Hüseyin Burak Ünal von der Control of Networked Systems Group der Universität Klagenfurt hat im Rahmen seiner Masterarbeit das Landeplatz-Erkennungssystem für RAMSES entwickelt, das Experiment seiner Gruppe bei der AMADEE-24 Mars-Analogmission des Österreichischen Weltraum Forums. Betreut wurde die Arbeit von Univ.-Prof. Dr. Stephan Weiss, Assoc. Prof. Dr. Jan Steinbrener und Dr. Thomas Jantos. Getestet wurde das System anschließend an realen Luftbildern, die während der Mission in Armenien aufgenommen wurden. Hier ein Einblick in seine Forschung.

Wenn eine Drohne auf einem Gelände landen muss, das niemand kartiert hat, etwa in einer felsigen, marsähnlichen Wüste, lautet eine der zentralen Herausforderungen: Welche Stelle unter ihr ist tatsächlich sicher?

Loser Schotter, der von oben flach aussieht, kann beim Landen gefährlich sein, und selbst ein Blockfeld kann offene, ebene Flächen enthalten, die groß genug zum Landen sind. Für künftige Roboter-Missionen zum Mars und für Drohnen auf der Erde, die ohne menschliche Steuerung fliegen, muss die Maschine diese Entscheidung selbst treffen. Idealerweise stützt sie sich dabei nur auf eine einzige Bordkamera, die leicht ist, wenig Strom braucht und an den meisten Drohnen ohnehin vorhanden ist.

Genau dieses Problem wollte RAMSES (Rover Aerial Mars Support and Exploration System) bei AMADEE-24 angehen. Das erste Modul, das RAMSES AI Network (RAN), ist ein einziges gemeinsam lernendes Modell: ein Netzwerk mit zwei Branches, das zwei Aufgaben gleichzeitig lernt, semantische Segmentierung und Schätzung des optischen Flusses. Die semantische Segmentierung klassifiziert, woraus der Boden besteht (Fels, Schotter, loser Boden, Büsche). Die Schätzung des optischen Flusses vergleicht aufeinanderfolgende Videobilder und ermittelt, wie sich jeder Bildteil bewegt. Weil erhöhte Objekte wie Felsen näher an der Kamera sind, scheinen sie sich bei der Bewegung der Drohne etwas stärker zu bewegen als der ebene Boden um sie herum. Das kann helfen, Höhenunterschiede sichtbar zu machen, die ein einzelnes Bild übersehen kann.

Ein zweites Modul, das Landing Site Assessment Module (LSAM), teilt jedes Bild in ein Raster aus Kacheln, von denen jede ein möglicher Landeplatz ist. Jede Kachel erhält zwei Bewertungen. Die Segmentierungsbewertung hängt davon ab, was die Kachel enthält: Offener Boden erhöht sie, Felsen senken sie, und auch die Nachbarkacheln werden berücksichtigt. Eine freie Stelle, die von Felsen umgeben ist, wird daher schlechter bewertet als eine mitten im offenen Gelände. Die Bewertung des optischen Flusses hängt davon ab, wie stark sich die Kachel im Vergleich zum Rest des Bildes zu bewegen scheint: Bereiche, die sich stärker bewegen, was meist auf erhöhte Objekte wie Felsen hindeutet, erhalten eine niedrigere Bewertung.

Die beiden Bewertungen werden auf dieselbe Skala gebracht und zu einem Sicherheitswert pro Kachel gemittelt. Zusammen ergeben sie eine Heatmap, in der die Farben zeigen, welche Teile des Geländes sicher sind und welche nicht. Nur Kacheln, die eine Sicherheitsschwelle überschreiten, bleiben erhalten, und die drei am besten bewerteten werden als Landekandidaten ausgegeben.

Für ein solches System braucht es tausende Beispiele von Gelände mit korrekten Beschriftungen, und kein bestehender Datensatz enthielt für Mars-analoge Luftbilder sowohl Segmentierungs- als auch Bewegungslabels. Die Trainingsdaten des Modells mussten daher zuerst erzeugt werden: über 170.000 synchronisierte Videobilder, jedes mit einer Segmentierungskarte und einem Bewegungsfeld, erzeugt in NVIDIA Isaac Sim in acht verschiedenen simulierten Mars- und Erd-ähnlichen Umgebungen.

