Automatisierte Drohnen-basierte Infrastrukturinspektion

Definition und Systemkomponenten

Automatisierte Drohnen-basierte Infrastrukturinspektion ist ein technologischer Prozess, bei dem ein unbemanntes Luftfahrzeug (UAV) eine vorprogrammierte Flugmission ausführt — definiert durch Wegpunkte, Rastermuster, Korridorstrecken oder 3D-modellgeführte Pfade — um Bild- und Sensordaten von Infrastrukturanlagen mit minimalem menschlichen Eingriff während der Datenerfassungsphase zu erfassen. Das System ersetzt das traditionelle Modell eines Fernpiloten, der manuell jede Flugbewegung steuert, durch einen Missionsplan, den die Drohne autonom ausführt und dabei genau definierte Parameter für Höhe, Geschwindigkeit, Kurs, Kameraauslöseintervall, Gimbal-Ausrichtung und Überlappungsprozentsatz einhält.

Die Systemarchitektur umfasst acht Kernkomponenten, die in einem nahtlosen Inspektionsablauf integriert sind:

UAV-Plattform — Die Flugzelle, das Antriebssystem, der Flugregler und die Avionik, die die physische Flugfähigkeit bereitstellen. Die Plattformen reichen von kleinen Multirotorern (DJI Mavic 3 Enterprise, Skydio X10) mit einem Gewicht unter 4 kg für Befestigungsinspektionen bis zu größeren Systemen (DJI Matrice 350 RTX, Freefly Astro), die mehrere Nutzlasten für umfassende Infrastrukturvermessungen tragen können. Zu den wichtigsten Spezifikationen gehören das maximale Startgewicht (MTOW), die Flugdauer (typischerweise 25-45 Minuten mit Nutzlast), die IP-Schutzart für Umwelttoleranz und die Redundanz in kritischen Systemen wie GNSS-Empfängern, IMUs und Antrieb.

Missionsplanungssoftware — Die bodengestützte Anwendung, in der die Bediener die Inspektionsmission vor dem Flug definieren. Führende Plattformen sind UgCS, DJI Pilot 2, Pix4Dcapture, DroneDeploy und Skydio Cloud. Diese Werkzeuge ermöglichen es den Bedienern, Vermessungsbereiche auf einer Karte zu zeichnen, Überlappungsprozentsätze festzulegen, Höhe und Geschwindigkeit einzustellen, Gimbal-Winkel zu definieren und Kameraparameter zu konfigurieren. Fortschrittliche Missionsplaner unterstützen Geländefolge unter Verwendung eines digitalen Höhenmodells (DEM), um eine konstante Bodenauflösung (GSD) über unebenem Gelände beizubehalten, 3D-modellbasierte Planung für komplexe Strukturen wie Brücken und Gebäude sowie Multi-Flug-Orchestrierung für großflächige Abdeckung.

Sensornutzlasten — Die missionsspezifischen Datenerfassungsinstrumente, die an der Drohne montiert sind. Die Auswahl der Nutzlast bestimmt direkt, welche Fehlertypen erkannt werden können. RGB-Kameras sind der Standard für die visuelle Risserkennung und Orthomosaikgenerierung. Wärmebildkameras erkennen Feuchtigkeit im Untergrund, Delamination und Isolationsfehler. LiDAR-Scanner erzeugen hochpräzise Punktwolken für Verformungsanalysen und vegetationsdurchdringende Vermessungen. Multispektralsensoren ermöglichen die Materialklassifizierung und die Bewertung des Vegetationszustands. Nutzlastmasse, Stromverbrauch, Datenrate und physikalische Abmessungen müssen mit der Nutzlastkapazität und den Montagemöglichkeiten der UAV-Plattform kompatibel sein.

Hinderniserkennung und -vermeidung (ODA) — Das onboard-Sensor- und Verarbeitungssystem, das verhindert, dass die Drohne während des automatisierten Flugs mit Hindernissen kollidiert. Moderne Systeme verwenden stereoskopische Kameras, Time-of-Flight-Sensoren, LiDAR oder Millimeterwellen-Radar, um Hindernisse im Flugweg zu erkennen. Der Vermeidungsalgorithmus plant entweder die Route um das Hindernis herum neu (Pfadneuplanung) oder pausiert die Mission, bis das Hindernis beseitigt ist. ODA ist entscheidend für die Inspektion komplexer Strukturen in geringer Höhe, bei denen Kräne, Stromleitungen, Vegetation und Strukturelemente möglicherweise nicht in den vorab geladenen Kartendaten enthalten sind.

Befehls- und Kontroll-Datenverbindung (C2) — Der Kommunikationskanal zwischen der Bodenkontrollstation und dem UAV zur Übertragung von Telemetrie, Flugbefehlen und Nutzlastdaten. Für automatisierte Inspektionsmissionen muss die C2-Verbindung ausreichende Bandbreite für Echtzeit-Videostreaming, Positionsaktualisierungen mit 5-10 Hz und Befehlsübertragung mit einer Latenz unter 100 Millisekunden bieten. Für BVLOS-Operationen nutzt die C2-Verbindung typischerweise 4G/5G-Mobilfunknetze oder Ku-Band-Satellitenverbindungen mit automatischer Übergabe zwischen bodengestützten Relaisstationen. Redundante C2-Verbindungen mit automatischer Umschaltung sind für Operationen außerhalb der Sichtweite gemäß ICAO Doc 10019 erforderlich.

Automatisiertes Datenübertragungssystem — Der Mechanismus zur Übertragung erfasster Inspektionsdaten von der Drohne zur Verarbeitungsinfrastruktur. Zu den Methoden gehören die direkte WiFi- oder USB-C-Übertragung nach der Landung, der Mobilfunk-Upload während des Flugs für kleinere Datensätze und automatisierte Dockingstationen, die Daten auslagern und Batterien ohne menschlichen Eingriff aufladen. Die DVI2AM-Dockingstation von Techno Sky, die seit 2022 an italienischen Flughäfen in Betrieb ist, demonstriert eine vollautomatische Datenübertragung: Die Drohne landet auf der Station, dockt mittels RTK-geführter Landung präzise an, überträgt Daten über ein schnelles lokales Netzwerk und lädt automatisch für die nächste Mission auf.

Georeferenzierung und Positionierung — Das System, das sicherstellt, dass jedes Bild und jeder Datenpunkt mit einer bekannten geografischen Koordinate verknüpft ist. Echtzeit-Kinematik (RTK) GNSS bietet eine Positionsgenauigkeit von 2-5 cm durch den Empfang von Echtzeitkorrekturen von einer Basisstation. Post-Processed Kinematic (PPK) erreicht eine ähnliche Genauigkeit ohne eine Live-Datenverbindung, indem rohe GNSS-Beobachtungen für die Korrektur nach dem Flug aufgezeichnet werden. Passpunkte (GCPs) — physisch vermessene Marker mit bekannten Koordinaten — bieten absolute Genauigkeitsverankerung. Für Infrastrukturinspektionen, die eine Genauigkeit von 1-3 cm erfordern, ist RTK- oder PPK-Positionierung in Kombination mit mindestens 5-8 Passpunkten pro Projekt Standardpraxis.

Analyse-Pipeline — Das Softwaresystem, das rohe Bild- und Sensordaten in umsetzbare Inspektionsergebnisse umwandelt. Dies umfasst typischerweise Photogrammetrieverarbeitung (Orthomosaik- und Punktwolkengenerierung mittels Structure from Motion), Computer-Vision-Algorithmen zur Fehlererkennung und -klassifizierung (Deep-Learning-Modelle, die auf Tausenden von beschrifteten Schadensbildern trainiert wurden), Messwerkzeuge für Rissbreite, -fläche und -volumen sowie Berichtsmodule, die Zustandsindizes (PCI gemäß ASTM D5340), Schadenskarten und Veränderungsberichte erstellen.

Automatisierte Flugplanung

Die automatisierte Flugplanung ist der Prozess der Festlegung des vollständigen Missionsprofils einer Drohne vor dem Start, bei dem der Flugweg, die Datenerfassungsparameter und die Notfallverfahren in eine Missionsdatei codiert werden, die der Flugregler autonom ausführt. Dies eliminiert die Variabilität, die durch manuelles Piloten entsteht — inkonsistente Kamerawinkel, schwankende Höhe, ungleichmäßige Geschwindigkeit und übersehene Abdeckungsbereiche — und stellt sicher, dass jede Erhebung Daten von gleichbleibender Qualität und Abdeckung produziert.

