Von Drohnen zu Lagerrobotern: Sicherheitsprogrammierung ist entscheidend – MIT könnte eine Lösung haben

Der Bedarf, große Flotten autonomer Fahrzeuge und Drohnen zu verwalten, wächst weiter. Leider erfordern die heutigen Systeme viel Aufwand und Rechenleistung. Zusätzlich können diese Sicherheitsprogrammierungssysteme nicht in Echtzeit angepasst werden.

Folglich ist es, da die kommerzielle Nutzung von Drohnenflotten immer verbreiteter wird, entscheidend, Sicherheitsprogrammierungsprotokolle zu schaffen, die die Prozesse vereinfachen und Garantien bieten. Glücklicherweise könnte ein Team innovativer Forscher vom MIT eine Lösung gefunden haben. Das sollten Sie wissen.

Drohnen-Shows

Von den Olympischen Spielen bis zu neuen Produkteinführungen sind Drohnen‑Shows häufiger denn je. Diese Veranstaltungen können Hunderte von Drohnen einsetzen, die im Einklang Bilder, Animationen und vieles mehr erzeugen. Diese großflächigen Lichtinszenierungen sehen atemberaubend aus. Noch beeindruckender als diese Aktionen ist die gesamte Arbeit, die nötig ist, um diese Shows zu ermöglichen.

Aktuelle Methoden der Sicherheitsprogrammierung

Derzeit steuern Ingenieure große Drohnenschwärme oder andere multi‑autonome Robotersysteme mithilfe von Multi‑Agent‑Systemen (MAS). Diese Protokolle kombinieren Trajektorien mit Wegpunkten und Zeitbeschränkungen. Zusammen ermöglichen diese Faktoren jeder Drohne, zu wissen, wo sie sich entlang ihres vorgeplanten Flugwegs befindet.

Dieser Ansatz funktioniert, wenn die Bedingungen gut sind und die Drohnen rechtzeitig am richtigen Ort sind. Allerdings können ernsthafte Nachteile auftreten, wenn Geräte vom Kurs abkommen. Um Kollisionen zu verhindern, setzen Ingenieure eine Technik namens paarweise Pfadplanung ein.

Nachteile der Sicherheitsprogrammierung

Dieser Algorithmus lässt jede Drohne wissen, wo sie sich relativ zu anderen Drohnen befinden sollte, wenn alles perfekt läuft. Bei Kommunikationsstörungen können jedoch gravierende Probleme auftreten. Da jede Drohne im MAS‑Setup nach dem Start blind fliegt, geht sie von dem vorgeplanten Kurs aus, selbst wenn äußere Einflüsse den ursprünglichen Plan ungültig machen. Dies kann zu sehr seltsamen Aktionen führen, wie unerwartetes Landen, das Herabfallen aus dem Himmel auf Zuschauer, das Wegfliegen ins Nichts oder das Nichtreagieren.

Kürzliche Unfälle bei Drohnen‑Shows

Der plötzliche Anstieg von Drohnen‑Shows und autonomer Robotik hat zu einigen gefährlichen Situationen geführt. Drohnen stellen viele Bedrohungen dar, selbst wenn sie unbewaffnet sind. Diese Geräte können die Verbindung verlieren und aus mehreren hundert Metern Höhe fallen, wodurch das Gerät und Fußgänger beschädigt werden. Zusätzlich könnten Kollisionen mit anderen Flugzeugen katastrophale Verluste und Todesfälle zur Folge haben. Zwei aktuelle Beispiele verdeutlichen diese Bedenken:

Florida

Die Bewohner von Orlando, die sich am 21. Dezember 2024 draußen versammelten, um die Drohnen‑Show zu sehen, hatten keine Ahnung, dass das Ereignis gefährlich werden würde. Während des Events, das Hunderte von Drohnen umfasste, führte ein Verbindungsfehler dazu, dass mehrere Drohnen zu Boden stürzten und Zuschauer trafen.

