Verfügbarkeit von Drohnenmissionen mit binären Entscheidungsdiagrammen auf der Grundlage unsicherer Daten

Warum das für reale Drohnenmissionen wichtig ist

Drohnen werden zunehmend für ernsthafte Aufgaben eingesetzt: Wälder auf Brandrisiken untersuchen, Brücken auf Risse prüfen oder über Katastrophengebiete fliegen, wenn es für Menschen zu gefährlich ist. Planer müssen jedoch oft Start-/Abbruch-Entscheidungen auf Basis unvollständiger oder unscharfer Informationen treffen, statt auf harten Statistiken. Diese Arbeit stellt einen Weg vor, wie dieses unsichere, expertenbasierte Wissen in klare, numerische Abschätzungen der Erfolgschancen einer Drohnenmission überführt werden kann, um Betreibern zu helfen, sicherere und verlässlichere Einsätze zu planen.

Vom Flugplan zu einer logischen Missionskarte

Die Autoren betrachten eine Drohnenmission nicht nur als einzelnes Fluggerät in der Luft, sondern als ein System aus vielen Kontrollpunkten entlang der Route. Jeder Kontrollpunkt steht für einen Ort, an dem die Drohne nützliche Daten sammeln muss, etwa Bilder eines Waldabschnitts. Scheitern wichtige Kontrollpunkte, scheitert die Mission, selbst wenn die Drohne fliegt. Diese Idee wird in einer „Strukturfunktion“ abgebildet, die Kombinationen aus erfolgreichen und gescheiterten Kontrollpunkten einer Gesamtbeurteilung zuordnet: Missionssieg oder Missionsausfall. Anstatt jahrelange detaillierte Statistiken zu benötigen, kann diese Karte aus Expertenmeinungen darüber erstellt werden, wie entscheidend jeder Kontrollpunkt ist und wie gut die gesammelten Daten typischerweise sind.

Unscharfe Expertenmeinungen in ein klares Modell überführen

In der Praxis sind Experteneinschätzungen selten schwarz-weiß. Ein Betreiber könnte sagen, dass Daten von einem Kontrollpunkt wahrscheinlich verwertbar sind, aber mit Unsicherheit. Die Methode geht mit dieser Unschärfe um, indem sie einen fuzzy-Entscheidungsbaum verwendet. Für jeden protokollierten Missionsversuch geben Experten Vertrauensgrade an, dass ein Kontrollpunkt funktioniert hat (Wert 1) oder nicht (Wert 0), und ähnliche Vertrauenswerte dafür, ob das Missionsresultat nützlich war. Der fuzzy-Entscheidungsbaum lernt Muster aus diesen weichen, abgestuften Eingaben, identifiziert welche Kontrollpunkte am wichtigsten sind und wie verschiedene Kombinationen zu Erfolg oder Misserfolg führen. Ein Defuzzifizierungs-Schritt wandelt den unscharfen Baum dann in eine klare Ja-/Nein-Entscheidungsstruktur um, die sich für Berechnungen eignet.

Ein kompaktes Diagramm, das Schwachstellen der Mission offenlegt

Sobald der Entscheidungsbaum eindeutig ist, wird er in ein binäres Entscheidungsdiagramm (BDD) überführt, ein kompaktes, flussähnliches Diagramm, das alle logischen Regeln hinter dem Missionserfolg kodiert. Jeder Nicht-Endknoten steht für einen Kontrollpunkt, und Pfade durch das Diagramm entsprechen verschiedenen Wegen, auf denen eine Mission gelingen oder scheitern kann. Weil diese Darstellung identische Teilstrukturen nicht wiederholt, bleibt sie effizient auch bei Missionen mit vielen Kontrollpunkten. Mit Wahrscheinlichkeiten für den Erfolg jedes Kontrollpunkts — wiederum basierend auf Expertenvertrauen oder begrenzten Beobachtungen — erlaubt das Diagramm, die Verfügbarkeit der Mission bzw. die Erfolgswahrscheinlichkeit zu einem bestimmten Zeitpunkt durch Aufsummieren der Wahrscheinlichkeiten aller erfolgreichen Pfade zu berechnen.

