Honigbienen bringen Drohnen das Navigieren bei
Es klingt wie Science-Fiction, kommt einem aber auch seltsam vertraut vor: Drohnen, die herumschwirren, Tomaten in Gewächshäusern inspizieren, Ihr Paket ausliefern oder ein Industriegelände überprüfen.
Bei all dem Gerede über Drohnenschwärme scheint die Entwicklung im Bereich der Drohnen rasant voranzuschreiten. Doch ihre Navigation erfordert nach wie vor viel Rechenleistung und Speicherplatz, was sie schwer, teuer und energiehungrig macht. Wissenschaftler unter der Leitung der Technischen Universität Delft (Niederlande) haben sich ein Beispiel an Mutter Natur genommen und untersucht, wie Honigbienen ihren Weg finden, um dieses Problem endlich zu lösen.
Das wissenschaftliche Team, bestehend aus Robotikern der Technischen Universität Delft und Biologen der Universität Wageningen sowie der Carl-von-Ossietzky-Universität Oldenburg, präsentierte „Bee-Nav“: eine von Honigbienen inspirierte Roboternavigationsstrategie. Sie ermögliche es selbst sehr kleinen Robotern, weit von ihrem Ausgangspunkt entfernt zu fliegen und erfolgreich zurückzukehren – und das mit einem neuronalen Speicher von nur 42 Kilobyte. In einer neuen Umgebung führe der Roboter zunächst einen kurzen Lernflug in der Nähe seines Ausgangsortes durch, genau wie Honigbienen. Danach kann er sich Hunderte von Metern entfernen und dennoch den Weg zurückfinden. Bee-Nav ermögliche es leichten, sicheren Robotern, selbstständig zu navigieren, und eröffne damit neue Anwendungsmöglichkeiten, wie z.B. schmetterlingsähnliche Drohnen zur Überwachung von Gewächshäusern. Die Forschung liefere zudem neue Erkenntnisse darüber, wie fliegende Insekten ihren Weg nach Hause finden.
Herausforderungen der Navigation
Viele Roboter der Zukunft müssen selbstständig navigieren können, auch dort, wo kein GPS verfügbar ist. Die meisten aktuellen Systeme tun dies, indem sie detaillierte Karten der Umgebung erstellen. Das erfordere jedoch viel Rechenleistung und Speicherplatz, was solche Systeme teuer und energieintensiv mache.
Honigbienen zeigen, dass es eine viel effizientere Lösung geben könnte. Trotz ihrer winzigen Gehirne können sie weite Strecken zurücklegen und trotzdem nach Hause finden. Dies tun sie zum Teil mithilfe der Odometrie: Anhand visueller Bewegungshinweise schätzen sie ein, wie weit und in welche Richtung sie sich bewegt haben. Man kann sich das sozusagen wie eine Art Schrittzählen vorstellen. Forscher der Technischen Universität Delft bei der Arbeit mit der Bee-Nav-Drohne.
Leider drifte die Odometrie mit der Zeit ab, sodass sie immer ungenauer wird. Deshalb verlassen sich Insekten auch auf ihr visuelles Gedächtnis. Sie merken sich, wie die Umgebung an wichtigen Orten wie ihrem Zuhause aussieht. Wissenschaftler verstehen die Odometrie von Insekten gut, sogar bis auf neuronaler Ebene, doch das visuelle Gedächtnis sei noch viel schwerer zu erklären. Es war auch noch nicht klar, wie beides kombiniert werden kann, um sehr kleinen Robotern bei der autonomen Navigation zu helfen.
Die „Bee-Nav“-Roboternavigationsstrategie
Das Forschungsteam aus den Niederlanden und Deutschland ließ sich davon inspirieren, was Honigbienen tun, wenn sie den Bienenstock zum ersten Mal verlassen. Diese winzigen Lebewesen beginnen mit kurzen Lernflügen in der Nähe ihres Bienenstocks. Danach können sie viel weiter wegfliegen und dennoch erfolgreich zurückkehren. Das sei ein bisschen so, als würde man vor die eigene Haustür treten und die ersten paar Straßen in der Umgebung erkunden. Man erkenne nun seine Nachbarschaft wieder, egal aus welcher Richtung man sich auf dem Rückweg nähere.
