 2025. Die Drohne und die Rennstrecke waren vom Veranstalter vorgegeben. Das MonoRace-System musste also erst auf die Drohne portiert und sich dann auf den unbekannten Parcours einstellen. Der Drohne gelang es, auf dem Wettbewerbskurs Geschwindigkeiten von bis zu 100 km/h zu erreichen und den Parcours fehlerfrei zu durchfliegen. MonoRace konnte so alle anderen autonomen Rennteams sowie drei menschliche ehemalige Drohnen-Race-Weltmeister schlagen.

Das von den Forschern der Delft University entwickelte MonoRace-System könne jedoch in abgewandelter Form auch für andere autonome Robotersysteme verwendet werden, auf denen schlanke KI-Systeme zum Einsatz kommen sollen. Neben Geschwindigkeit könnten diese Systeme je nach Anforderung etwa auf Effizienz oder Sicherheit optimiert werden. Mögliche Anwendungsgebiete liegen in der Steuerung von Saugrobotern bis hin zu großen Hafenkränen.