Wegpunktbasierte Planung

Wegpunktbasierte Flugplanung definiert eine Sequenz von geografischen Koordinaten (Breitengrad, Längengrad, Höhe), die die Drohne nacheinander ansteuert. An jedem Wegpunkt kann das Missionsskript bestimmte Aktionen auslösen: ein Bild aufnehmen, den Gimbal-Winkel anpassen, die Geschwindigkeit ändern oder eine Sensoraufzeichnung starten. Die Wegpunktplanung ist die flexibelste Methode und eignet sich für komplexe Inspektionsstrecken, die einer unregelmäßigen Anlagengeometrie folgen.

Moderne Wegpunktplanung unterstützt bis zu 500-1000 Wegpunkte pro Mission auf kommerziellen Plattformen. Jedem Wegpunkt kann ein bestimmter Gimbal-Neigungswinkel (von -90° Nadir bis +45° nach oben) zugewiesen werden, sodass die Drohne vertikale Oberflächen wie Brückenpfeiler, Gebäudefassaden und Stützwände erfassen kann. Die Wegpunktplanung wird für Brückeninspektionen verwendet, bei denen die Drohne einen Pfad fliegen muss, der dem Brückendeck folgt, zur Inspektion der Trägerlager hinabsteigt und zur Erfassung der Unterseite des Decks aufsteigt — ein Flugweg, der nicht durch ein einfaches Raster- oder Korridormuster beschrieben werden kann.

Rasterplanung

Rasterplanung erzeugt ein mäanderförmiges oder mähendes Muster über einem definierten polygonförmigen Bereich, mit parallelen Fluglinien, die so angeordnet sind, dass die angegebene Seitenüberlappung zwischen benachbarten Bildern erreicht wird. Die Rasterplanung ist die Standardmethode für Flächenvermessungen von Befestigungen, Start- und Landebahnen, Rollwegen, Vorfeldbereichen und großen Gebäudedächern.

Wichtige Parameter der Rasterplanung:

• Höhe über Grund: Bestimmt die Bodenauflösung (GSD). Für die Risserkennung auf Startbahnen erzeugen Höhen von 30-50 m über Grund mit 20-MP-Kameras GSD-Werte von 1-3 mm/Pixel.
• Vorwärtsüberlappung: Der prozentuale Überlappungsgrad zwischen aufeinanderfolgenden Bildern entlang der Fluglinie. Infrastrukturvermessungen verwenden 80-90 % Vorwärtsüberlappung.
• Seitenüberlappung: Der prozentuale Überlappungsgrad zwischen benachbarten Fluglinien. Übliche Werte sind 70-80 % Seitenüberlappung.
• Geschwindigkeit: Die Geschwindigkeit über Grund beeinflusst die Bewegungsunschärfe. Für Befestigungsinspektionen sind Geschwindigkeiten von 3-8 m/s typisch, begrenzt durch die Kamera-Verschlusszeit und die akzeptable Unschärfetoleranz (typischerweise <1 Pixel).
• Doppelraster: Ein orthogonaler zweiter Durchgang, der um 90° zum primären Raster gedreht ist, verwendet für die 3D-Rekonstruktion von Strukturen, bei denen schräge Blickwinkel die vertikale Oberflächenabdeckung verbessern.

Für eine Standard-Startbahn von 3.000 m (45 m Breite) erfordert eine Rastervermessung in 50 m Höhe mit 80 % Vorwärts- und 70 % Seitenüberlappung etwa 450-600 Bilder. Bei einer Bodenauflösung von 1 cm/Pixel entsteht ein Orthomosaik von etwa 300 Millionen Pixeln, das die gesamte Startbahnfläche abdeckt.

Korridorplanung

Korridorplanung definiert einen Flugweg entlang eines linearen Objekts — Startbahnmittellinie, Pipeline-Route, Stromleitungskorridor oder Straßenabschnitt. Die Drohne folgt der Korridormittellinie unter Einhaltung bestimmter seitlicher Versatz- und Höhenparameter für eine konsistente Datenerfassung entlang der Anlagenlänge.

Die Korridorplanung ist für die Inspektion linearer Infrastruktur unerlässlich, da eine Rasterplanung über das vollständige Begrenzungsrechteck ineffizient wäre. Bei einer Startbahn folgt der Korridor der Startbahnmittellinie in einer definierten Höhe, wobei Bilder in durch die Überlappungsanforderung bestimmten Abständen aufgenommen werden. Die Korridorbreite wird so festgelegt, dass sie die gesamte Startbahnbreite zuzüglich Sicherheitsrand abdeckt. Bei einer 45 m breiten Startbahn gewährleistet eine Korridorbreite von 60 m eine vollständige Abdeckung einschließlich der Schultern.

Fortschrittliche Korridorplanung unterstützt gekrümmte Pfade, die der Anlagengeometrie folgen, variable Höhe basierend auf dem Geländeprofil sowie Doppelrichtungsdurchgänge für stereoskopische Abdeckung. Die Drohne passt den Kurs automatisch an, um die Ausrichtung mit der Korridorrichtung beizubehalten und so einen konsistenten Sonnenwinkel und eine gleichmäßige Schattenausrichtung über die gesamte Vermessung sicherzustellen.

3D-Modellbasierte Planung

3D-modellbasierte Planung verwendet ein vorhandenes digitales Oberflächenmodell (DSM), ein Gebäudeinformationsmodell (BIM) oder eine Punktwolke der Anlage, um einen Flugweg zu generieren, der einen konstanten Abstand zur Strukturoberfläche einhält. Dies ist die fortschrittlichste Form der automatisierten Flugplanung und für die Inspektion komplexer 3D-Strukturen wie Brücken, Stadien, Industrieanlagen und Strommasten unerlässlich.

Der Flugplanungsalgorithmus berechnet eine Oberflächenversatzfläche im angegebenen Abstand (typischerweise 5-15 m für detaillierte Inspektionen) und generiert einen Pfad, der die Strukturoberfläche mit festgelegter Überlappung abdeckt. Die Drohne hält einen konstanten Abstand zur Oberfläche ein, unabhängig davon, ob die Oberfläche vertikal, horizontal oder gekrümmt ist. Bei einer Brücke bedeutet dies, dass die Drohne einen Pfad fliegt, der der Deckoberfläche, den Pfeilerflächen, den unteren Trägerflanschen und den Widerlagerwänden folgt — alles in einer einzigen automatisierten Mission.

Die 3D-modellbasierte Planung wurde in der Forschung von Huang et al. (2023) für die Gebäudeaußeninspektion demonstriert, wobei BIM-Modelle verwendet wurden, um Inspektionspfade zu generieren, die hohe Abdeckungsraten (über 95 %) mit Okklusionsvermeidung und kollisionsfreiem Betrieb erreichen. Die Methode wird zunehmend für Brückeninspektionen eingesetzt, bei denen die komplexe Geometrie von Fachwerkkonstruktionen, Seilabspannungen und Lagerbaugruppen eine manuelle Flugplanung unpraktisch macht.

Hinderniserkennung und -vermeidung

Hinderniserkennung und -vermeidung (ODA) ist die Systemfähigkeit, die es einer Drohne ermöglicht, Hindernisse in ihrem Flugweg zu erkennen und ohne Pilotenintervention autonom Ausweichmanöver durchzuführen. Für automatisierte Inspektionsmissionen — insbesondere solche, die in geringer Höhe in der Nähe komplexer Infrastruktur durchgeführt werden — ist ODA eine wesentliche Sicherheitsfunktion.

