Drohnen detektieren

Audiobasierte Open Source-Klassifizierung von Drohnen 

Mithilfe Maschinellen Lernens und einer Datenbank mit Drohnengeräuschen wird die einfache Erkennung von Drohnenklassen ermöglicht. 

Immer häufiger sorgen Drohnen für unerwünschte Zwischenfälle – sei es durch laute Geräusche, die im Wald das Wildleben stören oder durch erhebliche Sicherheitsrisiken an Flughäfen. Ein prominentes Beispiel dafür: Der Vorfall am Londoner Flughafen Gatwick. Innerhalb von 15 Stunden wurden dort über 50 Drohnen gesichtet, was zu zahlreichen Flugausfällen und erheblichen finanziellen Schäden führte. Die Fähigkeit, Drohnen schnell und zuverlässig zu erkennen und zu identifizieren, gewinnt daher zunehmend an Bedeutung. 

Eine umfassende und zugleich bezahlbare Datenbank für Drohnengeräusche war bislang nicht auf dem Markt. Diese Lücke haben das Fraunhofer-Institut für Verkehrs- und Infrastruktursysteme IVI und das Unternehmen H2 Think geschlossen. Gefördert wurde ihr Projekt »AuDroK« (Audiobasierte Drohnen Klassifikation) im Jahr 2023 im Rahmen des mFUND-Programms des Bundesministeriums für Digitales und Verkehr.  

Ziel von »AuDroK« war es, eine umfangreiche Datenbank mit Drohnengeräuschen zu schaffen, die kostenfrei zugänglich sein und einen Beitrag zur Forschung leisten sollte. 

Über das Projekt sprachen wir mit Maria Pohle und Vanessa Hilse vom Fraunhofer IVI sowie Dr. Sebastian Kümmritz von H2 Think. 

Wie wurden die Drohnengeräusche aufgenommen? 

Zum Aufbau einer Datenbank führten die Forschenden zwei Experimente durch: eines in einer Indoor-Umgebung zur Erfassung von Trainingsdaten und ein weiteres im Freien zur Validierung dieser Daten. In einem begehbaren 1000 Kubikmetern großen schallreflexionsarmen Raum an der Technischen Universität Dresden wurden die Drohnengeräusche unter nahezu perfekten akustischen Bedingungen aufgenommen. Fünf Mikrofone erfassten dabei ausschließlich das direkte Schallereignis der Drohnen, ohne störende Schallrückstrahlung von Wänden oder dem Boden. 

Diese Freifeldaufnahmen sind aus zwei Gründen besonders wertvoll: Zum einen bilden sie eine saubere Grundlage für die spätere Verarbeitung, etwa mit Verfahren des maschinellen Lernens. Zum anderen ermöglichen sie es, akustische Signale gezielt durch sogenannte Augmentierungsverfahren zu erweitern und zu verallgemeinern. Dies soll Algorithmen ermöglichen, Drohnen auch unter natürlichen, komplexeren akustischen Bedingungen zu erkennen. 

In realen Umgebungen treten Schallreflexionen jedoch unvermeidlich auf. Besonders die Bodenreflexionen führen dazu, dass sich das Schallsignal der Drohne in kürzester Zeit mit sich selbst überlagert. Diese Interferenzeffekte, in der Akustik als Kammfiltereffekte bekannt, verändern das ursprüngliche Klangmuster erheblich. Entsprechend mussten die Forschenden sicherstellen, dass die Modelle auf Basis der Freifeldaufnahmen trainiert, aber für den Einsatz in reflexionsreichen Umgebungen vorbereitet werden. 

Verschiedene Ansätze zur Drohnenerkennung 

Aktuell existieren verschiedene Technologien zur Erkennung von Drohnen: infrarot-, bild-, ton- und radarbasierte Systeme. Jedes Verfahren bringt dabei spezifische Vor- und Nachteile mit sich. Auditive Verfahren, die auf einer Analyse von Geräuschen basieren, bieten den wesentlichen Vorteil kostengünstiger Technik. Mikrofone etwa sind weit verbreitet und relativ leicht zugänglich, beispielsweise am Mobiltelefon in der Hosentasche. Ihre Erkennungsreichweite ist jedoch im Vergleich zu radar- oder bildgestützten Verfahren begrenzt und umfasst je nach Größe der Drohne nur wenige bis einige 100 Meter. Im Rahmen von »AuDroK« wird deshalb auch maschinelles Lernen eingesetzt, vor allem, um die Drohnenerkennung weiter zu verbessern. Ausführlichere Einblicke in die technischen Hintergründe der audiobasierten Klassifizierung von Drohnen bietet Dr. Sebastian Kümmritz in seinem Artikel »The Sound of Surveillance«. 

Eine umfassende Datenbank für Drohnenerkennung 

Die im Projekt »AuDroK« entwickelte Datenbank umfasst insgesamt 44 verschiedene Drohnenmodelle. Berücksichtigt wurden ausschließlich konventionelle, frei im Handel erhältliche Drohnen ohne militärischen Bezug. Grundlage für die Auswahl war die seit 2024 geltende EU-Drohnenverordnung, die Drohnen nach Gewichtsklassen in die Kategorien C0 bis C3 einteilt. Für jede dieser Klassen wurden mindestens zwei unterschiedliche Drohnenmodelle aufgenommen. Zudem waren neben kommerziellen Modellen auch zwei Eigenbau-Drohnen enthalten. 

Etwa 70 Prozent der erfassten Daten stammen aus eigenen Aufnahmen der Projektbeteiligten, die übrigen 30 Prozent wurden von externen Partnern beigesteuert. Für jede Drohne sind umfassende Metadaten hinterlegt, darunter, Abtastrate, Wiedergabedauer, Audioformat, Speicherort, Herkunft, Drohnentyp, Aufnahmeentfernung, Signalqualität, sowie das Gewicht der Drohne. (Für eine detaillierte Beschreibung der Datenbankstruktur siehe Fachartikel »Comprehensive Database of UAV Sounds for Machine Learning«) 

Die Nutzenden können die Datenbank per Structured Query Language-Abfrage auf einem eigenen Server betreiben und die Drohnendatensätze gezielt nach ihren Anforderungen filtern und zusammenstellen. So ist es beispielsweise möglich, nur Aufnahmen schwebender oder annähernder Drohnen zu selektieren oder nach spezifischen Drohnentypen oder -klassen zu sortieren. Alle erforderlichen Metadaten sind in der Datenbank integriert und eröffnen damit ein breites Spektrum an Nutzungsmöglichkeiten. 

Interessierte der Datenbank erhalten den Zugang über Dr. Sebastian Kümmritz von H2 Think, der den Download-Link auf Anfrage bereitstellt. 

Hoher Bedarf an Drohnendaten 

Nach wie vor gehen zahlreiche Anfragen zur »AuDroK«-Datenbank ein, auch aus dem internationalen Raum. Dies zeigt deutlich, wie hoch das Interesse an hochwertigen Drohnendaten ist. Die schnelle und zuverlässige Erkennung von Drohnen gewinnt in vielen Bereichen an Bedeutung: nicht nur im Umfeld von Flughäfen, sondern auch bei der Prävention von Terroranschlägen, beim Aufspüren von Schmuggelaktivitäten in Gefängnissen oder beim Schutz der Privatsphäre. 

Darüber hinaus lässt sich das technische Konzept von »AuDroK« – die akustische Erkennung und Klassifizierung von Objekten – prinzipiell auch auf andere Anwendungen übertragen, etwa auf die Detektion von Fahrzeugen. Mit der entwickelten Datenbank hat das Projekt erstmals eine neue, umfassende und öffentlich zugängliche Datengrundlage geschaffen. 

(lna)  

Alle Fotos von Schristin Scholz (Fraunhofer IVI)

---