Das Autonomie-Paradoxon: Engineering resilienter Navigation in GNSS-denied und umkämpften Umgebungen

Kurzfassung

Die Prämisse moderner autonomer Systeme beruhte lange auf einer fragilen Annahme: der Allgegenwart und Zuverlässigkeit der Global Navigation Satellite Systems (GNSS). Über Jahrzehnte haben das Global Positioning System (GPS) und seine internationalen Pendants als unsichtbare Leine für unbemannte Luftfahrzeuge (UAVs) gedient und die räumliche Wahrheit geliefert, die für Stabilisierung, Wegpunktnavigation und Return-to-Home-Protokolle erforderlich ist. Doch die geopolitische und technologische Landschaft der 2020er-Jahre hat diese Annahme zerstört. Wie hochintensive Konflikte in Osteuropa und die betriebliche Realität untertägigen Bergbaus sowie der Inspektion kritischer Infrastruktur zeigen, ist GNSS keine garantierte Versorgungsleistung mehr; es ist eine umkämpfte Verwundbarkeit.

Dieses Whitepaper, erstellt von Veriprajna, argumentiert, dass eine Drohne, die für die Stabilität auf GPS angewiesen ist, nicht wirklich autonom ist; sie ist lediglich automatisiert in einer permissiven Umgebung. Wenn diese Umgebung nicht-permissiv wird—durch elektronische Kampfführung (EW), physische Abschattung oder Signal-Multipath-Degradation—versagt das System und verwandelt anspruchsvolle Hardware in „Briefbeschwerer“. Darüber hinaus führt die branchenweite Abhängigkeit von cloudbasierter künstlicher Intelligenz (KI) für die Entscheidungsfindung zu fataler Latenz und Bandbreitenabhängigkeiten, die in missionskritischen Szenarien nicht tragbar sind.

Wir legen eine umfassende Architekturanalyse von Visual Inertial Odometry (VIO) und Edge-KI als Grundlagentechnologien echter Autonomie vor. Durch die Fusion hochfrequenter inertialer Daten mit Computer Vision am Edge können UAVs Fähigkeiten der „Koppelnavigation“ erreichen, die mathematisch robust, unstörbar und vollständig autark sind. Dieser Bericht beschreibt den Übergang von getrennten, fragilen Navigations-Stacks zu integrierten, semantischen Visual- Simultaneous-Localization-and-Mapping-(vSLAM)-Systemen. Wir analysieren die Rechenanforderungen des Betriebs tiefer neuronaler Netze auf eingebetteten Plattformen wie der NVIDIA Jetson Orin-Serie und zeigen, wie Veriprajnas Ansatz—jenseits einfacher API-Wrapper hin zu tiefer, sensorfusionierter Engineering-Arbeit—die Resilienz liefert, die moderne Verteidigungs-, Industrie- und öffentliche Sicherheitsoperationen verlangen.

1. Die Fragilität des Connected-Paradigmas

Die Definition von „Autonomie“ im kommerziellen Drohnensektor wurde oft mit „Automatisierung“ vermengt. Ein automatisiertes System führt ein vordefiniertes Skript auf Basis externer Eingaben aus (GPS-Koordinaten, Pilotbefehle). Wahre Autonomie impliziert die Fähigkeit, die Umgebung wahrzunehmen, den Zustand zu bestimmen und Entscheidungen ohne externe Abhängigkeit zu treffen. Die aktuelle Generation kommerzieller UAVs fällt weitgehend in die erstere Kategorie und erzeugt katastrophale Fehlerpunkte, wenn externe Signale unterbrochen werden.

1.1 Physik und Taktik der GNSS-Verweigerung

GNSS-Jamming ist der „erste Zug“ in der modernen Kriegsführung, weil es asymmetrisch ist: kostengünstige, bodengestützte Emitter können hochwertige Luftassets über weite Gebiete neutralisieren. Die Physik dieser Verwundbarkeit liegt in der Signalstärke. GPS-Satelliten umkreisen die Erde in etwa 20.200 Kilometern Höhe und senden Signale, die an der Oberfläche mit extrem niedriger Leistung ankommen—oft verglichen mit dem Detektieren einer 25-Watt-Glühbirne aus 10.000 Meilen Entfernung. Dieses schwache Signal wird leicht von terrestrischem Rauschen überdeckt, ob unbeabsichtigt oder böswillig.