Sensortechnologien

Moderne ODA-Systeme nutzen mehrere komplementäre Sensormodalitäten:

Stereoskopisches Sehen verwendet zwei oder mehr nach vorne gerichtete Kameras, um Tiefenkarten durch Triangulation zu berechnen, ähnlich dem menschlichen Stereosehen. Die Tiefe wird für jedes Pixel im überlappenden Kamerabereich berechnet und liefert dichte Hindernisinformationen in Entfernungen von 0,5-20 m. Skydios Autonomie-Engine verwendet sechs 4K-Navigationskameras, die in einer sphärischen Anordnung angeordnet sind, um eine 360°-Hinderniserkennungsabdeckung zu bieten. Das System verarbeitet über 240 Millionen Tiefenmessungen pro Sekunde auf einer integrierten NVIDIA Jetson TX2-Plattform und ermöglicht so eine Echtzeit-Hinderniserkennung bei Fluggeschwindigkeiten von bis zu 15 m/s.

Time-of-Flight (ToF)-Sensoren senden Infrarotlichtimpulse aus und messen die Zeit, die die Reflexion für die Rückkehr benötigt, und liefern direkte Entfernungsmessungen. ToF-Sensoren sind auf kurze Distanz (0,1-10 m) effektiv und arbeiten bei schlechten Lichtverhältnissen, bei denen visionsbasierte Systeme nachlassen. Sie werden häufig für die nach unten gerichtete Hinderniserkennung während der Landung und für präzises Andocken in automatischen Ladestationen eingesetzt.

LiDAR ermöglicht aktives 3D-Scannen der Umgebung durch das Aussenden von Laserpulsen und die Messung der Rücklaufzeiten. LiDAR-basiertes ODA arbeitet in Reichweiten von 50-200 m, abhängig von der Sensorleistung und der Zielreflektivität. Es ist bei Dunkelheit, Nebel und Regen effektiv — Bedingungen, bei denen visionsbasierte Systeme versagen. Der Ouster OS0-128, ein auf Industriedrohnen häufig integrierter 128-Kanal-LiDAR, bietet ein 90° vertikales Sichtfeld und eine 360° horizontale Abdeckung und generiert 2,6 Millionen Punkte pro Sekunde. LiDAR-ODA ist besonders wertvoll für BVLOS-Operationen, bei denen die Drohne während ausgedehnter Missionen außerhalb der Sichtweite andere Luftfahrzeuge (bemannt und unbemannt) erkennen und vermeiden muss.

Millimeterwellen-Radar verwendet Funkwellen bei 77-79 GHz, um Hindernisse in Entfernungen von bis zu 300 m zu erkennen und Nebel, Regen, Staub und Rauch effektiver zu durchdringen als optische Sensoren. Radar-ODA liefert Entfernungs- und Geschwindigkeitsinformationen, aber eine begrenzte Winkelauflösung, was es eher für die Erkennung großer Hindernisse und des Luftverkehrs als für kleine Hindernisse wie Stromleitungen geeignet macht.

Hindernisvermeidungsstrategien

ODA-Systeme implementieren mehrere Vermeidungsstrategien, abhängig von der Betriebsart und der Art des Hindernisses:

Anhalten und warten — Die Drohne stoppt ihre Vorwärtsbewegung, wenn ein Hindernis erkannt wird, und wartet darauf, dass das Hindernis verschwindet oder der Bediener eingreift. Dies ist die sicherste Strategie und der Standardmodus für die meisten kommerziellen Drohnen.

Pfadneuplanung — Die Drohne berechnet einen alternativen Weg um das erkannte Hindernis herum, während die übergeordneten Missionsziele erhalten bleiben. Pfadneuplanungsalgorithmen verwenden Rapidly-exploring Random Trees (RRT), A*-Suche oder Potentialfeldmethoden, um kollisionsfreie Pfade zu finden. Diese Strategie ist für automatisierte Inspektionen in unübersichtlichen Umgebungen unerlässlich, in denen ein Anhalten an jedem Hindernis die Mission unpraktisch machen würde.

Steigen und fortsetzen — Die Drohne erhöht die Höhe, um das Hindernis zu überwinden, und nimmt dann den geplanten Flugweg wieder auf. Diese Strategie funktioniert für Hindernisse mit begrenzter Höhe wie Fahrzeuge, Ausrüstung und kleine Strukturen auf dem Inspektionsgelände.

Rückkehr zum letzten sicheren Wegpunkt — Wenn kein sicherer alternativer Pfad gefunden wird, kehrt die Drohne zum letzten Wegpunkt zurück, an dem sie einen freien Flugweg hatte, und wartet auf Anweisungen des Bedieners. Dies ist das ausfallsichere Verhalten, wenn ODA auf ein Hindernis trifft, das durch keine verfügbare Strategie sicher vermieden werden kann.

Regulatorische Anforderungen

ICAO Doc 10019 (Manual on Remotely Piloted Aircraft Systems) spezifiziert Anforderungen an Erkennung und Vermeidung (DAA) für RPAS-Operationen und besagt, dass das DAA-System dem Fernpiloten die Fähigkeit bieten muss, konkurrierenden Verkehr und andere Gefahren zu erkennen und das RPA zu manövrieren, um Kollisionen zu vermeiden. Für automatisierte Inspektionsdrohnen, die BVLOS betrieben werden, muss das DAA-System ein gleichwertiges Sicherheitsniveau wie die See-and-Avoid-Anforderungen bemannter Luftfahrzeuge nachweisen (14 CFR 91.113 und ICAO Annex 2, Regel 14).

Die von der FAA vorgeschlagene Part-108-Regel (Notice of Proposed Rulemaking, 2024) enthält spezifische Anforderungen für automatisierte Drohnen, die BVLOS betrieben werden, und schreibt vor, dass das Luftfahrzeug mit einem DAA-System ausgestattet sein muss, das bemannte Luftfahrzeuge, Hindernisse und andere UAS erkennen und vermeiden kann. Das System muss mindestens das Sicherheitsniveau bieten, das durch die visuellen See-and-Avoid-Anforderungen in Part 91.113 vorgeschrieben ist, bewertet durch den FAA Safety Risk Management-Prozess gemäß FAA Order 8040.4.

Beyond Visual Line of Sight (BVLOS)-Operationen

Beyond Visual Line of Sight (BVLOS) bezeichnet Drohnenoperationen, bei denen das Luftfahrzeug außerhalb der Sichtweite des Fernpiloten oder visuellen Beobachters operiert. BVLOS ist der ermöglichende regulatorische Rahmen für automatisierte Infrastrukturinspektion im großen Maßstab, da es einem einzelnen Bediener erlaubt, Anlagen zu vermessen, die sich über Tausende von Metern erstrecken — volle Startbahnlängen, kilometerlange Pipelines oder ausgedehnte Brückennetzwerke — ohne den Piloten oder visuelle Beobachter entlang der Anlage umzusetzen.

Regulatorischer Rahmen

In den USA erfordert FAA Part 107 derzeit Sichtverbindungsoperationen (VLOS) für gewerbliche kleine UAS. BVLOS-Operationen erfordern Ausnahmegenehmigungen gemäß 14 CFR 107.200, die der Betreiber durch den Nachweis eines gleichwertigen Sicherheitsniveaus mittels alternativer Compliance-Methoden erhalten muss. Stand 2024 hatte die FAA landesweit weniger als 600 BVLOS-Ausnahmegenehmigungen erteilt, wobei die Genehmigungsraten mit der Reifung der DAA-Technologie steigen.

Der Part 108 NPRM der FAA (Februar 2024) schlägt die Einführung eines neuen regulatorischen Rahmens speziell für BVLOS-Operationen vor. Zu den vorgeschlagenen Anforderungen gehören: (1) Das UAS muss den von der FAA empfohlenen Zuverlässigkeitsstandards für die vorgesehene Betriebsumgebung entsprechen; (2) Das UAS muss eine Compliance-Methode für DAA haben, die die Sicherheit von 14 CFR 91.113 erreicht oder übertrifft; (3) Betreiber müssen eine zusätzliche Schulung über die Part-107-Fernpilotenlizenzierung hinaus absolvieren; (4) Operationen sind auf 400 ft über Grund und die Luftraumklassen G und E beschränkt (mit zusätzlicher Genehmigung für kontrollierten Luftraum); und (5) Das Luftfahrzeug muss mit Remote ID ausgestattet sein, die sowohl über Broadcast- als auch über netzwerkbasierte Protokolle sendet.

