Simulationsgestützter Ansatz zur Bewertung eines auf Reinforcement Learning basierenden Navigationssystems für die letzte-Meile-Drohnenlogistik

Unbemannte Luftfahrtsysteme (UAS) bieten nachhaltige Lösungen für die urbane Logistik der letzten Meile, doch bestehende Navigationsalgorithmen stoßen an ihre Grenzen angesichts der Komplexität dynamischer städtischer Umgebungen. In dieser Studie wird ein auf Reinforcement Learning (RL) basierender Steuerungs-, Navigations- und Kontrollalgorithmus (GNC) mithilfe eines Proximal Policy Optimisation (PPO)-Modells innerhalb einer hochpräzisen Simulation des Stadtzentrums von Bristol optimiert. Der Hauptbeitrag besteht darin, das RL-Modell so zu trainieren, dass es autonome Erkennung und Vermeidung dynamischer Hindernisse, insbesondere bemannter Flugzeuge, ermöglicht, um einen sicheren und legalen Drohnenbetrieb zu gewährleisten. Zusätzlich werden Flugoperationen kontinuierlich über eine Structured Query Language (SQL)-Datenbank überwacht, um die Einhaltung der Regelungen für niedrigen Luftraum zu überprüfen. Simulationsergebnisse zeigen, dass das vorgeschlagene Framework unter nominalen Bedingungen eine hohe Genauigkeit bei der Hinderniserkennung erreicht, während die Implementierung von Curriculum Learning die Anpassungsfähigkeit und Erholungsfähigkeit des Systems bei schnellen, dynamischen Begegnungen deutlich verbessert.