1.1.1 Interferenzmechanismen: Jamming und Sättigung

Systeme der elektronischen Kampfführung (EW) nutzen dieses schwache Signal über mehrere primäre Vektoren aus, vorwiegend durch Sättigung des Empfänger-Frontends. Moderne GNSS-Empfänger arbeiten, indem sie die Phase der von Satelliten gesendeten Trägerwelle verfolgen. Störsender emittieren hochleistungsfähiges Radio- Frequency-(RF)-Rauschen, um die Bänder L1 (1575.42 MHz), L2 (1227.60 MHz) und E1/E5 zu sättigen. ¹

Die Wirksamkeit dieser Verweigerung folgt dem Abstandsgesetz, doch der Leistungsunterschied ist enorm. Ein Satellitensignal legt Tausende von Kilometern zurück; ein Störsender ist oft nur wenige Kilometer entfernt. Selbst tragbare Störsender, die bei relativ niedrigen Leistungsniveaus von 10–40 Watt betrieben werden, können „Blackout-Zonen“ über mehrere Kilometer erzeugen. ¹ Innerhalb dieser Zonen fällt das Signal-Rausch-Verhältnis (SNR) unter die Schwelle, die der Empfänger zum Einrasten auf die Trägerphase benötigt. Bei kleinen Drohnen, die für Stabilisierung auf Satellitennavigation angewiesen sind, Routenverfolgung und autonomes Return-to-Home, sind die Effekte unmittelbar: Drift, Verlust der Positionskonfidenz oder Failsafe-Sinkflug. ¹

In hochintensiven Konfliktzonen wie der Ukraine ist dies kein theoretisches Risiko, sondern eine dominante operative Randbedingung. Berichte zeigen, dass FPV- und kommerzielle Quadcopter routinemäßig GNSS-Verlust innerhalb von 5–10 km frontnaher EW-Dispositive erleben. ¹ Fortgeschrittene russische Systeme wie die R-330Zh Zhitel erzeugen nahezu ständige Gebietsverweigerung und zwingen Betreiber, auf manuelles visuelles Steuern zu setzen. ² Diese Abhängigkeit von manueller Steuerung verlangt hohe Operator-Kompetenz und ungestörte Videofeeds, beides knappe Ressourcen im Kampf.

1.1.2 Spoofing und Meaconing: Der Täuschungsvektor

Heimtückischer als Jamming ist Spoofing, bei dem ein Gegner ein gefälschtes GNSS- Signal mit etwas höherer Leistung als die authentische Satellitenkonstellation sendet. Anders als Jamming, das eine Warnung „Signalverlust“ auslöst, täuscht Spoofing den Navigations-Stack.

●​ Meaconing: Dabei werden tatsächliche GNSS-Signale aufgezeichnet und mit einer leichten Verzögerung wiederausgestrahlt. Der Empfänger rastet auf das stärkere, verzögerte Signal ein, wodurch die berechnete Position driftet.

●​ Kohärentes Spoofing: Raffinierte Angreifer erzeugen Fehlsignale, die Almanach- und Ephemeridendaten der Satellitenkonstellation perfekt nachahmen, aber schrittweise Fehler in Position-, Velocity- und Time-(PVT)-Lösungen einführen. ¹

Die Folgen von Spoofing sind schwerwiegend. Eine Drohne kann glauben, sie stehe still, während sie tatsächlich in feindliches Gebiet driftet, oder eine falsche Höhenänderung wahrnehmen und in den Boden stürzen. ³ Historische Vorfälle wie die Störung der Drohnenüberwachung während der venezolanischen Präsidentschaftswahl 2017 zeigen den geopolitischen Nutzen dieser Taktiken. ³ Zwar erhöhen Mehrkonstellationsempfänger (Tracking von GPS, GLONASS, Galileo und BeiDou) und authentifizierte Dienste wie Galileo OSNMA die Schwierigkeit des Spoofings, sie beseitigen das Risiko jedoch nicht gegenüber staatlich fähigen Gegnern mit Breitband-Signalmanipulation. ¹

1.1.3 Command-and-Control-(C2)-Trennung

Moderne breitbandige elektronische Angriffssysteme bleiben nicht bei der Navigation stehen; sie zielen auch auf die Command-and-Control-(C2)-Links (typischerweise 2.4 GHz, 5.8 GHz oder 900 MHz). ¹ Bei First-Person- View-(FPV)- und teleoperierten Drohnen ist die Trennung des C2-Links katastrophal. Ohne einen Piloten in der Schleife geht eine Drohne ohne echte Autonomie in einen Failsafe-Modus—üblicherweise Schweben oder sofortiges Landen. ¹ In einer Kampfzone ist eine schwebende Drohne ein stehendes Ziel; in einem industriellen Umfeld kann eine wahllos landende Drohne teure Maschinen beschädigen oder Sicherheitsrisiken für Personal erzeugen.