Waldbrandüberwachung als Anwendungsfall

Um die Methode zu demonstrieren, analysieren die Autoren eine Drohnenmission zur Überwachung des Waldbrandrisikos mit acht Kontrollpunkten. Statt aller 256 möglichen Kombinationen von Kontrollpunktzuständen standen nur 150 aus Expertenbewertungen zur Verfügung — etwas mehr als die Hälfte der Gesamtkombinationen. Dennoch sagte das resultierende binäre Entscheidungsdiagramm Missionsausgänge mit 94 % Genauigkeit auf einem separaten Validierungsdatensatz voraus. Die berechnete Missionsverfügbarkeit war sehr hoch (etwa 0,992), aber das Modell zeigte auch, dass der erste Kontrollpunkt eine Engstelle war: Fällt er aus, scheitert die Mission in den meisten Fällen. Simulierte Verbesserungen dieses und eines weiteren empfindlichen Kontrollpunkts erhöhten die Verfügbarkeit weiter und demonstrierten, wie das Modell gezielte Aufwertungen oder Neugestaltungen leiten kann.

Stärken, Grenzen und zukünftige Richtungen

Das vorgeschlagene Framework ist leistungsfähig, weil es bekannte Werkzeuge — fuzzy-Entscheidungsbäume und binäre Entscheidungsdiagramme — zu einer Pipeline verbindet, die trotz vager, unvollständiger Daten funktioniert. Es skaliert deutlich besser als alternative Machine-Learning-Ansätze, die jede mögliche Kombination von Kontrollpunktzuständen explizit auflisten müssten, was schnell unpraktisch wird. Gleichzeitig hängt die Methode von der Qualität und Konsistenz der Expertenurteile ab und konzentriert sich derzeit auf eine statische Sicht der Missionen statt auf zeitlich veränderliche Ausfälle oder Reparaturen. Die Autoren skizzieren künftige Arbeiten, um Missionsdauer, Redundanz durch mehrere Drohnen und fortgeschrittenere, risikobewusste Entscheidungsmechanismen für autonome Luftfahrtssysteme zu integrieren.

Was das für Nicht-Expertinnen und Nicht-Experten bedeutet

Einfach gesagt bietet diese Studie Drohnenbetreibern und Planern eine Möglichkeit, eine einfache aber zentrale Frage zu beantworten: „Wie wahrscheinlich ist es, dass diese Mission basierend auf unserem Wissensstand gelingt?“ Selbst wenn Daten lückenhaft und größtenteils expertenbasiert sind, liefert die Methode ein transparentes, überprüfbares Logikmodell und eine konkrete Erfolgswahrscheinlichkeit. Sie zeigt auf, welche Teile einer Mission die meiste Aufmerksamkeit verdienen — sei es durch bessere Sensoren an einem bestimmten Kontrollpunkt, Anpassung der Route oder Hinzufügen einer zweiten Drohne. Während Drohnen zunehmend Verantwortung in Überwachung, Inspektion und Notfalleinsätzen übernehmen, können solche Werkzeuge dazu beitragen, dass ihre Einsätze nicht nur ambitioniert, sondern auch nachweislich zuverlässig sind.

Zitation: Zaitseva, E., Rabcan, J., Levashenko, V. et al. Availability of drone mission with binary decision diagram based on uncertain data. Sci Rep 16, 13721 (2026). https://doi.org/10.1038/s41598-026-42988-w

Schlüsselwörter: Zuverlässigkeit von Drohnenmissionen, unsichere Daten, fuzzy-Entscheidungsbäume, binäre Entscheidungsdiagramme, Waldbrandüberwachung