In Europa legen die EASA-Vorschriften gemäß der Durchführungsverordnung (EU) 2019/947 drei Betriebskategorien für UAS-Operationen fest. BVLOS-Operationen fallen unter die Spezifische Kategorie und erfordern eine Betriebsgenehmigung der nationalen Luftfahrtbehörde (z. B. ENAC in Italien, DGAC in Frankreich, CAA im Vereinigten Königreich). Der Betreiber muss eine spezifische Betriebsrisikobewertung (SORA) gemäß den JARUS-Richtlinien einreichen, die die Betriebsrisiken bewertet und die erforderlichen Minderungsmaßnahmen bestimmt. Techno Sky erhielt 2021 die ENAC-Genehmigung für BVLOS-ILS-Inspektionen an italienischen Flughäfen und war damit der erste UAV-Betreiber in Europa, der für BVLOS-Operationen in Flughafenumgebungen zugelassen wurde.

Technische Anforderungen für BVLOS

Erfolgreiche BVLOS-Operationen erfordern robuste technische Systeme über die Standard-VLOS-Operationen hinaus:

Zuverlässige C2-Datenverbindung mit ausreichender Reichweite, um die Kontrolle während der gesamten Mission aufrechtzuerhalten. Für die Inspektion von Flughafen-Startbahnen mit einer Länge von 3.000 m muss die C2-Verbindung entlang der gesamten Startbahnlänge abdecken. 4G/5G-Mobilfunknetze werden zunehmend für BVLOS-C2-Verbindungen genutzt und bieten eine Reichweite, die nur durch die Netzabdeckung begrenzt ist. Frequenzsprungverfahren (FHSS) in den ISM-Bändern 2,4 GHz und 5,8 GHz bieten eine Reichweite von 5-15 km bei ausreichender Antennenhöhe und Sichtverbindung. Für Operationen außerhalb der Mobilfunkabdeckung bieten Ku-Band-Satellitenverbindungen globale Abdeckung mit höherer Latenz (250-600 ms).

Remote ID überträgt die Identität, Position, Höhe, Geschwindigkeit und die Position der Kontrollstation der Drohne. Remote ID ermöglicht die Flugverkehrsverwaltung und das Bewusstsein bemannter Luftfahrzeuge für Drohnenoperationen. Die FAA schreibt Remote ID gemäß 14 CFR 89 für alle Operationen vor, mit broadcast-basierter Remote ID im 915-MHz-Band und netzwerkbasierter Übertragung über Bluetooth oder WiFi.

Flugabbruchsystem (FTS), das die Drohne bei einem kritischen Systemausfall zu einer kontrollierten Landung oder einem Fallschirmabstieg bringen kann. Für BVLOS-Operationen über besiedelten Gebieten oder kritischer Infrastruktur muss das FTS nachweislich zuverlässig den Flug innerhalb eines definierten Sicherheitsbereichs beenden können. Die DVI2AM-Drohne von Techno Sky verfügt über ein EASA-konformes FTS mit ballistischem Fallschirm, das einen sicheren Gesamtsystemabstieg aus der Betriebshöhe ermöglicht.

Automatic Dependent Surveillance-Broadcast (ADS-B) IN-Fähigkeit zum Empfang von Sendungen bemannter Luftfahrzeuge in der Nähe, was eine Situationswahrnehmung bietet, die das DAA-System ergänzt. Die Drohne muss mit einem ADS-B-Empfänger ausgestattet sein, der 1090-MHz-Extended-Squitter-Übertragungen decodieren und den Bediener auf konvergierenden Verkehr aufmerksam machen kann.

Sensornutzlasten

Die von der Inspektionsdrohne getragene Sensornutzlast bestimmt, welche Fehlertypen erkannt werden können, welche Messgenauigkeit erreichbar ist und welche Datenprodukte generiert werden können. Unterschiedliche Infrastrukturinspektionsszenarien erfordern unterschiedliche Sensorkombinationen.

RGB-Kameras

RGB-Kameras (visuelles Spektrum) erfassen Farbbilder mit roten, grünen und blauen Kanälen und produzieren Bilder, die der menschlichen visuellen Wahrnehmung entsprechen. Hochauflösende RGB-Kameras sind der primäre Sensor für Befestigungsinspektionen, Risserkennung, Oberflächenschadenskartierung und Orthomosaikgenerierung.

Moderne RGB-Kameras für Drohnennutzlasten bieten eine Auflösung von 20-61 Megapixeln mit Global-Shutter-Mechanismen, die Rolling-Shutter-Verzerrungen eliminieren — entscheidend für eine konsistente photogrammetrische Rekonstruktion. Sonys Vollformat-61-MP-Sensor (verwendet in den Nutzlasten Phase One iXM-60 und Hasselblad H6D-100c) bietet außergewöhnliche Bildqualität bei 1 cm oder feinerer Bodenauflösung aus Standard-Inspektionshöhen.

Für die Inspektion von Startbahnbefestigungen müssen RGB-Kameras Risse mit einer Breite von nur 0,3 mm auflösen können. In 30 m Höhe mit einem 24-mm-Objektiv und 3,76 µm Pixelabstand beträgt die Bodenauflösung 4,7 mm/Pixel, was für die submillimeterfeine Risserkennung unzureichend ist. Um eine Bodenauflösung von 1 mm/Pixel zu erreichen, muss die Drohne in 15 m Höhe fliegen oder ein Objektiv mit längerer Brennweite verwenden — beides reduziert die pro Bild abgedeckte Fläche und verlängert die Flugzeit. Der Industriestandard für PCI-Erhebungen von Startbahnen liegt bei 1-3 mm/Pixel Bodenauflösung, was eine sorgfältige Abwägung zwischen Abdeckungseffizienz und Risserkennungsfähigkeit erfordert.

Wärmebildkameras

Wärmebildkameras erfassen langwellige Infrarotstrahlung (Wellenlänge 8-14 µm), die von allen Objekten oberhalb des absoluten Nullpunkts emittiert wird. Die Wärmebildgebung zeigt Temperaturunterschiede auf der inspizierten Oberfläche, die auf für RGB-Kameras unsichtbare Untergrundbedingungen hinweisen.

Die Wärmeinspektion erkennt: Feuchtigkeitseintritt, bei dem Verdunstungskühlung kalte Stellen auf feuchten Oberflächen erzeugt; Delamination, bei der eingeschlossene Lufttaschen thermische Barrieren bilden, die bei Sonneneinstrahlung warme Stellen und bei nächtlicher Abkühlung kalte Stellen erzeugen; Untergrundhohlräume, bei denen Luftspalte Isolationseffekte erzeugen, die als Temperaturanomalien sichtbar werden; und Abplatzungen, bei denen Betonablösung thermische Brücken zwischen intakten und abgelösten Schichten schafft.

FLIRs Tau 2 und DJIs Zenmuse H20T sind übliche Wärmebildnutzlasten für die Drohneninspektion und bieten eine Auflösung von 640 × 512 Pixeln mit einer thermischen Empfindlichkeit von 0,05 °C (NETD). Für Befestigungsinspektionen werden Wärmebilder während des solaren Erwärmungszyklus (10:00-14:00 Uhr Ortszeit) durchgeführt, wenn die Sonneneinstrahlung den maximalen Temperaturunterschied zwischen intakter und delaminierter Befestigung erzeugt. Die Forschung der Federal Highway Administration (FHWA-HIF-19-002) ergab, dass thermische Drohnenvermessungen delaminierte Brückendecks mit einer Genauigkeit von 85-90 % im Vergleich zu manuellen Kettenzug- und Hammerklang-Referenzvermessungen erkannten.

LiDAR-Scanner

Light Detection and Ranging (LiDAR)-Sensoren senden Laserimpulse aus und messen die Zeit, die jeder Impuls benötigt, um von Oberflächen reflektiert zu werden und zum Sensor zurückzukehren, und erzeugen so direkte 3D-Entfernungsmessungen. LiDAR generiert Punktwolken mit typischen Punktdichten von 100-500 Punkten pro Quadratmeter aus Drohnenhöhen von 50-100 m, mit einer vertikalen Genauigkeit von 1-3 cm für vermessungstaugliche Sensoren.