1.2 Die wirtschaftlichen Risiken im zivilen Sektor

Während die militärischen Implikationen kinetisch sind, sind die zivilen Implikationen ökonomisch. Die Abhängigkeit von GPS reicht in Bergbau, Infrastruktur und Logistik, wo Signalverweigerung oft eine Funktion der Physik statt der Böswilligkeit ist. Der wirtschaftliche Fußabdruck von GPS ist gewaltig; eine Studie, gesponsert vom National Institute of Standards and Technology (NIST), schätzte, dass GPS rund $1.4 trillion an wirtschaftlichem Nutzen für den privaten Sektor der USA zwischen 1984 und 2017 generiert hat. ⁴ Umgekehrt wird geschätzt, dass ein Verlust des GPS-Dienstes die US-Wirtschaft rund $1 billion pro Tag kostet. ⁵

1.2.1 Untertägige und industrielle Verweigerung

Im Untertagebergbau ist die Umgebung natürlicherweise GPS-denied. Das Navigieren von Strossen, Strecken und Tunneln zur Inspektion von Gebirgseigenschaften oder Nach-Spreng-Fragmentierung kann nicht auf Satellitensignale setzen. ⁶

●​ Die Kosten manueller Inspektion: Traditionelle Inspektionsmethoden beinhalten Menschen oder teure, spezialisierte Ausrüstung wie Bohrlochscanner. Diese Methoden sind langsam, arbeitsintensiv und gefährlich. Manuelle Vermessungen können Tage oder Wochen dauern, während drohnenbasierte Lösungen dies auf Stunden reduzieren können. ⁷

●​ Das Ausrüstungsrisiko: Der Einsatz nicht-autonomer Drohnen in diesen Umgebungen setzt das Asset aufs Spiel. Eine Drohne, die in einem engen Schacht durch Sensorausfall die Stabilität verliert, wird wahrscheinlich abstürzen. Bei industriellen Drohnenplattformen mit Kosten von $10,000 bis $50,000 ist zuverlässige, GPS-unabhängige Stabilisierung eine ökonomische Notwendigkeit.

1.2.2 Multipath und Infrastrukturschatten

Die Inspektion kritischer Infrastruktur stellt eine ähnliche Herausforderung dar, bekannt als der „Multipath“-Effekt. Beim Flug nahe großer metallischer Strukturen wie Öllagertanks, Brücken oder in „urbanen Canyons“ prallen GPS-Signale von Oberflächen ab, bevor sie den Empfänger erreichen. Diese Verzögerung korrumpiert die Zeitberechnung und führt zu Positionsfehlern von mehreren Metern. ⁹

●​ Pipeline-Inspektion: Bei Öl- und Gaspipelines sind die Kosten eines Versagens immens. Ein einzelner Pipeline-Ausfall kann Millionen an Sanierung und regulatorischen Bußgeldern kosten. ⁸ Drohnen werden eingesetzt, um Lecks, Korrosion und Erosion zu erkennen. Die Inspektion der Unterseite einer Brücke oder der Basis eines Tanklagers versetzt die Drohne jedoch in einen GPS-Schatten. Ohne Visual Inertial Odometry (VIO) kann die Drohne das präzise Station-Keeping nicht halten, das für hochauflösende Photogrammetrie oder Thermografie erforderlich ist. ¹⁰

●​ Finanzielle Implikationen: Der ROI der Drohneninspektion beruht auf Effizienz. Drohnen- operationen können Inspektionskosten um bis zu 70% gegenüber bemannten Hubschraubern oder Bodenmannschaften senken. ⁷ Dieser ROI verdampft jedoch, wenn die Drohne die notwendigen Orte wegen Signalinstabilität nicht anfliegen kann.

Das im Gründer-Thesis beschriebene „Briefbeschwerer“-Phänomen wird so sowohl durch militärische Attritionsraten als auch durch industrielle Betriebsrestriktionen bestätigt. Ein System, das ohne GPS nicht navigieren kann, ist ein System mit einem Single Point of Failure, das sowohl gegnerischer Einwirkung als auch der Umweltphysik ausgesetzt ist.

2. Die Latenzfalle: Warum Cloud-KI in der Robotik versagt

Die zweite Säule des Trugschlusses der „connected autonomy“ ist die Abhängigkeit von Cloud-KI. Das Paradigma, Videodaten von einer Drohne zu einem Cloud-Server zur Verarbeitung zu streamen (z. B. Objekt- erkennung, Photogrammetrie) und Befehle zurückzuempfangen, ist für missionskritische Operationen aufgrund der Randbedingungen von Latenz, Bandbreite und Zuverlässigkeit grundlegend fehlerhaft.

2.1 Die Physik der Regelschleife

Autonomer Flug verlangt extrem enge Regelschleifen. Ein Quadcopter macht Hunderte von Motoreinstellungen pro Sekunde, um Stabilität zu halten. High-Level-Führungsbefehle (z. B. „Hindernis meiden“, „Ziel verfolgen“) müssen innerhalb von Millisekunden empfangen und verarbeitet werden, um bei Geschwindigkeit wirksam zu sein.

2.1.1 Latenz: Head vs. Tail

In vernetzten Steuerungssystemen ist Latenz keine einzelne Zahl; sie ist eine Verteilung.

