As of March 2026. All data is based on publicly accessible sources.
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].
Das Joint Directors of Laboratories (JDL) Modell definiert fünf Fusionsstufen, die in der Luftverteidigung standardmässig angewendet werden [2]:
Moderne Fusions-Engines nutzen Bayes'sche Netzwerke, Kalman-Filter und zunehmend Deep-Learning-Modelle, um Sensordaten in Echtzeit zu verarbeiten. Die Engine korreliert typischerweise:
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].
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]:
Ein typisches C-UAS-Klassifizierungssystem unterscheidet mindestens folgende Kategorien:
| Kategorie | Beispiele | Priorität |
|---|---|---|
| Feindliche UAS (Klasse I) | Modifizierter Quadrocopter mit Sprengladung | Höchste |
| Feindliche UAS (Klasse II/III) | Bayraktar TB2, Shahed-136 | Höchste |
| Loitering Munition | Lancet, Switchblade | Höchste |
| Marschflugkörper | Kalibr, Kh-101 | Höchste |
| Zivile Drohne (nicht autorisiert) | DJI Mavic, Parrot Anafi | Mittel |
| Zivile Drohne (autorisiert) | Registrierte kommerzielle UAS | Niedrig |
| Vogel | Greifvogel, Schwarm | Keine (Falschalarm) |
| Wetterphänomen | Niederschlag, Thermik | Keine (Clutter) |
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].
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].
Trajektorie-Analyse: Drohnen fliegen typischerweise geradliniger und in konstanterer Höhe als Vögel. Machine-Learning-Algorithmen analysieren das Flugmuster über Zeit und klassifizieren entsprechend.
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].
Kontextbasierte Filter: Das KI-System berücksichtigt Tageszeit, Vogelzugrouten, Wetter und bekannte zivile Drohnenaktivitäten, um die Wahrscheinlichkeit einer echten Bedrohung einzuschätzen.
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].
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].
Moderne C-UAS-Systeme implementieren KI nicht als autonome Entscheider, sondern als Decision Support System (Entscheidungsunterstützung):
Die NATO-Doktrin unterscheidet drei Automatisierungsstufen [1]:
| Stufe | Bezeichnung | Beschreibung |
|---|---|---|
| Human-in-the-Loop | Manuell | Operator muss jeden Schuss freigeben |
| Human-on-the-Loop | Überwacht | System handelt automatisch, Operator kann eingreifen |
| Human-out-of-the-Loop | Autonom | System handelt völlig autonom (nur bei C-RAM) |
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.
Die Forschung konzentriert sich derzeit auf drei Schwerpunkte:
[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