Studentin oder Student Informatik, Luft- und Raumfahrttechnik, Mathematik o. ä. (w/m/d) - Prädiktion der Trajektorien des Flugverlaufs von unbemannten Luftfahrzeugen

Das DLR entwickelt ein System, um unbemannte Luftfahrzeuge (UAS)von Schiffen aus einsetzen zu können. Die Möglichkeiten unbemannte Luftfahrzeuge auf See zu nutzen sind vor allem für die großflächige Überwachung von Seegebieten sowie Such- und Rettungseinsätze interessant. Dazu gehört die Entwicklung einer entsprechenden Bodenkontrollstation, die auf Schiffen installiert werden kann. Mit dieser Bodenkontrollstation wird das UAS gesteuert und Missionen geplant. Dafür muss der Flugverlauf des unbemannten Luftfahrzeugs präzise vorhergesagt werden. Das DLR hat ein Verfahren entwickelt, das auf Grundlage flugmechanischer Modelle die Trajektorien von UAS berechnen kann. Dieses Verfahren benötigt allerdings die Flugleistungsparameter des UAS um eine akkurate Vorhersage zu berechnen. Diese Flugleistungsparameter sind bei unbemannten Luftfahrzeugen im Gegensatz zur bemannten Luftfahrt oft nicht vorhanden oder offen zugänglich.

Daher soll ein Verfahren entwickelt werden, das aus der Beobachtung des Flugverhaltens unbemannter Luftfahrzeuge lernt die Trajektorien des Luftfahrzeugs vorherzusagen. Das Verfahren soll auf Künstlichen Neuronalen Netzen (KNN) beruhen. Die Eingangsparameter sind die Wegpunkte der Flugroute für das unbemannte Luftfahrzeug und gegebenenfalls spezifische Missionsparameter. Als Ausgabe soll die Trajektorie des Flugverlaufs ermittelt werden. Für das Training werden bereits aufgezeichnete Trajektorien des Flugverlaufs von unterschiedlichen UAS des DLR verwendet. Flugmechanisches Modell und Flugleistungsparameter sollen bei diesem Verfahren nicht berücksichtigt werden. Für diese Aufgabe müssen die gegebenen Trajektorien des Flugverlaufs in geeigneter Weise diskretisiert werden. Anschließend muss ein KNN mit geeigneten Hyperparametern und einem Lernalgorithmus gefunden werden, welches für diesen Fall geeignet ist.

Die Theorie der Neuronalen Netze sagt, dass es möglich ist mit KNN beliebige Funktionen mit beliebiger Genauigkeit abzubilden, solange die geeignete Hyperparameter, Lernalgorithmen und ausreichend Trainingsdaten zur Verfügung stehen. Das Ziel dieser Arbeit ist heraus zu finden, welche Genauigkeit unter den gegebenen Randbedingungen erreicht werden kann.

Grundlegende Tools für die Arbeit mit KNN sind in Matlab und Python vorhanden. Daher soll eine dieser Umgebungen verwendet werden.

Die wesentlichen Aufgaben dieser Master/Bachelor Arbeit umfassen:

• Entwicklung einer Diskretisierungsmethode für Trajektorien des Flugverlaufs und geeigneter Verfahren zur Bewertung der Genauigkeit einer Vorhersage
• Identifizieren geeigneter Hyperparameter für ein KNN zur Vorhersage der Trajektorien des Flugverlaufs
• Identifizieren eines geeigneten Lernalgorithmus für ein KNN zur Vorhersage der Trajektorien des Flugverlaufs
• Test des KNN und Bewertung der erreichbaren Genauigkeit
• Dokumentation der Arbeit in einem Bericht