Leider fiel eine der Drohnen auf ein 7‑jähriges Kind und verursachte schwere Verletzungen, die eine Notoperation erforderlich machten. Auf Fragen zu dem Vorfall erklärte das Unternehmen hinter dem Event, Sky Elements Drone, sein Bedauern und versprach, die Ursache zu untersuchen, um zukünftige Vorfälle zu verhindern.

New York

Ein weiterer Vorfall, der im letzten Jahr stattfand, betraf Drohnen in Staten Island, New York. In diesem Vorfall flog ein Drohnenpilot 2,5 Meilen entfernt. Da er außerhalb der klaren Sichtweite war, bemerkte er einen UH‑60 Black Hawk‑Hubschrauber nicht und kollidierte mit dem Fluggerät.

Glücklicherweise konnte der Hubschrauber zurück zur Basis fliegen. Bei genauerer Untersuchung stellte die Besatzung jedoch fest, dass sie äußerst Glück hatten, da Teile der Drohne im Hauptrotorschacht gefunden wurden. Nach einer langen Untersuchung veröffentlichte das National Transportation Safety Board einen Unfallbericht, der die Schuld des UAV‑Betreibers aufzeigte.

Studie zur Sicherheitsprogrammierung mit Multi‑Agenten

In Anerkennung des Bedarfs an einem agileren und reaktionsfähigeren Sicherheitssystem beim Umgang mit Flotten autonomer Einheiten stellten MIT‑Ingenieure in einem kürzlich veröffentlichten Papier in IEEE Transactions on Robotics¹ eine neue Trainingsmethode vor. Ihre Forschung beschreibt eine neue Trainingsmethode, die den Sicherheitsschutz verbessert und den Arbeitsaufwand bei der Implementierung dieser Protokolle reduziert.

Graph Control Barrier Function GCBF+

Das Graph Control Barrier Function +‑Protokoll baut auf früheren Barrier‑Funktion‑Algorithmen auf und fügt proprietäre Systeme hinzu, um die Aufrechterhaltung der Sicherheit über massive Fahrzeugflotten hinweg zu vereinfachen. Beeindruckend ist, dass GCBF+ Drohnen ermöglicht, komplexe Umgebungen ähnlich wie Menschen zu navigieren.

Erfassungsradius

Das System beginnt damit, einen kleineren Erfassungsradius zu schaffen, der sich hauptsächlich auf Kollisionsrisiken konzentriert und nicht auf den gesamten Flugplan. Dies reduziert den Verwaltungsaufwand der Drohne und ermöglicht ihr, aktiv Hindernisse in der Umgebung zu verfolgen und zu vermeiden.

Situationsbewusstsein

Das aktualisierte GCBF+ ermöglicht Drohnen, genau zu wissen, wo sie sich in Echtzeit befinden und ihre Position in Bezug auf andere UAVs in der Umgebung. Das Verfolgen aller Drohnen in Echtzeit ermöglicht es mehreren koordinierten, kollaborativen und computerprogrammierten Agenten, zusammenzuarbeiten, um Aufgaben zu erledigen.

Graph‑Neural‑Netzwerke (GNNs)

Das Team entwickelte ein maßgeschneidertes Computermodell, das fortschrittliche Graph‑Neural‑Netzwerke nutzte und ihnen ermöglichte, einige zentrale Vorteile zu nutzen, wie die Fähigkeit, ein GCBF zu parametrisieren und Steuerungsrichtlinien zu verteilen. Konkret simuliert das System Agenten und Controller.

Quelle – MIT

Die Ingenieure nutzen die genauen Spezifikationen realer Drohnen. Sie berücksichtigten deren mechanische Fähigkeiten, Grenzen, Leistung, Batterielaufzeit und weitere entscheidende Faktoren. Die Simulation nahm diese Informationen und nutzte sie, um groß angelegte Tests zu erstellen, die von den Ingenieuren überwacht wurden.