LiDAR bietet drei Schlüsselfähigkeiten, die mit Photogrammetrie allein nicht verfügbar sind: Vegetationsdurchdringung, bei der LiDAR-Impulse durch Lücken im Blattwerk hindurch die Bodenoberflächenhöhe messen; direkte 3D-Messung ohne Bildtextur oder Umgebungslicht; und Intensitätsrücklauf-Daten, bei denen die Stärke des reflektierten Impulses auf die Materialeigenschaften der Oberfläche hinweist.

Für die Infrastrukturinspektion wird LiDAR eingesetzt für: Brückendurchbiegungsmessung unter statischer Last (Genauigkeit 2-5 mm mit bodengestütztem LiDAR); Stromleitungsdurchhangmessung und Abstandsprüfung; Geländekartierung für Entwässerungsanalyse und Volumenberechnung; sowie Bestandsprüfung im Vergleich zu Planungsmodellen. Der Riegl VUX-1LR, ein beliebter Drohnen-LiDAR-Sensor, erreicht eine Reichweite von 100 m mit 10 mm Präzision bei 50 m und einer Pulswiederholrate von 400 kHz und erzeugt Punktwolken mit bis zu 100 Punkten pro Quadratmeter aus 50 m Höhe.

Multispektralsensoren

Multispektralsensoren erfassen Bilder in mehreren schmalen Wellenlängenbändern jenseits des sichtbaren Spektrums, typischerweise einschließlich Red Edge (710-730 nm), Nahes Infrarot (840-860 nm) und manchmal mehreren Bändern im sichtbaren Spektrum. Multispektraldaten ermöglichen die Materialklassifizierung durch spektrale Signaturanalyse, bei der verschiedene Materialien (Asphalt, Beton, Vegetation, Wasser, Metall) unterschiedliche Anteile der einfallenden Strahlung bei jeder Wellenlänge reflektieren.

Für die Befestigungsinspektion können Multispektralsensoren zwischen Asphalt- und Betonoberflächen unterscheiden, Bereiche mit Öl- oder Kraftstoffkontamination identifizieren (die als Absorptionseigenschaften in den SWIR-Bändern erscheinen), Vegetationseindringen an Befestigungsrändern erkennen und den Feuchtigkeitsgehalt durch die Wasserabsorptionsbänder im nahen Infrarot bewerten. Der Micasense RedEdge-P bietet fünf Spektralbänder (Blau, Grün, Rot, Red Edge, Nahes Infrarot) mit einer Auflösung von 1,2 MP pro Band und einem Downwelling-Lichtsensor (DLS) zur Kalibrierung der Umgebungslichtbedingungen.

Datenkonsistenz bei der Erfassung

Datenkonsistenz über wiederholte Erhebungen hinweg ist der entscheidende Vorteil der automatisierten Drohneninspektion gegenüber manuellen Methoden. Wenn eine Drohne bei jedem Besuch demselben programmierten Flugweg mit identischen Parametern folgt, können die resultierenden Datensätze direkt für die Veränderungserkennung verglichen werden, ohne die störenden Effekte variabler Erfassungsbedingungen.

Flugparameter mit definierter Toleranz

Die folgenden Parameter müssen innerhalb definierter Toleranzen kontrolliert werden, um Datenkonsistenz zu gewährleisten:

Georeferenzierungskonsistenz

Die automatisierte Inspektion basiert auf konsistenter Georeferenzierung über verschiedene Erhebungen hinweg. Die RTK-GNSS-Positionierung liefert die Position der Drohnenkamera an jedem Bildaufnahmepunkt mit 2-5 cm Genauigkeit. Diese Position, kombiniert mit der Kameraausrichtung (Gimbal-Winkel), definiert die äußeren Orientierungsparameter der Kamera, die jedes Bild im geografischen Raum verankern.

Für die Veränderungserkennungsanalyse müssen wiederholte Erhebungen im selben Koordinatenreferenzsystem registriert werden. Der Co-Registrierungsprozess verwendet invariante Merkmale (Markierungen auf der Befestigung, Startbahnbefeuerung, feste Strukturen), um eine Transformation zu berechnen, die das Orthomosaik von Erhebung N mit dem Orthomosaik von Erhebung 1 ausrichtet. Der verbleibende Ausrichtungsfehler nach der Co-Registrierung sollte weniger als 2 Pixel betragen — entsprechend 2-6 mm bei typischen GSD-Werten.

Die Plattform von TarmacView validiert Eingabedaten anhand definierter Qualitätskriterien, bevor sie in die Analyse-Pipeline aufgenommen werden. Wenn die Flughöhe außerhalb der Toleranz abweicht oder die Überlappung unter den Mindestschwellenwert fällt, kennzeichnet das System die Erhebung zur Datenqualitätsprüfung. Diese Kontrollfunktion stellt sicher, dass nur konsistente, analysetaugliche Daten in den Zustandsbewertungs-Workflow gelangen.

Beleuchtungs- und Umgebungsstandardisierung

Konsistente Lichtverhältnisse reduzieren Fehlalarme bei der automatisierten Fehlererkennung. Befestigungsrisse erzeugen bei unterschiedlichen Sonnenwinkeln unterschiedliche visuelle Signaturen: Ein 1 mm breiter Riss ist bei niedrigem Sonnenwinkel (10-20°) deutlich sichtbar, wo er einen erkennbaren Schatten wirft, aber bei hohem Sonnenwinkel (60-90°) nahezu unsichtbar, wo das Rissinnere direkt beleuchtet wird.

Die Standardpraxis für wiederholte Befestigungsvermessungen schreibt vor, dass Flüge innerhalb von ±1 Stunde der gleichen Sonnenzeit bei jedem Besuch durchgeführt werden sollten, mit einer Bewölkung von nicht mehr als 30 % und ohne stehendes Wasser auf der Befestigungsoberfläche. Der Sonnenhöhenwinkel sollte 30° überschreiten, um eine ausreichende Beleuchtung bei gleichzeitig ausreichendem Schattenkontrast für Risserkennungsalgorithmen zu gewährleisten. Das Missionsplanungsmodul von TarmacView berechnet automatisch optimale Flugfenster basierend auf dem Vermessungsort und -datum unter Berücksichtigung der lokalen Sonnenephemeride.

Automatisierte Datenübertragung und -verarbeitung

Die Automatisierung der Datenübertragung und -verarbeitung vervollständigt den End-to-End-Inspektionsworkflow und wandelt rohe Bilder ohne manuellen Eingriff zwischen Flug und Analyse in umsetzbare Berichte um.

Datenübertragungsmethoden

Direkte Kabelübertragung ist die einfachste Methode: Der Bediener verbindet die Drohne nach der Landung über USB-C oder Ethernet mit einem Computer und initiiert manuell den Datendownload. Für eine 300-Bilder-Startbahnerhebung mit 20 MP (ca. 6 GB Daten) dauert die Übertragung über USB 3.0 2-5 Minuten. Diese Methode ist zuverlässig, erfordert jedoch menschliche Anwesenheit und manuelle Aktion, was den Automatisierungsgrad einschränkt.

Dockingstation-Übertragung ermöglicht das vollautomatische Auslagern von Daten. Wenn die Drohne auf der Dockingstation landet, initiiert eine Hochgeschwindigkeits-Datenverbindung (USB 3.0 oder Gigabit Ethernet) automatisch die Datenübertragung, während die Station gleichzeitig mit dem Laden der Batterie beginnt. Die DJI Dock 2 und die DVI2AM-Stationen von Techno Sky unterstützen diese Funktion. Die Daten werden innerhalb von 10-15 Minuten für eine vollständige Erhebung an einen lokalen Server oder Cloud-Speicher übertragen. Die Station kann die Drohne für die nächste Mission vorbereiten — aufgeladene Batterien, überprüfte Sensorkalibrierung und aktualisierter Flugplan — ohne menschliche Interaktion.

Mobilfunkübertragung während des Flugs streamt Daten während der Mission selbst zur Cloud-Verarbeitung, unter Verwendung von 4G/5G-Modems, die in die Drohne integriert sind. Dies ermöglicht eine nahezu Echtzeit-Verarbeitung, bei der die Orthomosaikgenerierung beginnt, bevor die Drohne gelandet ist. Für große Datensätze (6+ GB pro Erhebung) verlängert die Mobilfunkübertragung die Datenlieferzeit im Vergleich zur Dockingstation-Übertragung (30-60 Minuten), bietet jedoch den Vorteil einer schnellen Bearbeitungszeit für zeitkritische Inspektionen.

