Automatisierte Tests für unbemannte Luftfahrtsysteme

Unbemannte Luftsysteme (UAS), also Dronen, werden immer wichtiger. Die werden in verschiedenen Bereichen eingesetzt, wie Rettungsaktionen, Landwirtschaft, Wettervorhersage, Überwachung und militärischen Einsätzen. Diese Systeme bestehen aus einem unbemannten Luftfahrzeug (UAV), das ohne einen menschlichen Piloten fliegen kann, und einer Bodenstation (GCS), von der aus das UAV gesteuert wird.

Die Software, die diese Systeme betreibt, ist entscheidend für ihre Sicherheit und ihren Erfolg. Wenn es Probleme mit dieser Software gibt, kann das zu Unfällen führen, die Menschenleben gefährden und finanzielle Verluste verursachen können. Um sicherzustellen, dass die Software richtig funktioniert, muss sie verschiedene Testverfahren durchlaufen.

Momentan wird ein Grossteil der Tests manuell durchgeführt. Tester erstellen Szenarien, in denen das UAV fliegen soll, entweder indem sie Umgebungen simulieren oder das UAV physisch bedienen. Sie überprüfen, ob das UAV sich wie erwartet verhält. Dieser Prozess kann lange dauern und deckt möglicherweise nicht jede mögliche Situation ab.

In diesem Artikel stellen wir eine neue Methode vor, um UAV-Systeme automatisch zu testen. Unser Ansatz zielt darauf ab, den Testprozess zu vereinfachen, indem wir Künstliche Intelligenz (KI) und modellbasierte Techniken verwenden. Das ermöglicht es, Testszenarien zu generieren, durchzuführen und zu bewerten, ohne grossen manuellen Aufwand.

#Hintergrund

#Was sind unbemannte Luftsysteme?

UAS bestehen aus zwei Hauptkomponenten: dem UAV, dem fliegenden Teil, und der GCS, der Bodensteuereinheit. Das UAV kann entweder von einer Person von der GCS aus gesteuert werden oder selbstständig mit einem Autopilotsystem fliegen. Diese Drohnen gibt es in verschiedenen Designs, wie Festflügler oder Multikopter wie Quadrocopter.

Die Anwendungen für UAVs sind riesig. Sie können in zivilen Bereichen wie landwirtschaftlicher Überwachung, Such- und Rettungsaktionen und Katastrophenmanagement eingesetzt werden. In militärischen Operationen werden sie für Aufklärung und gezielte Einsätze genutzt.

#Die Wichtigkeit des Testens

Das Testen der Software, die in diesen Systemen verwendet wird, ist entscheidend für die Sicherheit. Wenn die Software nicht richtig funktioniert, kann das dazu führen, dass das UAV abstürzt oder seine Mission nicht erfüllt. Internationale Sicherheitsstandards verlangen strenge Tests der Software, um ihre Zuverlässigkeit sicherzustellen.

Die aktuellen Testmethoden beinhalten das manuelle Erstellen von Szenarien und die Bewertung der Leistung des UAV in diesen Szenarien. Dieser manuelle Ansatz ist zeitaufwändig, fehleranfällig und könnte dazu führen, dass kritische Szenarien übersehen werden.

#Aktuelle Testpraktiken

Die traditionelle Testmethode umfasst mehrere Schritte:

1. Szenarioerstellung: Tester gestalten manuell Flug-Szenarien basierend auf den Vorgaben.
2. Durchführung: Diese Szenarien werden mit Simulatoren oder bei tatsächlichen Flügen durchgeführt.
3. Bewertung: Tester prüfen, ob das Verhalten des UAVs mit den erwarteten Ergebnissen übereinstimmt.

Obwohl dieses System funktioniert, hat es Einschränkungen. Zum Beispiel kann die Entwicklung von Testszenarien mühsam sein, und die Ergebnisse decken möglicherweise nicht jede mögliche Situation ab. Nur eine begrenzte Anzahl von Szenarien kann in einem realistischen Zeitrahmen getestet werden.