Bemerkenswerterweise ist die Entscheidung, ein Graph‑Neural‑Network (GNN) zu verwenden, sinnvoll, da es die Verfolgung der sich ändernden graphischen Topologie des entfernungsbasierten Beobachtungsdatenflusses ermöglicht. Diese Eingabe wurde dann zusammen mit anderen Daten verwendet, um das KI‑System so zu programmieren, dass Leistung und Sicherheit ausbalanciert werden.

Mehr Agenten und Aufgaben hinzufügen

Die Ingenieure begannen dann, die Simulation zu skalieren, um mehr Einheiten und komplexere Aufgaben einzubeziehen. Sie stellten fest, dass sich die Echtzeit‑Sicherheitssysteme automatisch anpassten, nachdem sie auf neue Drohnen kopiert und eingefügt wurden. Jede Interaktion wurde vermerkt, während weitere Drohnen zur Simulation hinzugefügt wurden.

Kollisionen über Tausende von Simulationen verfolgen

Als die Anzahl und Dichte von Agenten und Hindernissen zunahm, wurde das System feinabgestimmt, um keine Kollisionen als Belohnung zu sehen. Das GNN begann dann autonom, die Controller‑Eingaben anzupassen, um sicherzustellen, dass Sicherheitsverstöße reduziert wurden.

Die Ingenieure bemerkten, wie das GNN den Drohnen ermöglichte, ihre Trajektorien in Echtzeit anzupassen, um Kollisionen mit anderen Bots zu vermeiden. Dieser Test trug dazu bei, sicherzustellen, dass ihr Controller reaktiv war, das heißt, er erstellte ständig einen Flugweg für die Drohnen basierend auf den Echtzeit‑Umgebungsbedingungen neu.

Die MIT‑Ingenieure führten im Rahmen dieses Ansatzes auch Sicherheitsgrenzen ein. Dabei handelt es sich um Bereiche, in denen Geräte wahrscheinlich Sicherheitsverstöße erleiden. Indem die Geräte angewiesen wurden, diese Bereiche zu meiden, reduzierte das Team die vielen Kollisionen und Fehler, die die aktuellen Systeme plagen, drastisch.

Trainingsmethode für Multi‑Agent‑Systeme

Beeindruckend wurde der Controller nach Abschluss der Simulation, sobald alle Sicherheitsbedenken geklärt waren, auf andere Einheiten kopiert und eingefügt. Da das Protokoll beliebige Graph‑Topologien verarbeiten kann, ist eine vertikale Skalierung einfacher. Zusätzlich kann es sich an wechselnde Teilnehmerzahlen anpassen, was bedeutet, dass die Programmierung an wenigen Drohnen durchgeführt und dann mit dem Schwarm geteilt werden kann.

MAS‑Sicherheitsprogrammierungstest

Die Ingenieure machten sich daran, ihr verteiltes Framework für sichere Multi‑Agent‑Steuerung in groß angelegten Umgebungen mit Hindernissen mithilfe von Crazyflies‑Drohnen zu testen. Diese handgroßen Quadrotor‑Drohnen wurden mit dem GNN aufgerüstet. Insgesamt wurden in der Testphase 8 Crazyflies eingesetzt.

Die Agenten nutzten die 8 realen Drohnen, um Aktivitäten zu verfolgen und zu überwachen. Anschließend wurden die Daten in einer Simulation mit 1000 Drohnen geteilt. Die gleiche Skalierungsmethode wurde für Hindernisse angewendet. Das Team begann mit 8 Hindernissen in einem Real‑World‑Test. Die Simulation erhöhte die Zahl auf 128 bewegliche und unbewegliche Hindernisse für die abschließenden Tests.

MAS‑Sicherheitsprogrammierungstest – Verschiedene Ziele

Den Drohnen wurden verschiedene Ziele zugewiesen, um zu sehen, wie sie sich in überfüllten Umgebungen schlagen. Eine Aufgabe bestand darin, während des Fluges die Positionen zu tauschen. Diese Aufgabe mag einfach erscheinen, aber bei 1000 Drohnen ist das Kollisionsrisiko hoch.