Automatisierte Verarbeitungspipeline

Die automatisierte Verarbeitungspipeline wandelt rohe Bilder in mehreren Schritten in Inspektionsergebnisse um:

Photogrammetrische Rekonstruktion verwendet Structure-from-Motion-Algorithmen, um Bilder auszurichten, Kamerapositionen zu berechnen, dichte Punktwolken zu erzeugen und Orthomosaike und DSMs zu erstellen. Die Verarbeitung einer 300-Bilder-Startbahnerhebung bei 1 cm Bodenauflösung erfordert etwa 2-4 Stunden auf einem GPU-beschleunigten Arbeitsplatzrechner (NVIDIA RTX 4090 oder vergleichbar). Cloud-basierte Verarbeitungsdienste (Pix4Dmatic, Agisoft Metashape Cloud) reduzieren dies auf 30-60 Minuten durch verteiltes Rechnen auf mehreren GPU-Knoten.

Qualitätssicherung validiert die Rekonstruktion anhand definierter Kriterien: GSD innerhalb der Toleranz des Flugplanziels; RMSE der Kontrollpunkte unter 2 cm horizontal und 3 cm vertikal; Orthomosaik-Nahtkontinuität ohne sichtbare Blending-Artefakte oder Farbabweichungen; Punktwolkendichte ausreichend für die Fehlererkennung bei der erforderlichen Mindestmerkmalgröße.

Fehlererkennung und -klassifizierung wendet Computer-Vision-Algorithmen und Deep-Learning-Modelle an, um Oberflächenfehler auf dem Orthomosaik zu identifizieren, zu klassifizieren und zu messen. Das Deep-Learning-Modell — typischerweise eine U-Net-, DeepLabV3+- oder Mask-R-CNN-Architektur, trainiert auf 10.000+ beschrifteten Infrastrukturschadensbildern — führt eine pixelgenaue semantische Segmentierung durch, die jedes Pixel als intakte Oberfläche, Riss (längs, quer, Netzriss, Blockriss), Abplatzung, Flickstelle, Ausbröckelung oder Fugenschaden klassifiziert. Die Rissbreite wird mit einer Genauigkeit von 0,2 mm mittels Subpixel-Kantenerkennung gemessen.

Zustandsindexberechnung berechnet aggregierte Befestigungszustandskennwerte gemäß der ASTM-D5340-PCI-Methodik. Die Befestigung wird in Stichprobeneinheiten unterteilt (typischerweise 20 zusammenhängende Platten bei Plattenbetonbefestigung oder 500 m² Abschnitte bei Asphaltbefestigung). Innerhalb jeder Stichprobeneinheit wird die Dichte jedes Schadenstyps auf jeder Schweregradstufe berechnet, Abzugswerte werden aus ASTM-Tabellen ermittelt und der PCI auf einer Skala von 0-100 berechnet.

Integration mit TarmacView

Die Inspektionsplattform von TarmacView bietet die Analyse- und Berichtserstellungs-Engine, die automatisierte Drohnenerhebungsdaten verarbeitet und Zustandsbewertungen gemäß den Luftfahrtindustriestandards erstellt.

Eingabeanforderungen

TarmacView akzeptiert Orthomosaike, Punktwolken und DSM-Daten, die aus automatisierten Drohnenvermessungen generiert wurden. Zu den Eingabeanforderungen gehören: Orthomosaik-GSD von 1-3 mm/Pixel für Startbahn-PCI-Analyse, mit höherer GSD (1 mm oder besser) erforderlich für Rissbreitenmessung unter 0,5 mm. Das Orthomosaik muss in einem bekannten Koordinatenreferenzsystem (WGS84 UTM oder lokales CRS) mit Kontrollpunktvalidierung georeferenziert sein. Die Bildüberlappung muss verifiziert werden, um die für die photogrammetrische Rekonstruktion erforderlichen Mindestschwellen (80 % Vorwärts-, 70 % Seitenüberlappung) zu erfüllen. Die Daten müssen mit vollständigen EXIF-Metadaten einschließlich GNSS-Position, Höhe, Gimbal-Ausrichtung, Kamera-Kalibrierungsparametern und Aufnahmezeitstempel für jedes Bild geliefert werden.

Analyse-Workflow

Wenn ein Erhebungsdatensatz auf TarmacView hochgeladen wird, führt die Plattform einen strukturierten Analyse-Workflow aus:

1. Datenaufnahme — Das Orthomosaik und die Punktwolke werden in die räumliche Datenbank geladen. Metadatenfelder (Erhebungsdatum, Flugparameter, Drohnenmodell, Kameramodell, GSD, CRS) werden extrahiert und gegen die Projektanforderungen validiert.

2. Befestigungssegmentierung — Der Befestigungsbereich wird automatisch aus dem Orthomosaik unter Verwendung von Deep-Learning-Segmentierungsmodellen extrahiert, die auf Flugplatzbildern trainiert wurden. Startbahnmarkierungen, Schultern, Strahlkegelschutzzonen und angrenzende Rollwege werden identifiziert und von der Analysebefestigung getrennt.

3. Stichprobeneinheiten-Abgrenzung — Die Befestigung wird gemäß ASTM D5340 in PCI-Stichprobeneinheiten unterteilt. Bei Plattenbeton-Flugplatzbefestigung werden Einheiten als 20 aufeinanderfolgende Platten (±1 Platte) gemäß ASTM D5340-19 Abschnitt 8.3.1 definiert. Bei Asphaltbefestigung sind die Einheiten etwa 500 m² groß. Die Grenzen der Stichprobeneinheiten werden als räumliche Polygone im GIS-Datenmodell gespeichert.

4. Automatisierte Schadenserkennung — Die Computer-Vision-Pipeline verarbeitet jede Stichprobeneinheit und erkennt und klassifiziert alle standardmäßigen PCI-Schadenstypen: Rissarten (Längsrisse, Querrisse, Diagonalrisse, Netzrisse, Blockrisse), Abplatzungen, Flickstellen, Fugenabplatzungen, Eckabbruch, Plattenbruch, Aufbruch, Pumpen, Verwerfung, Setzung, Ausbröckelung, Verwitterung, Bluten, Spurrinnen, Wellbildung, Mulden, Aufquellung und poliertes Gesteinskorn. Jede Schadensinstanz wird als georeferenziertes Vektorpolygon mit Attributen für Schadenstyp, Schweregrad (Niedrig, Mittel, Hoch gemäß ASTM-Kriterien), gemessene Abmessungen (Länge, Breite, Fläche) und dem Wahrscheinlichkeitswert aus dem Erkennungsmodell gespeichert.

5. PCI-Berechnung — Für jede Stichprobeneinheit werden Schadensdichten berechnet, Abzugswerte aus den ASTM-D5340-Abzugswertkurven angewendet und der korrigierte Abzugswert (CDV) durch iterative Anpassung ermittelt. Der endgültige PCI für jede Einheit wird als 100 minus dem CDV berechnet.

6. Berichtserstellung — TarmacView erstellt einen umfassenden Inspektionsbericht mit: Gesamt-PCI für die Startbahn und PCI der einzelnen Stichprobeneinheiten; Schadenskarten, die auf dem Orthomosaik mit farbcodiertem Schweregrad überlagert sind; Rissmesstabellen mit Länge, Breite und Klassifizierung für jeden erkannten Riss; statistischer Verteilung der Schadenstypen auf der Befestigung; und Trendanalyse, die den aktuellen PCI mit historischen Erhebungen vergleicht.

Regulatorischer Rahmen

Automatisierte Drohneninspektionsoperationen unterliegen einem mehrschichtigen regulatorischen Rahmen, der internationale Standards, nationale Vorschriften und lokale Luftraumbeschränkungen umfasst.

