Störungsresistenz und fehlertolerante Steuerung von UAVs durch Integration rückstandsbasierter Diagnostik, Störungsschätzung und Gegenmaßnahmen gegen Drohnen

Warum intelligentere Drohnen wichtig sind

Kleine unbemannte Luftfahrzeuge – Drohnen – werden schnell zu Arbeitspferden für Lieferungen, Inspektionen, Katastrophenhilfe und Sicherheit. Die reale Luft ist jedoch rau: Motoren verschleißen, Sensoren driften, Winde beanspruchen den Rumpf und feindliche Akteure können versuchen, die Navigation zu stören oder zu täuschen. Dieses Papier untersucht, wie Drohnen deutlich autonomer und schwerer aus der Bahn zu bringen werden, indem man ihnen die Fähigkeit gibt, zu erkennen, wenn etwas nicht stimmt, zu verstehen, was die Ursache ist, und ihre Flugsteuerung in Echtzeit automatisch anzupassen – selbst wenn eine andere Drohne oder ein Störsender aktiv eingreift.

Viele Wege, wie eine Drohne in Schwierigkeiten geraten kann

Die Autoren skizzieren zunächst die wachsende Liste von Bedrohungen, denen moderne Drohnen ausgesetzt sind. Im Inneren des Fahrzeugs können Motoren an Leistung verlieren, Steuerflächen verklemmen und Sensoren wie Gyroskope oder GPS‑Empfänger verzerrt oder verrauscht werden. Außen können Böen, Turbulenzen und wechselnde Nutzlasten die Drohne von ihrem Kurs abdrängen. Hinzu kommt, dass ein Gegner Funksignale überlagern kann, Satellitensignale fälschen oder sogar eine andere Drohne auf Kollisionskurs senden kann. Traditionelle Regelungssysteme behandeln in der Regel ein Problem nach dem anderen – entweder Fehler, oder Wind, oder feindliche Drohnen – aber nicht alle zusammen. Dieser stückweise Ansatz lässt gefährliche Lücken, wenn mehrere Probleme gleichzeitig auftreten, wie es auf realen Missionen wahrscheinlich ist.

Ein zentrales System für Fehler, Störungen und Bedrohungen

Um diese Lücken zu schließen, schlägt das Papier eine einheitliche Steuerungsarchitektur vor, die drei Konzepte in einer Schleife verknüpft. Erstens vergleicht ein Selbstdiagnose‑Modul ständig, was die Drohne tatsächlich tut, mit dem, was ein mathematisches Modell vorhersagt. Abweichungen – sogenannte Residuen – zeigen an, wann ein Motor oder Sensor sich schlecht verhält und schätzen sogar, wie stark seine Leistung beeinträchtigt ist. Zweitens behandelt ein adaptiver Störungsschätzer alle unbekannten Kräfte aus der Umgebung als eine zusätzliche versteckte Variable im Modell und lernt deren Wert on‑the‑fly, wodurch der Regler Wind und andere nicht modellierte Effekte ausgleichen kann. Drittens sitzt eine Gegen‑Drohnen‑Strategie obenauf, erkennt Signaturen von Funkstörungen, gefälschten GPS‑Signalen oder nahe Flugobjekten auf Kollisionskurs und befiehlt dann Ausweichmanöver, während die Niedrig‑Ebenen‑Regelung die Drohne stabil hält.

Wie die neue Regelschleife sich im Flug verhält

Die Autoren entwickeln ein detailliertes mathematisches Modell eines Quadrotors, einschließlich Position, Orientierung und der Art und Weise, wie die Drehzahl jedes Rotors in Schub und Drehmomente umgesetzt wird. Anschließend integrieren sie die drei Module in einen zweischichtigen Regler: eine äußere Schleife, die die Drohne entlang eines gewünschten Pfads steuert, und eine innere Schleife, die sie eben und in die richtige Richtung hält. Wenn die Residuen auf einen Fehler hinweisen, schätzt das System, wie viel Wirksamkeit ein Motor verloren hat, und passt die Befehle an die verbleibenden gesunden Rotoren so an, dass die Drohne weiterhin die geforderten Kräfte erzeugt. Gleichzeitig lernt der Störungsschätzer – dessen Reaktionsgeschwindigkeit sich anhand der Größe der Residuen anpasst – den aktuellen Wind und andere unbekannte Effekte und speist kompensierende Signale in den Regler. Melden Sensoren und an Bord befindliche Wahrnehmung ein schnell anfliegendes Objekt oder inkonsistente Funk‑ und Satellitendaten, erklärt die Gegen‑Drohnen‑Logik eine Bedrohung und passt die Zielbahn der Drohne an, um auszuweichen, während die Stabilitätsschicht für eine ruhige Flugbewegung sorgt.

Was die Simulationen zeigen

Um den Ansatz zu testen, simulieren die Forschenden einen Quadrotor in einer virtuellen Umgebung mit starken Windböen und einer Reihe absichtlich eingespielter Probleme: teilweiser Leistungsverlust mehrerer Rotoren, Sensoren mit Verzerrungen, Sättigung eines Motors und der vollständige Ausfall eines anderen, jeweils zu verschiedenen Zeitpunkten. Sie simulieren außerdem feindliche Begegnungen, die Ausweichkurven und Höhenänderungen erfordern. Mit einem konventionellen Regler wachsen Positionsfehler auf etwa einen Viertelmeter und Lagetoleranzen akkumulieren sich, was in der Nähe von Hindernissen oder Hochspannungsleitungen riskant sein kann. Mit dem integrierten Rahmenwerk schrumpfen Positionsabweichungen auf unter fünf Zentimeter und Orientierungsfehler auf wenige Hundertstel Grad, selbst wenn Fehler und Wind gleichzeitig auftreten. Das System schätzt Fehler und Störungen ausreichend genau, sodass die Drohne schnell wieder auf ihren geplanten Kurs zurückkehrt. In Bedrohungsszenarien gelingen alle simulierten Ausweichmanöver und behalten dabei eine glatte, stabile Flugbahn bei.

Warum das für den Luftraum der Zukunft wichtig ist

Vereinfacht gesagt zeigt die Studie, dass Drohnen so konstruiert werden können, dass sie „fühlen“, wenn etwas nicht stimmt – sei es ein ausfallender Motor, eine plötzliche Böe oder eine feindliche Drohne – und automatisch die richtige Kombination aus korrigierenden und ausweichenden Maßnahmen ohne menschliches Eingreifen ergreifen. Durch die Verschmelzung von Fehlererkennung, Störungsunterdrückung und Gegen‑Drohnen‑Taktiken zu einem kohärenten Regelsystem demonstrieren die Autoren eine Drohne, die nicht nur unter idealen Bedingungen präzise ist, sondern auch resilient, wenn der Himmel feindlich wird. Solche Entwürfe könnten dazu beitragen, künftige Liefernetze, Inspektionsflotten und Einsatzdrohnen in dichtem, umkämpftem und unvorhersehbarem Luftraum sicherer und verlässlicher zu machen.

Zitation: Xie, Z., Long, Y. Anti interference and fault tolerant control of UAVs integrating residual based diagnosis disturbance estimation with counter drone strategies. Sci Rep 16, 9429 (2026). https://doi.org/10.1038/s41598-026-37984-z

Schlüsselwörter: Drohnenresilienz, fehlertolerante Steuerung, Anti‑Jamming, autonome UAVs, Gegen‑Drohnen‑Taktiken