Autonomer Segelflug

Methoden des bestärkenden Lernens

Autonomous Soaring System

Motivation

Von den Anfängen der Luftfahrt bis heute wurden anhand des Segelflugs neue Technologien - vorrangig in den Fachbereichen Aerodynamik und Leichtbau – erforscht, entwickelt und erprobt. Durch eine zunehmende Zahl von Anwendungen unter Einsatz unbemannter Flächenflugzeuge mit langen Missionsdauern rückt die Automatisierung von segelflug-typischen Aufgaben ins Interesse der Forschung in der Flugregelung. Die taktische Prägung der Flugaufgabe sowie die einfache Zugänglichkeit machen den Segelflug außerdem zur idealen „Spielwiese“ für die Erforschung von modernen Methoden der Regelungstechnik, insbesondere auch solchen aus dem Bereich der Künstlichen Intelligenz.

GitHub

Forschungsaktivitäten

Segelflugpiloten nutzen Aufwinde, um lange Flugdauern zu erreichen und große Strecken im Überlandflug zurück zu legen. Fliegen ohne eigenen Antrieb erfordert dabei ein ständiges Abwägen zwischen völlig gegensätzlichen Handlungsrichtungen: Einerseits soll das primäre Ziel, beispielsweise von A nach B zu fliegen, verfolgt werden. Andererseits müssen Aufwinde erkundet und genutzt werden. Am iFR werden Methoden entwickelt, um Aufwinde automatisiert zu lokalisieren und zu charakterisieren. Die taktische Abwägung in der Bewegungsplanung, geprägt durch eine stochastische Umgebung sowie lange Korrelationsspannen zwischen Aktionen und Missionserfolg, wird mit Methoden des maschinellen Lernens behandelt. Ein kooperatives Vorgehen mehrerer Segelflugzeuge macht die Aufgabenstellung noch herausfordernder. Flugversuche demonstrieren die Leistungsfähigkeit und Umsetzbarkeit der Anwendung dieser Verfahren im Rahmen der Flugregelung.

Ziele

  • Beitrag zu einer ökoeffizienten Luftfahrt durch automatisiertes Finden und Nutzen thermischer Aufwinde
  • Erforschung und Demonstration des Einsatzes von Methoden der Künstlichen Intelligenz im Rahmen einer Flugregelungsaufgabe

Publikationen

  • Schimpf, F., Notter, S., Groß, P., & Fichter, W. (2021). Multi-Agent Reinforcement Learning for Thermalling in Updrafts. Proceedings of the AIAA Scitech 2021 Forum
  • Rothaupt, B., Notter, S., & Fichter, W. (2021). Autonomous Soaring Policy Initialization Through Value Iteration. Proceedings of the AIAA Scitech 2021 Forum.
  • Notter, S., Schimpf, F., & Fichter, W. (2021). Hierarchical Reinforcement Learning Approach Towards Autonomous Cross-Country Soaring. Proceedings of the AIAA Scitech 2021 Forum.
  • Notter, S., Groß, P., Schrapel, P., & Fichter, W. (2020). Multiple Thermal Updraft Estimation and Observability Analysis. Journal of Guidance, Control, and Dynamics, 43(3), 490–503.
  • Notter, S., Zürn, M., Groß, P., & Fichter, W. (2019). Reinforced Learning to Cross-Country Soar in the Vertical Plane of Motion. Proceedings of the AIAA Scitech 2019 Forum.
  • Groß, P., Notter, S., & Fichter, W. (2019). Estimating Total Energy Compensated Climb Rates from Position Trajectories. Proceedings of the AIAA Scitech 2019 Forum.
  • Notter, S., Schrapel, P., Groß, P., & Fichter, W. (2018). Estimation of Multiple Thermal Updrafts Using a Particle Filter Approach. Proceedings of the 2018 AIAA Guidance, Navigation, and Control Conference.
Flugdatenauswertung zum automatischen Lokalisieren und Charaktisieren mehrerer thermischer Aufwinde mittels eines Partikelfilters
Dieses Bild zeigt Stefan Notter

Stefan Notter

M.Sc.
Zum Seitenanfang