„Wir waren fasziniert von der Tatsache, dass Honigbienen weit von ihrem Zuhause entfernt auf gewundenen Pfaden fliegen können und dennoch fast auf direktem Weg zurückkehren“, sagt Guido de Croon, Professor für bioinspirierte KI für Drohnen an der Technischen Universität Delft (Niederlande). „Biologen haben gezeigt, dass Bienen sich auf der Rückreise auf Odometrie verlassen und ihr visuelles Gedächtnis stärker nutzen, je näher sie ihrem Zuhause kommen. Aber was genau und wie sie für ihr visuelles Gedächtnis lernen, ist noch nicht vollständig verstanden. Das war die Lücke, die wir schließen mussten, um eine praktische Navigationsstrategie für Roboter zu entwickeln.“
Bei Bee-Nav unternimmt der Roboter zunächst ebenfalls einen kurzen Lernflug in der Nähe seines Zuhauses. Während dieses Fluges sammelt er Panoramabilder der Umgebung. Ein kleines neuronales Netzwerk lerne dann, diese Bilder zu verarbeiten, um die Richtung und Entfernung zum Zuhause abzuschätzen.
„Wie ein Insekt weiß der Roboter vielleicht nicht immer genau, wo sein Zuhause ist“, sagt Dequan Ou, Doktorand an der Technischen Universität Delft und Erstautor der Studie. „Das Zuhause ist vielleicht zu klein, um es zu erkennen, oder hinter Bäumen verborgen. Deshalb haben wir das neuronale Netzwerk anhand von Odometrie-Schätzungen der Richtung und Entfernung zum Zuhause trainiert, auch wenn diese mit der Zeit an Genauigkeit verlieren. Die entscheidende Frage war, ob das immer noch ausreichen würde, damit der Roboter lernt, nach Hause zurückzukehren.“
Wie sich herausstellte, war das der Fall. Die Odometrie-Abweichung verhinderte die erfolgreiche visuelle Heimfindung nicht. Mithilfe eines nur 3,4 Kilobyte großen neuronalen Netzwerks interpretierte der Roboter Panoramabilder seiner Umgebung und schätzte ein, in welche Richtung er sich bewegen musste und wie weit er noch von seinem Zuhause entfernt war. Die geschätzte Entfernung ermöglichte es dem Roboter, sich schneller zu bewegen, wenn er weiter entfernt war, und langsamer, je näher er seinem Ziel kam. Bei allen Flügen kehrte der Roboter erfolgreich nach Hause zurück.
Auf dem Weg zu Anwendungen in der Praxis
Nach erfolgreichen kleinen Indoor-Heimfindversuchen testeten die Forscher die vollständige Navigationsstrategie in größeren Innen- und Außenumgebungen. Bei einem Test im Freien im niederländischen Drohnen-Forschungslabor „Unmanned Valley“ in Valkenburg flog die Drohne mehr als 600 Meter weit und kehrte dennoch nach Hause zurück – und das mit einem neuronalen Netzwerk von nur 42 Kilobyte.
In großen Innenräumen wie Hangars war das System bei jedem Test erfolgreich. Bei windigen Außenbedingungen sank die Erfolgsquote auf 70 %. Ein Hauptgrund dafür war, dass der Wind die Drohne zum Neigen zwang, wodurch ihre Bilder für die Navigation schwerer zu nutzen waren.
„Die Experimente sind sehr ermutigend“, sagt Dequan Ou. „Sie zeigen aber auch, dass unser aktuelles System unter realen Bedingungen robuster werden muss.“
Eine vielversprechende Anwendung sei die Überwachung von Gewächshäusern. Leichte Drohnen könnten Pflanzenbestände inspizieren und Krankheiten oder Schädlinge frühzeitig erkennen, wodurch Landwirte ihren Ertrag steigern und gleichzeitig Abfall reduzieren könnten. Bee-Nav eigne sich besonders gut für solche Drohnen, da diese leicht und für Menschen in der Nähe sicher sein müssen.
Schließlich liefere die Forschung auch neue Erkenntnisse darüber, wie Honigbienen zu ihrem Bienenstock zurückkehren und wie visuelles Lernen diesen Weg beeinflussen könnte.
