¶ KI-gestützte Multispektralfusion

Stand: März 2026. Alle Angaben basieren auf öffentlich zugänglichen Quellen.

¶ Einleitung

Die grösste Herausforderung der modernen Drohnenabwehr liegt nicht im Fehlen einzelner Sensoren, sondern in der Fähigkeit, deren Datenströme in Echtzeit zu einem kohärenten Lagebild zu verschmelzen. Ein einzelner AESA-Radarkontakt sagt wenig über die tatsächliche Bedrohung aus — erst die Korrelation mit RF-Signaturen, Infrarot-Profilen und akustischen Daten erlaubt eine verlässliche Klassifizierung. Diese Aufgabe übernimmt die KI-gestützte Multispektralfusion [1].

¶ Grundlagen der Sensorfusion

¶ Fusionsstufen nach dem JDL-Modell

Das Joint Directors of Laboratories (JDL) Modell definiert fünf Fusionsstufen, die in der Luftverteidigung standardmässig angewendet werden [2]:

1. Level 0 — Datenvorbereitung: Rohdaten der einzelnen Sensoren werden vorverarbeitet (Rauschfilterung, Kalibrierung, Zeitstempelung)
2. Level 1 — Objektverfeinerung: Sensordaten werden einzelnen Objekten (Tracks) zugeordnet. Ein Radarkontakt und ein IR-Signal am selben Ort werden demselben Objekt zugewiesen
3. Level 2 — Lagebeurteilung: Das Verhalten der Objekte wird analysiert — Flugmuster, Absicht, Bedrohungsgrad
4. Level 3 — Bedrohungsbewertung: Prognose der feindlichen Absichten und Handlungsoptionen
5. Level 4 — Prozessverfeinerung: Das Fusionssystem optimiert sich selbst durch Feedback

¶ Fusions-Engine

Moderne Fusions-Engines nutzen Bayes'sche Netzwerke, Kalman-Filter und zunehmend Deep-Learning-Modelle, um Sensordaten in Echtzeit zu verarbeiten. Die Engine korreliert typischerweise:

• Radardaten: Position, Geschwindigkeit, RCS, Mikro-Doppler-Signatur
• RF-Signale: Frequenz, Modulation, Protokoll des Steuersignals
• EO/IR-Daten: Visuelles Profil, Wärmesignatur, Grösse
• Akustische Daten: Frequenzspektrum, Pegelverhalten, Richtung

Die Herausforderung besteht darin, diese heterogenen Datenquellen mit unterschiedlichen Aktualisierungsraten (Radar: 1–10 Hz, EO/IR: 30 Hz, Akustik: kontinuierlich), Genauigkeiten und Zuverlässigkeiten zu einem konsistenten Zielbild zu fusionieren [3].

¶ Automatisierte Klassifizierung

¶ Machine-Learning-Modelle

Die Klassifizierung von Flugobjekten durch KI basiert auf trainierten Modellen, die aus grossen Datensätzen gelernt haben, zwischen verschiedenen Objekttypen zu unterscheiden. Die wichtigsten Ansätze sind [4]:

• Convolutional Neural Networks (CNN) für die Bildklassifizierung von EO/IR-Daten — das Netz erkennt Form, Grösse und Flugmuster der Drohne
• Recurrent Neural Networks (RNN/LSTM) für die Analyse von Zeitreihen wie Mikro-Doppler-Signaturen und Flugprofilen
• Random Forests und Gradient Boosting für die schnelle Klassifizierung auf Basis kombinierter Sensorfeatures

¶ Klassifizierungskategorien

Ein typisches C-UAS-Klassifizierungssystem unterscheidet mindestens folgende Kategorien:

¶ Falschalarmreduktion

¶ Das Problem: Drohne vs. Vogel

Die Unterscheidung zwischen kleinen Drohnen und Vögeln ist eines der hartnäckigsten Probleme der Luftverteidigung. Beide haben ähnliche Radarsignaturen (RCS 0,001–0,01 m²), ähnliche Geschwindigkeiten (20–80 km/h) und ähnliche Flughöhen. An Küstenstandorten mit hohem Vogelaufkommen kann die Falschalarmrate ohne KI-Unterstützung über 90 Prozent betragen, was das System faktisch unbrauchbar macht [5].

¶ KI-basierte Lösungsansätze

1. Mikro-Doppler-Diskriminator: Die Rotorblätter einer Drohne erzeugen ein periodisches Doppler-Signal mit festen Frequenzen (abhängig von RPM und Blattanzahl). Vögel zeigen dagegen ein aperiodisches Flügelschlagmuster. KI-Modelle erkennen diesen Unterschied mit einer Genauigkeit von über 95 Prozent unter Laborbedingungen [5].