Der eigentliche Test waren Luftbilder, die bei AMADEE-24 in Armenien vom SAMPLE-Team aufgenommen wurden. Das System hatte diese Bilder im Training nie gesehen. Das reale Gelände brachte drei Probleme mit, die in der Simulation nicht auftraten. Erstens verursachten harte Schatten Segmentierungsfehler. Zweitens schwächten große Sprünge zwischen aufeinanderfolgenden Bildern die Schätzungen des optischen Flusses. Drittens sah sicherer Boden auf der Kamera manchmal fast genauso aus wie Schotter oder mittelgroße Felsen. Die Segmentierung verwechselte dann sicheren Boden mit einer Gefahrenstelle, also genau das Problem, mit dem diese Geschichte begonnen hat.

Die drei Probleme wurden mit zwei gezielten Korrekturen behoben. Die erste war eine dichtere Neuabtastung des Flugwegs einschließlich Bildrotation. Sie hielt aufeinanderfolgende Bilder nah beieinander und behob damit die Schätzungen des optischen Flusses. Außerdem behob sie Fehlklassifizierungen zwischen Felsgrößen wie Schotter, mittelgroßen und großen Felsen und half der Segmentierung, ganze Felsen statt nur Teile davon zu erfassen. Die zweite war eine stärkere Variation der Beleuchtung in den simulierten Trainingsdaten. Dadurch reagierte die Segmentierung weniger empfindlich auf harte Schatten und konnte sicheren Boden zuverlässiger von Schotter und Felsen unterscheiden.

Diese Korrekturen verbesserten die Ergebnisse. Von allen Kacheln, die das System als sicher markierte, waren 95,4 % tatsächlich sicher, zuvor waren es 88,3 %. Die Gesamtgenauigkeit ist erwartungsgemäß niedriger und liegt bei 69,6 % (zuvor 63,5 %). Das ist eine Folge der Nachbarschaftsprüfung in LSAM. Eine sicher aussehende Kachel neben Felsen erhält eine niedrigere Bewertung, weshalb manche tatsächlich sicheren Kacheln abgelehnt werden. Das war beabsichtigt, denn ein guter Landeplatz muss auch in seiner Umgebung frei von Felsen und Steinen sein, nicht nur innerhalb der Kachel selbst. Direkt neben einem Felsen zu landen ist genau das, was das Design vermeiden soll. Für die realen Bilder gibt es keine von Hand erstellten Labels, daher wurden diese Zahlen gegen automatisch erzeugte Referenzlabels gemessen.

Die beiden Branches gleichen sich außerdem gegenseitig aus. Das wurde an den Originalbildern gemessen, bei denen die Fehler am häufigsten waren. Bei 45,2 % der Kacheln, bei denen mindestens ein Branch falsch lag, war die kombinierte Entscheidung trotzdem richtig, weil der andere Branch die richtige Antwort lieferte. Genau diese Fehlertoleranz sollte das Zwei-Branch-Design bieten.

RAMSES ist ein Wahrnehmungssystem für Drohnen, bei dem ein KI-Modell aus den Kamerabildern das Gelände und die Bewegung zwischen den Bildern liest und daraus sichere Landeplätze auswählt. Es wurde offline an Luftbildern des AMADEE-24 Missionsgeländes getestet. Auch außerhalb der Simulation hielten die Ergebnisse: Die Kombination aus dem Aussehen des Geländes und seiner Verschiebung zwischen aufeinanderfolgenden Bildern bei der Drohnenbewegung gab dem System eine messbare Fehlertoleranz, die keiner der beiden Branches allein hat. Das ist der allgemeinere Punkt über diese eine Drohne hinaus: In sicherheitskritischen Situationen, in denen nur eine einzelne Kamera zur Verfügung steht, kann das Gewinnen von zwei komplementären Informationsarten aus denselben Bildern Landeentscheidungen verlässlicher machen.

WISSENSCHAFTLICHER OUTPUT · ABGESCHLOSSENE MASTERARBEIT

“Precise Landing Site Detection for UAVs using Deep Learning,” by Hüseyin Burak Ünal, University of Klagenfurt, 2026.
netlibrary.aau.at · urn:nbn:at:at-ubk:1-63611
oewf.org · OeWF academic theses

Quelle: Hüseyin Burak Ünal¹, “Precise Landing Site Detection for UAVs using Deep Learning”, MSc thesis, University of Klagenfurt, 2026

¹ Control of Networked Systems Group, Institute of Smart Systems Technologies, University of Klagenfurt, Austria

Autor: Hüseyin Burak Ünal
Der Artikel wurde mit Hilfe von KI aus dem Englischen übersetzt.

Dieser Artikel ist auch verfügbar auf: