Drone-Indoor-Positionierungssysteme bieten eine zuverlässige Lokalisierung für UAVs, die in Umgebungen ohne GPS-Empfang eingesetzt werden, wie z. B. Lagerhäusern, Industrieanlagen und Inspektionsstandorten. Diese Systeme kombinieren RF-, optische und inertiale Sensoren, um stabile Flugbahnen in engen, unübersichtlichen Räumen aufrechtzuerhalten, in denen Mehrwegeeffekte, schlechte Beleuchtung und Umgebungsgeräusche die Methoden mit einem einzigen Sensor erschweren.
Dieser Leitfaden gibt einen Überblick über Anbieter von Indoor-Positionierungssystemen für Drohnen, darunter UWB-, Bluetooth-, WiFi- und Akustiktechnologie für die präzise Navigation bei autonomen Inventarisierungsaufgaben, Anlageninspektionen und Einsätzen im Bereich der öffentlichen Sicherheit.
Lesen Sie den Technologieübersicht
Hochpräzise Navigations- und Positionierungslösungen für unbemannte und autonome Fahrzeuge
BVLOS-Lösungen für UAS und UAM: Brennstoffzellen, Radar, Navigationssensoren, Flugsteuerung und SATCOM
Trägheitsnavigationssensoren: MEMS-IMU, Beschleunigungsmesser, Gyroskope, AHRS, GPS-INS und Punktwolken-Generierung
Hochgenaues Echtzeit-Positionierungssystem für autonome UAVs und Roboter, die in Umgebungen ohne GPS-Empfang betrieben werden
Wenn Sie entwerfen, bauen oder liefern Indoor-Positionierung, Erstellen Sie ein Profil, um Ihre Kompetenzen zu präsentieren und mit Besuchern in Kontakt zu treten, die einen konkreten Bedarf an Ihren Lösungen haben.
Einführung in Indoor-Positionierungssysteme für Drohnen
Indoor-Navigationssysteme für Drohnen sind mittlerweile unverzichtbar für den Einsatz in Lagerhäusern, bei industriellen Inspektionen, Notfallmaßnahmen und anspruchsvollen Robotikanwendungen. Im Gegensatz zum Einsatz unbemannter Luftfahrzeuge (UAV) im Freien, wo globale Navigationssatellitensysteme (GNSS) eine globale, leicht zugängliche Positionierungsebene bieten, erfordern geschlossene Räume eigenständige, hochzuverlässige Lokalisierungstechnologien. Diese Systeme müssen es Drohnen ermöglichen, sicher, effizient und vor allem autonom in komplexen Umgebungen zu fliegen, in denen GPS-Signale nicht empfangen werden können.
Die Landschaft der Indoor-Positionierungstechnologie ist vielfältig und umfasst radiofrequente, akustische und optische Verfahren, die jeweils unterschiedliche Kompromisse zwischen Kosten, Genauigkeit und Komplexität der Infrastruktur mit sich bringen.
UWB-Indoor-Positionierungssysteme gelten allgemein als der Goldstandard für die hochgenaue und latenzarme Lokalisierung von Drohnen. UWB erreicht eine hochauflösende Entfernungsmessung mit extrem kurzen Funkimpulsen. Es basiert auf zwei Haupttechniken:
UWB bietet eine außergewöhnliche Positionsgenauigkeit von 10 bis 30 cm mit Aktualisierungsraten von regelmäßig über 100 Hz, was für dynamische Hochgeschwindigkeitsflüge von entscheidender Bedeutung ist. Darüber hinaus gewährt die große Bandbreite von UWB eine überlegene Mehrwegeresistenz (eine wesentliche Eigenschaft für metallische, mit Hindernissen übersäte Fabrikumgebungen), da es effektiv zwischen dem direkten Signalweg und reflektierten Wegen unterscheiden kann. Eine typische Installation verwendet 4 bis 8 Anker für eine robuste 3D-Abdeckung mit einer Reichweite von 100 bis 200 Metern in Innenräumen.
Diese Technologien sind äußerst kostengünstig, da sie bestehende oder kostengünstige drahtlose Infrastrukturen nutzen. Die Wi-Fi-Positionierung verwendet in der Regel die Empfangssignalstärkeanzeige (RSSI) für eine grobe Trilateration oder, für eine höhere Genauigkeit, die Kanalzustandsinformation (CSI), die detaillierte Mehrwegeeigenschaften erfasst. Die Genauigkeit liegt in der Regel zwischen 1 und 3 Metern, wobei die Technologie sehr anfällig für Signalstörungen, Kanalüberlastung und menschliche Bewegungen ist.
Die Bluetooth Low Energy (BLE)-Lokalisierung, die häufig Bluetooth-Beacons nutzt, basiert in erster Linie auf RSSI, obwohl fortschrittliche Systeme den Ankunftswinkel (AoA) verwenden, um die Genauigkeit in optimierten Installationen auf unter einen Meter zu erhöhen. Aufgrund ihrer moderaten Aktualisierungsraten und geringeren Präzision werden sowohl Wi-Fi als auch BLE in der Regel für langsame Inspektionsaufgaben, Inventarsysteme oder die grobe Positionsinitialisierung für präzisere Systeme eingesetzt.
Akustische Systeme schätzen die Entfernung anhand von Laufzeitmessungen von Ultraschallimpulsen, die von einem Beacon ausgesendet und von stationären Knoten erfasst werden. Die akustische Ortung ist jedoch äußerst empfindlich gegenüber Umgebungsgeräuschen, Luftströmungsturbulenzen, Temperaturgradienten und reflektierenden Oberflächen.
Entscheidend für UAVs ist, dass die von den Propellern der Drohne selbst erzeugten hochfrequenten akustischen Geräusche die für die Entfernungsmessung verwendeten empfindlichen Mikrofone leicht übersteuern oder stören können, was eine ausgeklügelte Geräuschunterdrückung oder eine spezielle Platzierung der Beacons erfordert.
Daher eignet sich dieser Ansatz am besten für kleine, leichte Mikro-UAVs in kontrollierten Umgebungen wie Laboren oder als hochpräzises Kurzstreckensystem, bei dem die Umgebung stabil und ruhig ist.
Obwohl es sich technisch gesehen nicht um ein infrastrukturbasiertes Indoor-Positionierungssystem im gleichen Sinne wie UWB handelt, sind visuelle Methoden für die Autonomie an Bord unverzichtbar. Die visuelle Odometrie (VO) schätzt die Bewegung der Drohne durch die Verfolgung von Merkmalen in aufeinanderfolgenden Bildern. Visual SLAM (Simultaneous Localization and Mapping) geht noch einen Schritt weiter und erstellt eine 3D-Karte der Umgebung, während gleichzeitig die Drohne innerhalb dieser Karte lokalisiert wird.
Diese Methoden erzielen eine hervorragende lokale Genauigkeit, oft im Zentimeterbereich, und liefern wichtige Orientierungsdaten (6 Freiheitsgrade). Allerdings unterliegen sie naturgemäß einer kumulativen Positionsabweichung über längere Flugstrecken. Ihre Leistung nimmt auch in Bereichen mit schlechten Lichtverhältnissen, ohne Merkmale oder mit Rauch-/Staubbelastung rapide ab, sodass sie eine ausreichende Textur und Beleuchtung benötigen, um zuverlässig zu funktionieren.
Die Radiofrequenz-Identifikation (RFID) bietet keine kontinuierliche 3D-Positionierung. Sie basiert auf passiven Tags (die vom Lesegerät der Drohne mit Strom versorgt werden), die nur eine Lokalisierung auf Zonenebene über eine sehr kurze Reichweite ermöglichen, oder auf aktiven RFID-Tags, die eine größere Reichweite bieten. Diese Technologie lässt sich am besten als Methode zur Überprüfung diskreter Kontrollpunkte oder Wegpunkte verstehen, mit der die Anwesenheit einer Drohne an einem bestimmten markierten Ort bestätigt wird, und wird in erster Linie zur Ergänzung einer kontinuierlichen Positionierungsmethode eingesetzt.
Autonome Systeme verändern industrielle Abläufe grundlegend. Die Nachfrage nach zuverlässiger Positionsbestimmung für Drohnen in Innenräumen konzentriert sich auf mehrere Schlüsselbereiche:
Die strukturelle Komplexität von Gebäuden, einschließlich Metallverstärkungen, dicken Wänden und Dächern, führt zu einer erheblichen Dämpfung und Reflexion der schwachen Satellitensignale, auf denen GNSS basiert. Dies macht die herkömmliche Drohnennavigation in Innenräumen unzuverlässig oder völlig unmöglich.