●​ Head-Latenz: Dies ist die minimale oder durchschnittliche Latenz unter idealen Bedingungen. In 5G-Netzen kann sie beeindruckend niedrig sein (einstellige Millisekunden).

●​ Tail-Latenz: Dies ist das Worst-Case-Szenario—das 99. Perzentil der Anfrage- zeiten. In der Robotik ist Tail-Latenz der Killer. ¹¹ Ein momentaner Spike in der Netzwerklatenz durch Überlastung, Paketverlust oder Handover zwischen Funkmasten führt zu „Jitter“.

Für eine Drohne mit 20 Metern pro Sekunde bedeutet eine 300-Millisekunden-Verzögerung—üblich in Cloud- Round-Trips inklusive Upload, Verarbeitung und Download—6 Meter Flugstrecke. ¹² In diesem blinden Intervall fliegt die Drohne auf der vorherigen Trajektorie weiter. Wenn ein Hindernis erscheint oder das Ziel manövriert, reagiert die Drohne zu spät. Forschung zeigt, dass variable Latenz die Steuerung signifikant verschlechtert, wobei Teleoperation oberhalb von 700ms praktisch unkontrollierbar wird. ¹²

2.1.2 Die Jitter-Instabilität

Jitter—die Varianz der Latenz—ist noch zerstörerischer als konstante Latenz. Regel- algorithmen (wie PID-Regler) können auf eine konstante Verzögerung abgestimmt werden, aber stochastischer Jitter destabilisiert die Rückkopplungsschleife und führt zu Oszillation und möglichem Kontrollverlust. ¹³ In einer umkämpften Umgebung, in der EW-Systeme aktiv Rauschen erzeugen, wird Netzwerk-Jitter zur Norm und macht Cloud-Loop-Steuerung für die Zelle suizidal.

2.2 Bandbreite und der „Silent“-Imperativ

Vision-basierte Navigation erzeugt enorme Datenmengen. Ein Stereokamera-Setup mit 30 Bildern pro Sekunde erzeugt Hunderte von Megabyte Rohdaten pro Minute. Das Streamen dieser Daten in die Cloud ist bandbreitenprohibitiv und erzeugt eine massive elektromagnetische Signatur.

2.2.1 Die Kosten der Data Gravity

„Data Gravity“ bezeichnet die Schwierigkeit, große Datensätze zu bewegen. In einem industriellen Inspektions- szenario kann eine Drohne 4K-Video oder LiDAR-Punktwolken erfassen. Die Übertragung dieser Rohdaten in die Cloud zur Echtzeitverarbeitung erfordert immense Bandbreite (High Uplink).

●​ Cloud-KI-Modell: Hoher Bandbreitenverbrauch, hohe Latenz, hohe Betriebskosten (Daten- tarife) und totale Abhängigkeit von Netzabdeckung. ¹⁴

●​ Edge-KI-Modell: Daten werden lokal verarbeitet. Nur High-Level-Insights (z. B. „Korrosion erkannt an Koordinate X“) werden übertragen. Das senkt den Bandbreitenverbrauch um Größenordnungen . ¹⁵

2.2.2 Elektronische Sichtbarkeit

In Verteidigungsanwendungen ist Funkstille Überleben. Eine Drohne, die Video in die Cloud streamt, wirkt als Hochleistungsbake, leicht trianguliert durch gegnerische Direction-Finding-(DF)-Assets. ¹ Cloud-KI macht „Stealth“ unmöglich. Edge-KI ermöglicht Operationen in totaler Funkstille: die Drohne nimmt wahr, entscheidet und handelt, ohne ein einziges Byte zu emittieren, bis die Missions- parameter eine Burst-Übertragung oder Return-to-Base vorschreiben.

2.3 Zuverlässigkeit und Sicherheit

Cloud-Abhängigkeit erweitert die Angriffsfläche. Daten in Transit sind abhörbar, und die Cloud-Infrastruktur selbst ist ein Ziel.

●​ Sicherheit: Edge-KI hält sensible Rohdaten (Videofeeds kritischer Infrastruktur oder taktischer Positionen) auf dem Gerät. Sie durchqueren nie das öffentliche Internet und senken das Risiko der Abhörung. ¹⁴

●​ Überlebensfähigkeit: Wird der Netzwerklink getrennt, ist eine cloudabhängige Drohne lobotomiert; sie verliert ihr „Gehirn“. Eine edge-native Drohne setzt die Mission fort, weil ihre Intelligenz an Bord ist. Dieser Unterschied ist der Unterschied zwischen einem „Briefbeschwerer“ und einem Waffen- system. ¹⁶

3. Prinzipien autonomer Navigation: Visual Inertial Odometry

Um die Leine von GPS und Cloud zu kappen, müssen wir die biologische Navigationsfähigkeit replizieren: die Integration von Vision (Augen) und Vestibularsystem (Innenohr). In der Robotik ist das Visual Inertial Odometry (VIO) . Es ist der Eckpfeiler der Lösungsarchitektur von Veriprajna.

