Ein verbessertes PSO-ABC-Routenplanungsalgorithmus für UAVs basierend auf dem Aufbau einer urbanen Luftraumtopologie mit realen GIS-Daten

Sicherere Himmel für Stadtdrohnen

Lieferdrohnen und Inspektionsroboter versprechen schnellere Zustellungen und intelligentere Städte, doch ihr Flug über belebte Straßen und hohe Gebäude ist riskant. Diese Studie zeigt, wie man über einer realen chinesischen Stadt „unsichtbare Autobahnen“ im Himmel erstellt und wie ein neuer Rechenalgorithmus unbemannte Luftfahrzeuge (UAVs) entlang von Routen führen kann, die sowohl für Menschen am Boden sicher als auch für die Fluggeräte effizient sind.

Einer realen Stadt eine 3D-Flugkarte geben

Die Autoren beginnen mit detaillierten GIS-Daten aus einem 5-mal-5-Kilometer-Gebiet im Changqing-Distrikt von Jinan, China, einschließlich der genauen Lage und Höhe der Gebäude. Anstatt den Luftraum über der Stadt als einen großen zusammenhängenden Raum zu behandeln, teilen sie ihn in neun dünne Höhenlagen, jeweils 5 Meter hoch, vom Boden bis 40 Meter. Innerhalb jeder Schicht legen sie ein Schachbrettmuster aus 100-mal-100-Meter-Quadraten an. Das Stapeln dieser Quadrate erzeugt ein 3D-Gitter aus winzigen Kästchen oder Voxeln, von denen jedes ein mögliches Stück Himmel repräsentiert, das eine Drohne einnehmen könnte.

Offene Luft mit Menschen und Eigentum darunter ausbalancieren

Um zu entscheiden, welche Voxel tatsächlich nutzbar sind, kombiniert das Team zwei einfache, aber wirkungsvolle Konzepte. Erstens misst die „Luftraumverfügbarkeit“, wie leicht eine Drohne von einem Gitterfeld zum nächsten gelangen könnte, ohne mit Gebäuden oder anderen Hindernissen zu kollidieren. Verbindet sich ein Feld durch offene Korridore mit vielen anderen, erhält es einen hohen Wert. Zweitens bewertet das „Bodenrisiko“, wie großen Schaden eine abstürzende Drohne darunter verursachen könnte, basierend auf lokaler Bevölkerungsdichte, Verkehr und dem Vorhandensein wertvoller Bauwerke. Das Modell unterscheidet zwischen Todesfällen oder Verletzungen von Fußgängern und Fahrzeuginsassen sowie Schäden an Gebäuden und Infrastruktur.

Die Stadt in bessere und schlechtere Drohnenzonen einteilen

Jeder Ort im Gitter erhält zwei Werte: einen für Luftraumverfügbarkeit und einen für Bodenrisiko. Die Autoren verwenden dann ein Quadrantendiagramm, um Lufträume in vier Typen zu gruppieren: hohe Verfügbarkeit bei geringem Risiko (ideal), hohe Verfügbarkeit bei hohem Risiko (belebte Innenstädte), geringe Verfügbarkeit bei geringem Risiko (wenig Menschen, aber viele Hindernisse) und geringe Verfügbarkeit bei hohem Risiko (das Schlimmste von beidem). Schwellenwerte legen fest, was als „hoch“ oder „niedrig“ gilt. Der größte Teil des untersuchten Luftraums — etwa 64 Prozent — fällt in die beste Kategorie, mit viel Manövrierraum und relativ geringem Risiko für Menschen und Eigentum. Ein weiterführender „Pareto-Sortierung“-Schritt ordnet anschließend die besten Zellen, indem höhere Offenheit gegen geringeres Risiko abgewogen wird; die obere Hälfte bleibt als bevorzugtes Netzwerk sicherer Himmelskorridore erhalten.

Drohnen beibringen, schlauere Routen zu wählen

Sobald dieses sichere 3D-Netz aufgebaut ist, besteht die Herausforderung darin, eine konkrete Route von einem Startpunkt nahe dem Boden zu einem höher gelegenen Ziel zu finden, wobei strenge Regeln eingehalten werden müssen: Drohnen müssen markierte Flugverbotszonen über Gebäuden meiden, innerhalb erlaubter Höhenbänder bleiben, steile Steig- und Sinkflüge begrenzen und einen sicheren Abstand zu Gelände und Bauwerken wahren. Dazu kombinieren die Autoren zwei bekannte, von der Natur inspirierte Suchtechniken. Eine Particle Swarm Optimization (PSO)-Methode wirkt wie ein Vogelschwarm, der den gesamten Raum nach vielversprechenden Pfaden erkundet, während eine Artificial Bee Colony (ABC)-Methode wie Bienen funktioniert, die sich auf die Verfeinerung der besten Nektarquellen konzentrieren. PSO führt eine breite globale Suche durch, danach übernimmt ABC die sorgfältige lokale Feinabstimmung um die vielversprechendsten Kandidatenrouten. Schließlich wird die grobe Wegpunktkette mit einer mathematischen Kurve geglättet, sodass eine echte Drohne sie ohne scharfe, unrealistische Wendungen fliegen kann.

Schnellere, sanftere und sicherere Stadtrouten

Die Forschenden testen ihren kombinierten PSO-ABC-Ansatz gegen drei gebräuchliche Alternativen: einen Standard-Genetischen-Algorithmus, PSO allein und ABC allein. In realistischen Simulationen unter Verwendung der tatsächlichen Gebäudeanordnung von Changqing findet ihre Methode durchweg sanftere Flugbahnen, die alle Flugverbotszonen und stark frequentierten Bodenbereiche meiden. Sie konvergiert außerdem wesentlich schneller auf gute Lösungen — mit etwa halb so vielen Iterationen wie die anderen Methoden — was Rechenzeit und Energie spart. Für Nichtfachleute ist die Quintessenz klar: Durch sorgfältige Modellierung sowohl des Himmels als auch der Stadt darunter und durch den klugen Mix aus vogel- und bienenähnlichen Suchstrategien bietet diese Arbeit einen praxisnahen Weg, Drohnen durch komplexe urbane Umgebungen zu führen und dabei Menschen und Eigentum besser zu schützen.

Zitation: Liu, Y., Dong, H., Liu, H. et al. An improved PSO-ABC path planning algorithm for UAVs based on a construction of urban airspace topology with actual GIS data. Sci Rep 16, 5048 (2026). https://doi.org/10.1038/s41598-026-35958-9

Schlüsselwörter: Städtische Drohnenrouten, UAV-Flugplanung, Luftraumsicherheit, heuristische Optimierung, GIS-basierter Luftraum