2. Trajektorie-Analyse: Drohnen fliegen typischerweise geradliniger und in konstanterer Höhe als Vögel. Machine-Learning-Algorithmen analysieren das Flugmuster über Zeit und klassifizieren entsprechend.

3. Multisensor-Bestätigung: Eine Radarerkennung wird erst dann zur Bedrohung eskaliert, wenn mindestens ein weiterer Sensor (RF, EO/IR oder Akustik) die Klassifizierung bestätigt. Dies senkt die Falschalarmrate um den Faktor 10–100 [3].

4. Kontextbasierte Filter: Das KI-System berücksichtigt Tageszeit, Vogelzugrouten, Wetter und bekannte zivile Drohnenaktivitäten, um die Wahrscheinlichkeit einer echten Bedrohung einzuschätzen.

¶ Operationelle Ergebnisse

Systeme wie Rheinmetall Skymaster und Anduril Lattice OS berichten von einer Reduktion der Falschalarmrate um über 90 Prozent im Vergleich zu Einzelsensor-Lösungen. In der Praxis bedeutet dies: Statt 100 Alarmen pro Stunde, von denen 95 Fehlalarme sind, reduziert das System auf 10 Alarme, von denen 8 echte Bedrohungen darstellen [6].

¶ Kognitive Entlastung des Operators

¶ Informationsüberlastung als operationelles Risiko

Ohne KI-Unterstützung muss ein Luftverteidigungsoperator Dutzende von Sensordatenströmen gleichzeitig überwachen, jeden Kontakt manuell klassifizieren und Bekämpfungsentscheidungen in Sekunden treffen. Im Falle eines Sättigungsangriffs mit 30–50 Drohnen gleichzeitig ist dies humanphysiologisch unmöglich — die kognitive Überlastung führt unweigerlich zu Fehlentscheidungen [7].

¶ KI als Decision Support

Moderne C-UAS-Systeme implementieren KI nicht als autonome Entscheider, sondern als Decision Support System (Entscheidungsunterstützung):

• Automatische Klassifizierung mit Konfidenzwert (z. B. «Shahed-136, 94 % Konfidenz»)
• Priorisierte Bedrohungsliste: Die KI sortiert erkannte Ziele nach Bedrohungsgrad, Entfernung und verfügbarer Reaktionszeit
• Effektorempfehlung: Das System schlägt den optimalen Effektor vor (z. B. «AHEAD-Munition empfohlen, Laser als Backup»)
• Automatische Feuerleitung: Bei eindeutiger Klassifizierung und vorab definierten Rules of Engagement (ROE) kann die Bekämpfung vollautomatisch erfolgen

¶ Mensch-in-der-Schleife (Human-in-the-Loop)

Die NATO-Doktrin unterscheidet drei Automatisierungsstufen [1]:

In der Praxis operieren VSHORAD-Systeme im C-RAM-Modus oft «Human-on-the-Loop», da die Reaktionszeiten gegen anfliegende Mörsergranaten (unter 3 Sekunden) keine manuelle Freigabe erlauben. Gegen Drohnen und Marschflugkörper wird typischerweise «Human-in-the-Loop» angewendet, wobei die KI dem Operator einen «vorbereiteten Entscheid» präsentiert.

¶ Aktuelle Entwicklungen

Die Forschung konzentriert sich derzeit auf drei Schwerpunkte:

1. Edge AI: Verlagerung der KI-Verarbeitung direkt in die Sensorknoten, um Latenz zu reduzieren und die Abhängigkeit von Kommunikationsverbindungen zu verringern
2. Federated Learning: Verteiltes Training der KI-Modelle über mehrere Standorte hinweg, ohne dass sensitive Sensordaten zentral gesammelt werden müssen
3. Explainable AI (XAI): Entwicklung transparenter KI-Modelle, deren Entscheidungen für den Operator nachvollziehbar sind — eine Voraussetzung für das Vertrauen in automatisierte Systeme

¶ Quellen

[1] NATO — AI Strategy and its Application for Military

[2] IEEE — JDL Data Fusion Model and Its Application

[3] RAND — Machine Learning for Sensor Fusion in Air Defence

[4] Defense Advanced Research Projects Agency (DARPA) — AI for Counter-UAS

[5] Fraunhofer FHR — Drone Detection Using Micro-Doppler Radar

[6] Rheinmetall — Skymaster Air Defence Command System

[7] IISS — Autonomous Weapons and the Future of Air Defence