3.1 Technische Prinzipien von VIO

VIO ist die Fusion zweier komplementärer Sensormodalitäten:

1.​ Visual Odometry (VO): Schätzt die Pose durch Verfolgung der Bewegung distinktiver Textur- „Landmarks“ (Features) über aufeinanderfolgende Kamerabilder. ¹⁸

2.​ Inertial Odometry (IO): Schätzt Zustandsänderungen mittels hochfrequenter (200Hz–1kHz) Beschleunigungssensoren und Gyroskope in einer Inertial Measurement Unit (IMU). ¹⁸

3.1.1 Die komplementäre Natur von Vision und Trägheit

Kein Sensor reicht allein aus.

●​ Vision-Grenzen: Kameras sind relativ langsam (30–60Hz) und leiden unter Bewegungsunschärfe bei schnellen Manövern. Zudem fehlt monokularer visueller Odometrie die metrische Skala—die Drohne kann feststellen, dass sie vorwärts fliegt, aber nicht, ob sie 1 Meter oder 10 Meter bewegt hat, ohne externe Referenz oder Stereo-Baseline. ¹⁹

●​ Inertial-Grenzen: IMUs sind schnell (1000Hz), leiden aber unter raschem Drift. Navigation erfordert die doppelte Integration der Beschleunigung, um Position zu erhalten ($x = \iint a dt$). Das bedeutet, dass jeder kleine Fehler in der Sensorablesung quadratisch über die Zeit akkumuliert ($Error \propto t^2$). Eine Consumer-Grade-MEMS-IMU kann innerhalb von Sekunden um Meter driften, wenn sie nicht korrigiert wird. ¹⁸

VIO fusioniert diese Modalitäten, um ihre jeweiligen Schwächen auszulöschen. Die IMU liefert die hochratige Zustandsprädiktion und bewältigt rasche Bewegungen, bei denen Bilder unscharf werden können. Die Kamera liefert den „Korrektur“-Schritt und verankert die driftende IMU-Schätzung an festen Landmarks in der Welt. ¹⁸ Diese Fusion ermöglicht Driftraten von nur 1-2% der zurückgelegten Distanz, selbst in

GPS-denied-Umgebungen. ¹

3.2 Sensorfusionsarchitekturen: Filterung vs. Optimierung

Die Implementierung von VIO erfordert anspruchsvolle mathematische Frameworks, die definieren, wie diese Sensoren einander informieren. Es gibt zwei primäre Ansätze in der modernen Robotik.

3.2.1 Filterbasierte Ansätze (MSCKF)

Der Multi-State Constraint Kalman Filter (MSCKF) nutzt eine Extended-Kalman-Filter-(EKF)- Struktur.

●​ Mechanismus: Er hält einen Zustandsvektor inklusive Pose der Drohne und der IMU-Biases. Er propagiert den Zustand mit IMU-Messungen (Prediction) und aktualisiert den Zustand, wenn visuelle Features über mehrere Frames verfolgt werden (Update). ¹⁸

●​ Vorteile: Recheneffizient, geeignet für ressourcenbeschränkte Plattformen (Mikrocontroller).

●​ Nachteile: Er stützt sich auf Linearisierung am aktuellen Zustand. Sobald ein Zustand marginalisiert (verarbeitet) ist, ist die Information fixiert. Er kann nicht zurückgehen und vergangene Messungen re-linearisieren, wenn später eine bessere Schätzung verfügbar wird, was ihn über lange Trajektorien weniger genau macht. ¹⁸

3.2.2 Optimierungsbasierte Ansätze (VINS-Mono / ORB-SLAM3)

Veriprajna priorisiert optimierungsbasierte Ansätze, oft als graphenbasiertes SLAM oder Sliding-Window-Optimierung bezeichnet.

●​ Mechanismus: Diese Systeme konstruieren einen „Factor Graph“, in dem Knoten Roboter- Posen und Kanten Constraints darstellen (visuelle Messungen oder IMU-Pre-Integrationen). Sie lösen ein nichtlineares Kleinste-Quadrate-Problem, um den Gesamtfehler über ein Sliding- Window jüngster Frames zu minimieren. ¹⁸

●​ Vorteile:

○​ Re-Linearisierung: Das System kann vergangene Pose-Schätzungen korrigieren, sobald neue Information eingeht, und liefert eine konsistentere Trajektorie.

○​ Loop Closure: Diese Architektur erweitert sich natürlich zu SLAM (Simultaneous Localization and Mapping) und ermöglicht globale Konsistenz (erörtert in Abschnitt 4).

○​ Robustheit: Algorithmen wie VINS-Mono und ORB-SLAM3 haben überlegene Genauigkeit in Benchmarks wie EuRoC und KITTI gezeigt, insbesondere in aggressiven Bewegungsszenarien, die für taktische Drohnen typisch sind. ²³

Rechenkosten	Niedrig (linear)	Hoch (kubisch mit Window- Größe)
Genauigkeit	Gut kurzfristig	Überlegen, reduziert Drift
Loop Closure	Schwer zu integrieren	Native Integration
Hardware-Ziel	Micro-UAVs / MCUs	Edge-KI-Computer (Jetson)
Veriprajna-Wahl	Backup / Failsafe	Primärer Navigations-Stack

3.3 Die Fehlermodi von VIO und Mitigation

Obwohl VIO unstörbar ist, ist es nicht unfehlbar. Das Verständnis seiner Grenzen ist der Schlüssel zu robustem Engineering.

3.3.1 Feature-arme Umgebungen

VIO beruht auf dem Tracking von Textur (Kontrast, Ecken). Umgebungen mit geringer Textur—etwa weiße Wände, dichter Nebel, Rauch oder offenes Wasser—können „Tracking Loss“ verursachen. ²⁴

●​ Mitigation: LiDAR-VIO-Fusion. Die Integration leichten Solid-State-LiDAR liefert dichte geometrische Daten, die in völliger Dunkelheit oder texturlosen Hohlräumen funktionieren. Die LiDAR-Punktwolke liefert geometrische Constraints, die die VIO-Lösung verankern, wenn Kameras versagen. ¹

3.3.2 Dynamische Umgebungen

Standard-VIO-Algorithmen nehmen an, die Welt sei statisch. Bewegte Objekte (LKW, Menschen, Laub im Wind) können für statische Landmarks gehalten werden. Wenn die Drohne einen fahrenden LKW trackt und annimmt, er sei eine stehende Wand, schätzt die Drohne ihre eigene Bewegung falsch, um zu kompensieren.

●​ Mitigation: Semantisches Masking. Hier trifft „Deep AI“ auf Navigation. Wir nutzen Deep-Learning-Modelle (wie SegNet oder YOLO-basierte Masken), um dynamische Objekte pixelweise zu identifizieren. Diese Regionen werden aus der VIO-Pipeline „herausmaskiert“, sodass die Drohne nur statische Hintergrund-Features trackt. ²⁵

4. Semantische Intelligenz: SLAM und das Verständnis des Raums

VIO liefert lokale Konsistenz (z. B. „Ich bin 5 Meter vorwärts geflogen“), akkumuliert aber Drift über die Zeit. Um globale Konsistenz ohne GPS zu erreichen, muss das System erkennen, wo es gewesen ist. Das ist der Übergang von Odometry zu Simultaneous Localization and Mapping (SLAM) .

4.1 Der „Kidnapped Robot“ und Loop Closure

In der Robotik beschreibt das „Kidnapped Robot Problem“ ein Szenario, in dem ein Roboter abrupt an einen neuen Ort versetzt wird, ohne zu erfahren, wie er dorthin kam (z. B. eine Drohne, die sich von einem Spin oder Signalverlust erholt). Um zu überleben, muss er die Umgebung erkennen, um zu relokalisieren.

Loop Closure wirkt als interne GPS-Korrektur. Kehrt die Drohne in ein zuvor besuchtes Gebiet zurück, matcht das System den aktuellen visuellen Fingerabdruck gegen die gespeicherte Karte. Wird ein Match gefunden, berechnet es den seit dem letzten Besuch akkumulierten Driftfehler und „snapt“ die gesamte Trajektorie zurück in Alignment. ²⁷

4.1.1 Bag of Words (BoW)

Traditionelles Loop Closure nutzt „Bag of Words“-Repräsentationen. Visuelle Features (ORB, SIFT) werden in einen Vocabulary Tree geclustert. Das System fragt diese Datenbank: „Habe ich dieses Bild schon gesehen?“. ²⁷

●​ Mechanismus: Jedes Bild wird in einen Vektor von „visual words“ gewandelt. Ähnlichkeit wird mit Metriken wie Cosinusdistanz berechnet. Wird ein hochkonfidentes Match gefunden, versucht das System, den aktuellen Frame geometrisch mit dem historischen Frame auszurichten. ³⁰

●​ Bedeutung: Ohne Loop Closure driftet eine Drohne, die eine lange Pipeline oder Perimeter inspiziert, letztlich Meter vom Kurs. Mit Loop Closure bleibt die Karte über lange Zeiträume konsistent und ermöglicht das erneute Anfliegen von Wegpunkten mit zentimetergenauer Präzision. ²⁸

4.2 Semantisches Verständnis: Der „Deep AI“-Unterschied

Standard-VIO behandelt die Welt als Wolke bedeutungsloser Punkte. Veriprajnas „Deep AI“- Ansatz integriert Semantic SLAM .

