Adaptive Koordination von UAV-Schwärmen unter Berücksichtigung von Degradationsprozessen und Umweltbedingungen

Die Dissertation untersucht die Koordination von Multi-Agenten-Systemen (MAS) am Beispiel einer Complete-Area-Path-Coverage-Mission, die mithilfe unbemannter Luftfahrzeuge (Unmanned Aerial Vehicles, UAVs) durchgeführt wird. Der Anwendungsfall liegt in Such- und Rettungseinsätzen sowie im Katastrophenschutz, bei denen durch den Einsatz eines UAV-Schwarms und das Fliegen definierter Pfade zur autonomen Gebietserschließung Vorteile hinsichtlich Effizienz, Zeit und Robustheit gegenüber dem Einsatz einzelner UAVs erzielt werden können. Voraussetzung dafür ist eine geeignete Kooperationsstrategie, die zur Steigerung der Robustheit beiträgt, indem sie die Zuverlässigkeit erhöht und einzelne UAVs als Systemredundanzen berücksichtigt, um ein resilientes Systemverhalten zu ermöglichen. Demnach ist zur Steigerung der Robustheit der individuelle Systemzustand einzelner UAVs nicht zu vernachlässigen, da er die Gesamtleistung des Schwarms und Zuverlässigkeit der Mission beeinflusst. UAVs unterliegen im realen Einsatz dynamischen Umweltbedingungen, wie zum Beispiel vorherrschenden Windverhältnissen. Wind beansprucht je nach Flugrichtung des UAVs dessen Antriebstrang individuell und trägt neben prinzipbedingten und zeitabhängigen Verschleiß als betriebsbedingte Komponenten maßgeblich zur gesamten Degradation der einzelnen UAVs bei und sorgt somit für variierende Systemzustände im Schwarm. Diese führt zu Leistungsschwankungen innerhalb des Schwarms und kann langfristig Effizienz sowie Zuverlässigkeit reduzieren. Während redundante Strukturen den Ausfall einzelner UAVs kompensieren können, fehlt es an einer systematischen Integration der Degradation in bestehende Koordinationsstrategien. Aktuelle Ansätze vernachlässigen die dynamische Veränderung von UAV-Zustand und Umgebungsbedinungen während der Mission sowie die Vorteile der kooprativen Koordination innerhalb des Schwarms. Zur Steigerung der Robustheit von UAV-Schwärmen wird in dieser Arbeit eine adaptive, degradationsbasierte Koordinationsstrategie untersucht. Ziel ist es, die Missionszuverlässigkeit zu erhöhen, indem die betriebsbedingte Degradation in Abhängigkeit vom Zustand einzelner UAVs gezielt innerhalb des Schwarms verteilt wird. Darüber hinaus sollen die im Schwarm vorhandenen Systemredundanzen genutzt werden, um ein resilientes Systemverhalten zu etablieren, das stochastische Ausfälle kompensieren und die erfolgreiche Durchführung der Mission sicherstellen kann. Dazu wird ein Multi-Agent Reinforcement Learning (MARL)-Framework entwickelt, das die zustandsabhängige Schwarmkoordination ermöglicht. Durch die gezielte Integration der UAV-Zustände in die Pfadplanung kann der Schwarm frühzeitig auf Systemveränderungen reagieren und seine Strategie adaptiv anpassen. Externe Belastungen und variable Systemzustände werden direkt in die Reward-Funktion eingebunden, sodass das kooperative Verhalten kontinuierlich optimiert wird. Ergänzend werden Kommunikationsmechanismen implementiert, die den Informationsaustausch zwischen UAVs verbessern und die Kooperationsfähigkeit des Schwarms weiter stärken. Der Multi-Agent Actor-Critic Algorithmus (MA2C) wird aufgrund seiner Eignung für diskrete Handlungsmöglichkeiten und kooperative Entscheidungsprozesse als Lösungsansatz gewählt. Zur Validierung des entwickelten Ansatzes erfolgt eine prototypische Implementierung in einer Simulationsumgebung, die speziell für MAS-Koordination und den Einsatz künstlicher Intelligenz erweitert wurde. Da maschinelle Lernverfahren umfangreiche Trainingsdaten erfordern, generiert die Simulation diese eigenständig. Zur Bewertung der Robustheit werden bestehende Metriken für Zuverlässigkeit und Resilienz angepasst, um die Auswirkungen von Degradation und externen Belastungen adäquat abzubilden und eine Skalierung auf Schwarmgröße zu ermöglichen. Die Ergebnisse zeigen, dass der trainierte MARL-Algorithmus die UAV-Koordination adaptiv an Umgebungsbedingungen anpasst und durch die Berücksichtigung von Degradationsinformationen die Zuverlässigkeit sowie Resilienz des UAV-Schwarms verbessert. Ein Vergleich mit gewöhnlichen Koordinationsverfahren belegt die Überlegenheit des entwickelten Ansatzes, insbesondere bei inhomogenen und dynamischen UAV-Zuständen sowie herausfordernden Umgebungsbedingungen.