#Eine neue Vorgehensweise erkunden

Um die Tests zu verbessern, stellen wir einen automatisierten Ansatz namens AITester vor. Dieses Tool nutzt KI und modellbasierte Testtechniken, um den Prozess zu optimieren.

#Wie AITester funktioniert

AITester verwendet Modelle, um die erwartete Leistung des UAV darzustellen. Diese Modelle beinhalten:

• Verhaltensmodelle: Diese beschreiben, wie sich das UAV unter verschiedenen Bedingungen verhalten sollte.
• Strukturmodelle: Diese skizzieren die Komponenten und deren Beziehungen innerhalb des UAV-Systems.

Mit diesen Modellen kann AITester automatisch Testszenarien in Echtzeit basierend auf tatsächlichen Flugbedingungen erstellen. Das reduziert die Notwendigkeit manueller Szenarioerstellungen.

#Die Rolle der künstlichen Intelligenz

KI ist in diesem Prozess entscheidend. Wir verwenden eine spezielle Art von KI, die als Deep Reinforcement Learning (DRL) bekannt ist. Diese Technik ermöglicht es AITester, aus Interaktionen mit der Umgebung während des Tests zu lernen.

Wenn AITester ein Testszenario ausführt, beobachtet es das Verhalten des UAVs und die Ergebnisse der durchgeführten Aktionen. Basierend auf diesem Feedback lernt es, welche Aktionen zu erfolgreichen Ergebnissen führen und welche nicht.

#Vorteile des automatisierten Ansatzes

1. Effizienz: AITester kann Tests viel schneller erstellen und durchführen als manuelle Methoden.
2. Umfassendes Testen: Der Ansatz ermöglicht es, vielfältigere Szenarien zu testen als traditionelle Methoden.
3. Fehlerreduzierung: Die Automatisierung des Prozesses verringert die Chance menschlicher Fehler bei der Szenarioerstellung und -durchführung.
4. Echtzeitanpassungen: Szenarien können basierend auf tatsächlichen Bedingungen spontan generiert und geändert werden.

#AITester bewerten

Um zu beurteilen, wie gut AITester funktioniert, haben wir Experimente mit zwei verschiedenen UAS-Subsystemen durchgeführt:

1. ArduCopter: Dies ist ein weit verbreitetes Open-Source-Autopilotsystem für Multikopter.
2. Cockpit-Displaysysteme (CDS): Dies bezieht sich auf die Komponenten, die den Betreibern am Boden Fluginformationen anzeigen.

#Experiment mit ArduCopter

Im ersten Test haben wir uns auf ArduCopter konzentriert. Wir haben sein erwartetes Verhalten mit unserem Ansatz modelliert. Die Ergebnisse zeigten, dass AITester in der Lage war, vielfältige Testszenarien effektiv zu erstellen und potenzielle Probleme im Autopilotsystem aufzudecken.

#Experiment mit GCS-CDS

Im zweiten Experiment haben wir die Cockpit-Displaysysteme getestet. Dazu gehörten drei Hauptinstrumente: ein Geschwindigkeitsmesser, ein Höhenmesser und ein Wendezeiger. AITester war auch hier effektiv darin, Fehler in diesen Systemen aufzudecken.

#Analyse der Ergebnisse

Beide Experimente zeigten, dass AITester in der Lage war, mehr Probleme zu finden als manuelle Testmethoden. Es zeigte auch mehr Vielfalt in den getesteten Szenarien, was zu einer besseren Gesamtabdeckung der Tests führte.

#Fazit

Die Einführung von AITester bietet eine vielversprechende Richtung für das Testing von UAS. Durch die Nutzung von KI und modellbasierten Methoden können wir die Effizienz der Testverfahren automatisieren und verbessern. Das wird zu einer besseren Zuverlässigkeit der UAS-Software führen, was letztendlich die Sicherheit in ihren vielfältigen Anwendungen erhöht.

Da die Technologie von UAVs weiterentwickelt wird, wird sicheres Testen als entscheidend für ihre Integration in den Alltag erweisen, vom Paketdienst bis zur Durchführung von Überwachungen. Die Automatisierung der Testprozesse wird eine wesentliche Rolle in dieser Entwicklung spielen.