Eine robuste Lösung zur Positionsbestimmung in Innenräumen für Lager und Logistik muss sich daher auf alternative Technologien stützen, die in der Lage sind, stabile Positionsbestimmungen, genaue Bewegungsschätzungen und kollisionsfreie Flüge in engen, überfüllten Räumen zu gewährleisten. Diese präzisen Systeme sind unerlässlich, um automatisierte Bestandsaufnahmen zu ermöglichen, wiederkehrende Inspektionsrouten auszuführen und präzise Flüge in hochwertigen Industrieanlagen ohne GPS-Empfang zu gewährleisten.
Darüber hinaus ist eine zuverlässige Positionsbestimmung in Innenräumen für die Inspektion von Industrieanlagen unverzichtbar, um einen sicheren Betrieb in der Nähe von Personal und sensibler Infrastruktur zu gewährleisten, wo das Kollisionsrisiko streng kontrolliert werden muss.
Innenräume stellen besondere und strenge Anforderungen an Indoor-Positionsbestimmungssysteme. Signale treffen regelmäßig auf Mehrweg- und HF-Reflexionen, wodurch sie von Oberflächen zurückgeworfen werden, was die Entfernungsmessungen verzerrt und die Genauigkeit erheblich beeinträchtigt – eine besondere Herausforderung für HF-basierte Verfahren. Die Umgebung ist oft sehr dynamisch, da sich das Betriebsfeld durch sich bewegende Arbeiter, Fahrzeuge oder Maschinen ständig verändert.
Ingenieure müssen sich mit mehreren grundlegenden Herausforderungen auseinandersetzen:
In fast allen professionellen und sicherheitskritischen Anwendungen reicht eine einzige Technologie nicht aus. Die zuverlässigsten und robustesten Systeme basieren auf Sensorfusion, der intelligenten Kombination mehrerer Modalitäten, um individuelle Schwächen auszugleichen.
Eine integrierte Inertial Measurement Unit (IMU) liefert Bewegungs- und Orientierungsdaten mit extrem hoher Rate. IMUs unterliegen jedoch einer Drift, einer grundlegenden Fehlerakkumulation über Zeit und Entfernung. Die Koppelnavigation der IMU wird daher kontinuierlich durch absolute oder relative Positionsbestimmungen anderer Sensoren wie UWB oder Vision eingeschränkt.
Ausgefeilte Algorithmen wie der Extended Kalman Filter (EKF) kombinieren asynchrone Datenströme (wie UWB-Entfernungsmessungen, IMU-Bewegungsdaten und visuelle Merkmalsverfolgung), um eine wesentliche Redundanz und Ausfallsicherheit zu gewährleisten. Wenn die Sicht aufgrund schlechter Lichtverhältnisse beeinträchtigt ist, kann die UWB-Entfernungsmessung einen sicheren autonomen Flug gewährleisten. Umgekehrt können die IMU und die visuelle Odometrie die Lücke schließen, wenn die UWB-Sichtverbindung vorübergehend unterbrochen ist.
Bei der Bewertung dieser sicherheitskritischen Systeme müssen Ingenieure über die einfache „durchschnittliche Genauigkeit” hinausblicken und stattdessen Metriken wie den P95-Fehler (der Radius, innerhalb dessen 95 % aller Positionsschätzungen liegen) heranziehen, um die Zuverlässigkeitsmarge des Systems wirklich quantifizieren zu können.
Die Zukunft der Innenraumortung von Drohnen ist stark integriert. Die Forschung im Bereich der 5G-Innenraumortung und die Entwicklung hin zu 6G konzentrieren sich auf die Realisierung einer zentimetergenauen HF-Erfassung und die Schaffung kommunikationsintegrierter Ortungsrahmenwerke, mit dem Ziel, das Netzwerk selbst zur primären Lokalisierungsinfrastruktur zu machen.
Gleichzeitig werden zunehmend KI- und ML-Modelle (Machine Learning) eingesetzt, um komplexe, verrauschte Sensordaten zu verarbeiten, Mehrwegumgebungen zu klassifizieren und die Zuverlässigkeit von Positionsschätzungen auf der Grundlage historischer Flugmuster zu verbessern. Es wird erwartet, dass zukünftige Standards die herstellerübergreifende Kompatibilität bei RF-, optischen und rechnerischen Methoden vorantreiben werden, was die Einführung in großen Industriezweigen erheblich beschleunigen wird.
Suche nach Unternehmen & Produkten
Abonnieren Sie den wöchentlichen eBrief
Die neuesten technischen Entwicklungen direkt in deinen Posteingang - schließe dich Tausenden von Ingenieurinnen und Ingenieuren an, die diesen Newsletter erhalten.