●​ Geometrisch vs. semantisch: Geometrisches SLAM sieht Punkte, Linien und Ebenen. Semantisches SLAM sieht „Tür“, „Wand“, „LKW“, „feindlicher Kombattant“. ³¹

4.2.1 Der semantische Vorteil

1.​ Robustheit in dynamischen Szenen: Indem verstanden wird, dass ein „Auto“ eine Objektklasse ist, die sich bewegt, schließt der Semantic-SLAM-Algorithmus Features auf Autos proaktiv aus dem Map- Optimierungsprozess aus. Das verhindert Kartenkorruption in belebten Umgebungen. ²⁶

2.​ Langzeitnavigation: Geometrische Features (Pixelintensität einer Ecke) ändern sich mit Beleuchtung (Tag vs. Nacht). Semantische Features (das Konzept eines „Fensters“ oder einer „Tür“) sind invariant gegenüber Lichtbedingungen. Ein Semantic-SLAM-System kann einen am Tag besuchten Ort auch bei Rückkehr bei Nacht erkennen, sofern die semantische Struktur sichtbar bleibt. ³³

3.​ Menschzentriertes Kommando: Es ermöglicht High-Level-Anweisungen wie „Flieg durch die Tür“ oder „Inspiziere den roten Tank“, statt „Flieg zu Koordinate X,Y,Z“. ³⁵ Das ist kritisch, um die kognitive Last des Operators zu senken.

4.3 Algorithmuswahl: ORB-SLAM3 vs. VINS-Fusion

Für Enterprise-Deployment ist die Wahl des Kernalgorithmus kritisch. Veriprajna hat die führenden Open-Source-Frameworks evaluiert, um unseren proprietären Stack zu bauen.

4.3.1 ORB-SLAM3

●​ Architektur: Eine featurebasierte Methode, die visuelles, visual-inertiales und Multi-Map-SLAM unterstützt.

●​ Stärken: Es ist das erste System, das Multi-Map-Merging (Atlas-System) leisten kann. Wenn die Drohne verloren geht (Tracking Loss), startet sie eine neue Karte. Erkennt sie einen vorherigen Ort, merged sie die beiden Karten. Das macht sie extrem resilient gegen „Kidnapping“ oder aggressive Manöver, die das Tracking brechen. ³⁶

●​ Performance: Zeigt konsistent überlegene Genauigkeit in Benchmarks (EuRoC) und erreicht Fehler, die eine Größenordnung niedriger liegen als bei manchen Wettbewerbern, dank robustem Bundle Adjustment. ²³

4.3.2 VINS-Fusion

●​ Architektur: Ein optimierungsbasierter Sliding-Window-Estimator.

●​ Stärken: Hoch effizient und modular. Es glänzt bei der Fusion globaler Sensoren (wie GPS, falls verfügbar) mit VIO.

●​ Schwächen: Kann in texturlosen Umgebungen gegenüber dem ausgefeilten Map-Management und Place Recognition von ORB-SLAM3 schwächeln. ³⁶

Der Veriprajna-Stack: Wir nutzen eine modifizierte Version von ORB-SLAM3 , erweitert um ein Deep-Learning-Frontend (SuperPoint/SuperGlue), das Standard-ORB-Features ersetzt. Das kombiniert das robuste Backend von ORB-SLAM3 mit der überlegenen Feature-Extraktion moderner neuronaler Netze und sichert Performance selbst bei schwieriger Beleuchtung, wo traditionelle Features versagen. ²⁴

5. Die Compute-Engine: Edge-KI-Hardware- Architekturen

Die mathematische Komplexität von VIO und Semantic SLAM erfordert substanzielle Rechen- leistung. Das Ausführen nichtlinearer Optimierung (VIO) neben Convolutional Neural Networks (semantische Segmentierung) in Echtzeit (30+ FPS) verlangt spezialisierte Hardware. Hier wird „Edge-KI“ zur Hardware-Realität, nicht nur zum Buzzword.

5.1 Hardwarearchitektur: NVIDIA Jetson Orin

Die NVIDIA-Jetson-Orin-Serie repräsentiert den aktuellen Stand der Technik für eingebettetes robotisches Computing und liefert Server-Klasse-KI-Performance in einem Embedded-Formfaktor.