Landung

Das nächste Ziel war, dass die Drohnen auf bewegenden Kisten landen. Die bewegenden Kisten waren Roboter, die Turtlebots genannt werden. Die Turtlebots wurden so eingerichtet, dass sie mit unterschiedlichen Geschwindigkeiten kreisen. Die Drohnen mussten um einander herum navigieren und sicher auf dem Turtlebot landen, um ihre Aufgabe zu erfüllen.

Ergebnisse des MAS‑Sicherheitsprogrammierungstests

Die Ergebnisse der Sicherheitsprogrammierungsstudie sind aufschlussreich. Zum einen übertrafen die Geräte ihren Vorgänger sowohl in 2D‑ als auch in 3D‑Umgebungen. Der Einsatz von LiDAR‑basierten Punktwolken‑Beobachtungen zur Handhabung von Hindernissen erwies sich als großartige Ergänzung. Er ermöglichte den Drohnen, in Echtzeit Anpassungen vorzunehmen und in ihren zugewiesenen Sicherheitszonen zu bleiben.

Die Crazyflies flogen herum, erledigten ihre Aufgaben während des Fluges und landeten erfolgreich ohne Kollisionen. Die Ingenieure kamen zu dem Schluss, dass ihr System eine Reduzierung von Kollisionen um 40 % ermöglichen könnte. Außerdem verbesserte es die Drohnenleistung, sodass sie Aufgaben, die Hunderte von Drohnen umfassen, ohne Zwischenfälle ausführen konnten.

Vorteile der MAS‑Sicherheitsprogrammierungsstudie

Diese Studie bietet mehrere Vorteile für den Markt. Erstens ermöglicht sie Ingenieuren, Sicherheitsanforderungen und Leistungs­kriterien automatisch auszubalancieren. Der Einsatz der Theorie der Kontroll‑Barrier‑Funktion für Sicherheitsgarantien reduziert Gefahren für Personen in der Nähe dieser Geräte drastisch. Außerdem sorgt der Einsatz von LiDAR‑Systemen für Echtzeit‑Feedback und Anpassungen des Flugwegs.

Nur Zielort

Einer der größten Vorteile dieser Technologie besteht darin, dass Ingenieure keinen Flugweg planen mussten, im Gegensatz zu traditionellen Methoden, die viel Zeit und Rechenaufwand erfordern. Das Team gab der Drohne lediglich Anweisungen und ein Ziel. Das Gerät berechnete keinen einzigen kollisionsfreien Pfad. Stattdessen berechnete es Tausende von Trajektorien basierend auf seinen Sensordaten in Echtzeit, wodurch alle Änderungen verfolgt und Anpassungen vorgenommen werden.

Skalierbar

Die Ingenieure haben mit ihrem neuesten Copy‑and‑Paste‑Controller ein bedeutendes Upgrade des heutigen Systems vorgenommen. Dieses Protokoll nutzt eine Graphstruktur, die ideal für skalierbare und verallgemeinerbare verteilte Steuerung von MAS ist.

Dieser Ansatz bedeutet, dass zukünftige Drohnenpiloten nur eine kleine Anzahl von Einheiten programmieren müssen. Die Sicherheitsparameter können dann auf eine unbegrenzte Anzahl von Drohnen hochskaliert werden, wodurch Geld, Zeit und Aufwand gespart werden, ohne die Leistung zu beeinträchtigen.

Anwendungen der MAS‑Sicherheitsprogrammierung

Die Liste der Anwendungsmöglichkeiten für diese Technologie wächst weiter. Die Fähigkeit, das Controller‑Protokoll einfach zu erstellen, zu verteilen und zu skalieren, stellt ein großes Upgrade für Drohnen‑Anti‑Kollisions‑Systeme dar. Sie ermöglicht es, groß angelegte Anwendungen schnell für neue Umgebungen zu konfigurieren. Diese Fähigkeit macht die Technologie für den Einsatz in Lagerhäusern, Such‑ und Rettungsaktionen, selbstfahrenden Autos und militärischen Aufgaben geeignet.