International: ICAO-Standards

ICAO Annex 6, Teil IV — Internationale Standards und empfohlene Praktiken für ferngesteuerte Luftfahrzeugsysteme (RPAS), gültig ab November 2026, legt den internationalen Rahmen für RPAS-Operationen einschließlich Inspektionsdrohnen fest. Der Anhang deckt die Musterzulassung (RPAS müssen für ihre Kategorie geeignete Musterzulassungsstandards erfüllen), die Betreiberzertifizierung (Betreiber müssen ein RPAS-Betreiberzeugnis besitzen), die Fernpilotenlizenzierung (Piloten müssen einen Fernpilotenlizenz besitzen) und Betriebsregeln für automatisierte Flüge und Flüge außerhalb der Sichtweite ab.

ICAO Annex 14, Band I — Flugplatzgestaltung und -betrieb regelt die physikalischen Eigenschaften von Flugplätzen einschließlich der Anforderungen an den Oberflächenzustand von Befestigungen. Der Anhang legt fest, dass der Zustand der Startbahnoberfläche innerhalb definierter Grenzen überwacht und instand gehalten werden muss, mit besonderem Augenmerk auf Reibungseigenschaften, Oberflächenunregelmäßigkeiten und Verschmutzungsansammlungen. Die automatisierte Drohneninspektion liefert die konsistenten, messbaren Daten, die für den Compliance-Nachweis gemäß Annex 14 erforderlich sind. Die Flughöhenbeschränkungen für Drohnenoperationen werden in Annex 14 Abschnitt 4.2 (Hindernisbegrenzungsflächen) und dem Manual on Remotely Piloted Aircraft Systems (Doc 10019) behandelt.

ICAO Doc 8071 — Manual on Testing of Radio Navigation Aids, Band 3 (Testing of Satellite-Based Radio Navigation Systems) bezieht sich auf UAV-basierte Inspektion von Instrumentenlandesystemen und anderen Navigationshilfen. Die automatisierte UAV-ILS-Inspektionslösung von Techno Sky, von ENAC 2021 zugelassen, demonstriert die Einhaltung der Doc-8071-Messanforderungen für Localizer-Kursausrichtung, Gleitpfadwinkel und Abweichungsempfindlichkeit.

USA: FAA-Vorschriften

14 CFR Part 107 — Small Unmanned Aircraft Systems regelt gewerbliche UAS-Operationen unter 25 kg (55 lbs). Wichtige Anforderungen für automatisierte Inspektionen: Fernpilotenlizenz (Part 107 Remote Pilot Certificate), Luftfahrzeugregistrierung, VLOS-Operationen (oder BVLOS-Ausnahmegenehmigung gemäß 107.200), Operationen bei Tageslicht (oder Nachtausnahmegenehmigung gemäß 107.29), maximale Höhe von 400 ft über Grund, maximale Geschwindigkeit über Grund von 100 mph (87 Knoten) und Remote-ID-Compliance (14 CFR Part 89).

Part-107-Ausnahmegenehmigungen wurden für automatisierte Inspektionsoperationen erteilt, wenn Betreiber gleichwertige Sicherheit nachweisen. Stand 2024 hat die FAA landesweit über 1.200 BVLOS-Ausnahmegenehmigungen erteilt, wobei 65 % für Operationen in kontrolliertem Luftraum in Abstimmung mit der Flugverkehrskontrolle genehmigt wurden.

14 CFR Part 108 (vorgeschlagen, 2024) — Wird einen neuen regulatorischen Rahmen speziell für BVLOS-Drohnenoperationen schaffen. Die vorgeschlagene Regelung umfasst Anforderungen an: Luftfahrzeug-Design- und Produktionsstandards; Zuverlässigkeitsanalyse und fortlaufende Lufttüchtigkeit; DAA-Systemleistungsstandards; Betreiberzertifizierung mit erweiterter Schulung; Betriebsgenehmigungen ohne individuelle Ausnahmegenehmigungsanträge; und standardisierte BVLOS-Betriebsvolumina.

FAA Advisory Circular 107-2 — Small Unmanned Aircraft Systems enthält Leitlinien zur Part-107-Compliance. AC 107-2A behandelt speziell Inspektionsoperationen und stellt fest, dass automatisierte Flugplanung und -durchführung unter Part 107 zulässig ist, solange der Fernpilot die Möglichkeit behält, die Automatisierung zu übersteuern und das Luftfahrzeug manuell zu steuern.

Europa: EASA-Vorschriften

Durchführungsverordnung (EU) 2019/947 — Regeln und Verfahren für den Betrieb unbemannter Luftfahrzeuge legt drei Betriebskategorien fest:

Die Spezifische Kategorie gilt für die meisten automatisierten Inspektionsoperationen, insbesondere BVLOS und Flüge über kritischer Infrastruktur. Der Betreiber muss eine spezifische Betriebsrisikobewertung (SORA) gemäß den JARUS-Richtlinien einreichen, die die Bodenrisiko- und Luftrisikoklassen bewertet, um die erforderlichen Sicherheitsminderungsmaßnahmen zu bestimmen. Die ENAC-Genehmigung von Techno Sky für BVLOS-ILS-Inspektionen an italienischen Flughäfen fällt unter die Spezifische Kategorie mit einer SORA, die nachweist, dass automatisierter Flug, redundante C2-Verbindungen und FTS das Betriebsrisiko auf akzeptable Werte reduzieren.

EASA Light UAS Operator Certificate (LUC) — Betreiber, die bestimmte Kompetenzanforderungen erfüllen, können Operationen innerhalb der durch ihr LUC gewährten Berechtigungen selbst genehmigen. Techno Sky besitzt ein EASA LUC, das automatisierte BVLOS-Inspektionsoperationen an italienischen Flughäfen genehmigt, was nachweist, dass das Sicherheitsmanagementsystem, das Schulungsprogramm und die Betriebsverfahren des Betreibers die EASA-Standards für Selbstregulierung erfüllen.

Remote-ID-Anforderungen

Remote ID ist die Fähigkeit einer Drohne im Flug, Identifikation, Position, Höhe, Geschwindigkeit und Position der Kontrollstation zu senden. Remote ID ermöglicht es Luftraumbetreibern, Piloten bemannter Luftfahrzeuge und Strafverfolgungsbehörden, Drohnen während des Flugs zu identifizieren und zu verfolgen.

In den USA schreibt 14 CFR Part 89 — Remote Identification of Unmanned Aircraft die Remote-ID-Compliance bis zum 16. September 2023 vor. Nach diesem Datum hergestellte Drohnen müssen über eine eingebaute Remote-ID-Sendefähigkeit verfügen, die über WiFi oder Bluetooth mit einer Aktualisierungsrate von 1 Hz und einer Positionsgenauigkeit von 10 m sendet. Automatisierte Inspektionsdrohnen, die BVLOS betrieben werden, müssen Remote ID sowohl über Broadcast- als auch über Netzwerk- (Internet-) Methoden übertragen.

In Europa erfordert die Delegierte Verordnung (EU) 2019/945 Remote ID für alle Drohnen der Spezifischen Kategorie und für Drohnen der Offenen Kategorie mit einer Klassenkennzeichnung. Die Norm verlangt die Übertragung der Betreiberregistrierungsnummer, der UAS-Seriennummer, der geografischen Position des UAS und der Fernpilotenstation sowie des Zeitstempels.

Wiederholte Erhebungen und Veränderungserkennung

Die Fähigkeit, wiederholbare automatisierte Erhebungen durchzuführen und Veränderungen im Laufe der Zeit zu erkennen, ist eine der leistungsfähigsten Fähigkeiten, die durch die automatisierte Drohneninspektion ermöglicht werden. Konsistente Flugparameter, Georeferenzierung und Datenverarbeitung stellen sicher, dass Unterschiede zwischen aufeinanderfolgenden Erhebungen tatsächliche Anlagenveränderungen widerspiegeln und nicht Messvariabilität.

Methodik des zeitlichen Vergleichs

Die Veränderungserkennung zwischen aufeinanderfolgenden Erhebungen folgt einer strukturierten Methodik:

Co-Registrierung richtet das Orthomosaik und die Punktwolke von Erhebung N an der Basislinie von Erhebung 1 unter Verwendung invarianter Referenzmerkmale aus. Eine Transformationsmatrix (typischerweise eine Starrkörper- oder Affintransformation mit 6-7 Parametern) wird aus automatisch zugeordneten Verknüpfungspunkten auf Befestigungsmarkierungen, Startbahnbefeuerung und festen Strukturen berechnet. Der Restfehler nach der Co-Registrierung sollte weniger als 2 Pixel betragen. Die Co-Registrierung gleicht kleine Abweichungen im Flugweg und in der GNSS-Positionierung aus, die allein durch Automatisierung nicht eliminiert werden können.

