Anwendung von Machine Learning für die sichere Führung von Drohnen im bodennahen Luftraum

Abstract

Künstliche Intelligenz (KI) ist immer mehr in der Lage, die Menschen bei diversen Aufgabenzu unterstützen. Dies ist sogar bereits der Fall wenn es um komplexere Tätigkeiten wie die Luftaufklärung mittels Drohnen geht. Im Zuge einer Naturkatastrophe oder eines Unfalls können Drohnen ferngesteuert von den Einsatzkräften dorthin entsandt werden und damit bereits schnelle Aufklärung durchführen und so zu einem möglichst erfolgreichen Einsatz beitragen. Allerdings kann das Überfliegen der Drohnen auch über bewohntem Gebiet und in niedrigen Höhen notwendig werden, was wiederum ein Risiko darstellt. Gerade bestimmte Bodenobjekte wie Feuer, Menschenmengen oder Staus können für die Drohne, sowie für die Menschen am Boden gefährlich werden, daher ist es wichtig, diese Gefahren zu erkennen. Bei der Erkennung dieser Gefahren kann künstliche Intelligenz in Form einer intelligenten und schnellen Objekterkennung helfen, diese zu umfliegen. Aus diesem Grund soll untersucht werden wie eine derartige Objekterkennung umgesetzt werden kann. Genauer soll hier die Umsetzung mittels Yolov4 und darauf beruhend verschiedene Modellkonfigurationen untersucht und verglichen werden. Als Ergebnis resultieren Objekterkennungsmodelle, welche in der Lage sind, die definierten Klassen zu erkennen, allerdings nicht ausreichend zuverlässig. Auch gibt es Unterschiede zwischen den Modellen in Bezug auf Genauigkeit und Geschwindigkeit. Die Modelle unterscheiden sich in ihrer Eingangsauflösung. Es zeigt sich, dass eine höhere Auflösung nicht zwangsläufig bessere Ergebnisse erzielt.