Forscher der MAS‑Sicherheitsprogrammierung

Die hinter dieser Arbeit stehenden Forscher umfassen den MIT‑Associate Professor für Luft‑ und Raumfahrt, Chuchu Fan. Zusätzlich unterstützten Songyuan Zhang, Oswin und Kunal Garg die Forschung. Bemerkenswert ist, dass die Studie finanzielle Unterstützung von der U.S. National Science Foundation, dem MIT Lincoln Laboratory im Rahmen des Programms Safety in Aerobatic Flight Regimes (SAFR) und der Defence Science and Technology Agency of Singapore erhielt.

Ein führendes Unternehmen im Bereich autonomer Fahrzeuge

Mehrere Unternehmen könnten die MAS‑Sicherheitsprogrammierungsstudie nutzen, um ihre UAV‑ oder EV‑Angebote zu verbessern. Da immer mehr Hersteller autonomer Fahrzeuge auf den Markt kommen, werden die Sicherheitsanforderungen für Flotten autonomer Fahrzeuge steigen. Hier ist ein Unternehmen, das sich perfekt positioniert hat, um diese Daten zu nutzen und seine Renditen zu verbessern.

Amazon

Wenn es um den Betrieb von Schwärmen autonomer Roboter geht, ist Amazon (AMZN ) der Spitzenreiter. Das Unternehmen integrierte vor vielen Jahren autonome Roboter in seine Fabrik. Seitdem hat es seine Drohnenflotte erweitert, um UAVs und EVs einzubeziehen. Mit dem Wachstum ihrer Flotte wird die Nachfrage nach Sicherheitsparametern und Steuerungssystemen, wie sie von MIT‑Forschern entwickelt wurden, steigen.

Amazon hat lange über Drohnen‑Lieferflotten spekuliert. Im kommenden Jahr könnte das Unternehmen mit dem Start beginnen. Bemerkenswert ist, dass die FAA im vergangenen November die MK30‑Drohnen, die sie für den Flug einsetzen wollen, genehmigt hat.

Amazon hat zudem Fortschritte in Richtung seines 10‑Jahres‑Ziels gemacht, Pakete per Drohne in der EU zu liefern. Konkret testete das Unternehmen im vergangenen Dezember sein Liefersystem in San Salvo, Italien, mit hervorragenden Ergebnissen.

Wenn erfolgreich, könnte Amazon Drohnen einsetzen, um jährlich über 500 Mio. Kunden zu beliefern. Dieser Schritt würde die Lieferkosten und Diebstähle erheblich senken, was zu Kursgewinnen der AMZN‑Aktie führen könnte.

Zukunft der MAS‑Sicherheitsprogrammierung

Die Zukunft der Drohnen‑Sicherheitsprogrammierung liegt in skalierbaren Hochleistungs‑KI‑basierten Systemen. Diese Systeme ermöglichen es Ingenieuren, alles von der Erstellung bis zur Verwaltung und Verteilung von Sicherheitsprotokollen zu vereinfachen.

Zukünftig wird Ihre Lieferdrohne ein vollständiges Verständnis ihrer Echtzeit‑Umgebung, ihres Flugwegs und der Position ihrer Mitarbeiter haben. Daher nähern sich die Menschen weiter dem Tag, an dem eine 24‑Stunden‑Lieferung zu langsam erscheinen könnte.

Erfahren Sie hier von anderen spannenden Entwicklungen im Robotik‑Sektor hier.

Studienreferenz:

^{1. Zhang, S., So, O., Garg, K., & Fan, C. (2025). GCBF+: Ein neuronales Graph‑Control‑Barrier‑Function‑Framework für verteilte sichere Multi‑Agent‑Steuerung. IEEE Transactions on Robotics. https://doi.org/10.1109/TRO.2025.3530348}