Pixelgenaue Differenzbildung berechnet die Differenz der Pixelwerte zwischen dem Referenz- und dem Wiederholungsorthomosaik für jede Pixelposition. Das Differenzbild hebt Veränderungsbereiche (neue Risse, Flickstellen, Verfärbungen, Gummiablagerungen) als Regionen mit statistisch signifikanter Pixelwertabweichung hervor. Der Schwellenwert für signifikante Veränderung wird auf 3 Standardabweichungen der Pixel-für-Pixel-Differenzverteilung gesetzt, was einem Konfidenzniveau von 99,7 % entspricht, dass die Veränderung real ist und nicht auf Messrauschen zurückgeht.

Vektorbasierte Veränderungserkennung für spezifische Schadensinstanzen vergleicht die in jeder Erhebung erkannten Riss- und Schadenspolygone. Ein in Erhebung N erkannter Riss, der in Erhebung N-1 nicht vorhanden war, wird als Neuentwicklung klassifiziert. Ein Riss, der zwischen den Erhebungen um mehr als 5 cm an Länge zugenommen hat, wird als Ausbreitung klassifiziert. Risse, die an Breite abgenommen haben oder verschwunden sind, werden als Instandhaltungsmaßnahmen (versiegelt oder repariert) klassifiziert. Jede Veränderungsinstanz wird mit dem Ausmaß der Veränderung, dem Zeitintervall und der statistischen Konfidenz aufgezeichnet.

Quantitative Veränderungsmetriken

Die folgenden Metriken werden für jede Stichprobeneinheit zwischen aufeinanderfolgenden Erhebungen berechnet:

• Delta-PCI — Die Veränderung des Pavement Condition Index (PCI) zwischen Erhebungen, ausgedrückt in Punkten pro Jahr. Ein Delta-PCI von -5 Punkten pro Jahr zeigt an, dass sich die Befestigung jährlich um 5 PCI-Punkte verschlechtert. Der ASTM-D5340-Standard definiert, dass eine PCI-Änderung von mehr als 10 Punkten zwischen Erhebungen bei ordnungsgemäß durchgeführten Erhebungen mit 95 % Konfidenz statistisch signifikant ist.

• Rissdichteänderung — Die Veränderung der Gesamtrisslänge pro Flächeneinheit (m/m²), ausgedrückt in laufenden Metern Rissbildung pro 100 m². Zunahmen der Rissdichte deuten auf die Entwicklung von Ermüdungsrissen, die Ausbreitung von Reflexionsrissen oder thermisches Risswachstum hin.

• Fläche neuer Schäden — Die Gesamtfläche (m²) der Befestigung, die seit der vorherigen Erhebung neue Schäden (beliebiger Art) entwickelt hat, ausgedrückt als Prozentsatz der Fläche der Stichprobeneinheit. Neue Schadensflächen von mehr als 5 % der Einheitsfläche rechtfertigen gemäß den ASTM-Priorisierungskriterien für Instandhaltung einen Instandhaltungseingriff.

• Spurrinnenfortschritt — Für Asphaltbefestigung die Veränderung der maximalen Spurrinnentiefe innerhalb jeder Radspurzone, abgeleitet aus DSM- oder Punktwolkenvergleich. Ein Spurrinnenfortschritt von mehr als 3 mm pro Jahr in der äußeren Radspur weist auf eine strukturelle Verschlechterung hin, die eine Untersuchung erfordert.

• Gummiablagerungsansammlung — Die Veränderung der Reifengummibedeckung innerhalb der Aufsetzzone. Gummiablagerungen reduzieren den Oberflächenreibungskoeffizienten bei Bedeckungsgraden über 25 % um 30-50 %, was dies zu einem kritischen Sicherheitsparameter macht. Automatisierte Drohnenvermessungen quantifizieren die Gummibedeckung durch Multispektralanalyse im nahen Infrarotbereich, wo Gummi charakteristische Absorptionseigenschaften aufweist.

Anwendung im Flugplatzbefestigungs-Management

Das Aerodrome Design Manual der Internationalen Zivilen Luftfahrtorganisation (Doc 9157, Teil 3) empfiehlt, dass Befestigungszustandserhebungen in folgenden Abständen durchgeführt werden sollten: Jährlich für Flugplätze mit hoher Verkehrsintensität (jährliche Abflüge über 25.000); Zweijährlich für mittlere Verkehrsintensität (10.000-25.000 jährliche Abflüge); und Dreijährlich für niedrige Verkehrsintensität (weniger als 10.000 jährliche Abflüge). Die automatisierte Drohneninspektion ermöglicht diese empfohlenen Intervalle zu wesentlich geringeren Kosten als manuelle Erhebungen, und die resultierenden Zeitreihendaten liefern die Evidenzbasis für die Vorhersage von Befestigungsverschlechterungsraten und die Optimierung des Zeitpunkts von Instandhaltungsmaßnahmen.

Die Plattform von TarmacView führt eine historische Aufzeichnung jeder Erhebung, die auf einer Flugplatzbefestigung durchgeführt wurde, und ermöglicht so Längsschnitt-Trendanalysen über mehrere Jahre. Das System berechnet Verschlechterungskurven für jede Stichprobeneinheit, identifiziert Einheiten mit beschleunigter Verschlechterung (bei denen das Delta-PCI den Flugplatzdurchschnitt um mehr als 2 Standardabweichungen übersteigt) und erstellt Instandhaltungspriorisierungslisten, sortiert nach der erwarteten PCI-Auswirkung jeder empfohlenen Maßnahme. Dieser datengestützte Ansatz verlagert das Befestigungsmanagement von der reaktiven Instandhaltung (Behebung von Schäden, wenn sie auftreten) zur vorausschauenden Instandhaltung (Eingreifen, bevor Schäden entstehen), was die Lebenszykluskosten basierend auf FAA- und US Air Force-Befestigungsmanagementstudien um schätzungsweise 30-50 % reduziert.

Zusammenfassung

Die automatisierte Drohnen-basierte Infrastrukturinspektion ersetzt subjektive, variable manuelle Inspektionen durch konsistente, wiederholbare Datenerfassung und -analyse. Das System integriert programmierte Flugplanung, Hinderniserkennung und -vermeidung, Multisensor-Nutzlasten, automatisierten Datentransfer und KI-gestützte Fehlererkennung in einen nahtlosen End-to-End-Workflow. Für die Inspektion von Startbahnbefestigungen — dem primären Anwendungsbereich — liefert die Technologie Bodenauflösungen von 1-3 mm, Rissbreitenmessungen mit 0,2 mm Genauigkeit, die Berechnung des Pavement Condition Index gemäß ASTM D5340 und statistisch validierte Veränderungserkennung über mehrjährige Erhebungen hinweg. Der regulatorische Rahmen für automatisierte Inspektionsoperationen entwickelt sich rasant weiter, wobei der von der FAA vorgeschlagene Part 108 und die Betriebsgenehmigungen der Spezifischen Kategorie der EASA BVLOS-Operationen an Flughäfen und entlang von Infrastrukturkorridoren ermöglichen. Mit der Weiterentwicklung der Sensortechnologie, der Verbesserung von Verarbeitungsalgorithmen und der Reifung regulatorischer Wege wird die automatisierte Drohneninspektion zur Standardmethode für die Infrastrukturzustandsbewertung in den Bereichen Luftfahrt, Verkehr, Energie und Industrie werden.

Verwandte Begriffe

• UAV (Unbemanntes Luftfahrzeug)
• Drohne
• BVLOS (Beyond Visual Line of Sight)
• RTK-/PPK-Positionierung
• Photogrammetrie
• LiDAR
• Orthomosaik
• Pavement Condition Index
• Veränderungserkennung
• Flugplanung
• Hinderniserkennung und -vermeidung
• Passpunkt
• Remote ID