5.1.1 Performance-Dichte

Das Jetson Orin NX liefert bis zu 100 TOPS (Trillion Operations Per Second) an KI- Performance. Das ist ein massiver Sprung gegenüber vorherigen Generationen wie dem Xavier NX und bietet 3x bis 5x Performance-Gewinne. ³⁸

Metrik	Jetson Orin Nano	Jetson Orin NX (16GB)	Jetson AGX Orin
KI-Performance	40 TOPS	100 TOPS	275 TOPS
GPU-Architektur	Ampere (1024 Kerne)	Ampere (1024 Kerne)	Ampere (2048 Kerne)
Speicher	8GB LPDDR5	16GB LPDDR5	64GB LPDDR5
Leistung	7W - 15W	10W - 25W	15W - 60W
Zielanwendung	Einstiegs-VIO	Fortgeschrittenes Semantic VIO	Schwere Industrie / Hub

Für taktische Mikrodrohnen und industrielle Inspektoren bietet das Orin NX die optimale Balance von SWaP-C (Size, Weight, Power, and Cost). Es erlaubt, VIO-Backends (wie Isaac ROS Visual SLAM oder eigene ORB-SLAM3-Implementierungen) neben Objektdetektionsnetzen (YOLOv8/v11) zu betreiben, ohne das thermische Budget zu sättigen. ³⁸

5.2 Optimierungsstrategien für Echtzeitflug

Rohe Siliziumleistung reicht ohne Software-Optimierung nicht. Latenz in der Vision-Pipeline übersetzt sich direkt in Fluginstabilität.

5.2.1 TensorRT und Quantisierung

Wir nutzen NVIDIAs TensorRT , um neuronale Netze zu kompilieren und Layer-Fusion sowie Kernel- Auswahl zu optimieren.

●​ Int8-Quantisierung: Die Umwandlung neuronaler Netzgewichte von Floating Point 32 (FP32) nach Integer 8 (Int8) senkt den Speicherbandbreitenverbrauch und erhöht den Durchsatz. Auf Orin- Plattformen ist das essenziell, um die >30 FPS zu erreichen, die für Regelschleifenstabilität nötig sind. ⁴¹

●​ Ergebnis: TensorRT-Optimierung kann den Inferenzdurchsatz gegenüber roher PyTorch-Ausführung verdoppeln oder verdreifachen und komplexe semantische Segmentierungsmodelle ins Latenzbudget einer fliegenden Drohne bringen. ⁴²

5.2.2 Hardwarebeschleunigung (VPI & CUDA)

Um CPU-Engpässe zu vermeiden, lagern wir spezifische Aufgaben aus:

●​ Frontend: Feature-Tracking und Optical Flow werden auf das Vision Programming Interface (VPI) oder dedizierte PVA (Programmable Vision Accelerator)-Kerne auf dem Orin ausgelagert und geben die GPU für Deep-Learning-Inferenz frei. ⁴³

●​ Backend: Die nichtlineare Optimierung (Bundle Adjustment) wird mit CUDA- Kernels auf der GPU parallelisiert, sodass Karten-Updates den Tracking-Thread nicht stallieren.

Dieser heterogene Computing-Ansatz stellt sicher, dass der Flugregler Odometry- Updates in der erforderlichen Frequenz (typischerweise >50Hz) erhält, unabhängig von der Komplexität der Szene, die analysiert wird. ⁴³

6. Operative Realitäten: Verteidigung, Bergbau und Infrastruktur

Der Übergang zu VIO-basierter Autonomie ist nicht bloß ein technisches Upgrade; er ist ein operativer Imperativ, der neue Fähigkeiten und Kosteneinsparungen über Sektoren hinweg erschließt.

6.1 Verteidigung: Die unstörbare Loitering Munition

Im Kontext des Ukraine-Konflikts und künftiger Peer-to-Peer-Auseinandersetzungen ist GNSS-Denial eine Gewissheit.

●​ Terminal Guidance: Aktuelle FPV-Drohnen stützen sich auf analoge Videolinks, die nahe dem Boden zerfallen (durch Fresnel-Zone und Jamming). VIO-ausgerüstete Drohnen können visuell auf ein Ziel „lock on“ und die finale Schlagphase autonom ausführen, selbst wenn der C2-Link getrennt ist. ⁴⁴

●​ Fire-and-Forget-Schwärme: Autonome Navigation erlaubt einem einzelnen Operator, einen Schwarm zu deployen. Die Drohnen navigieren einen GNSS-denied-Korridor mittels VIO, lokalisieren Ziele mit onboard semantischer KI und greifen gemäß voreingestellter Rules of Engagement (ROE) an. Das multipliziert die Wirksamkeit der Kräfte und senkt die Exposition der Operatoren. ⁴⁶

●​ Überlebensfähigkeit: Durch Entfernen des Funklinks wird die Drohne zum „silent killer“, für Standard-RF-Scanner unsichtbar, bis sie visuell ist. ⁴⁴

6.2 Bergbau: Digitalisierung des Untergrunds

Die Bergbauindustrie steht einer natürlicherweise GPS-denied-Umgebung gegenüber, in der Sicherheit oberste Priorität hat.

●​ Nach-Spreng-Inspektion: Nach der Sprengung sind Strossen mit Staub und potenziell toxischen Gasen gefüllt. Auf Freigabe zu warten kostet Geld. VIO-fähige Drohnen können in diese dunklen, staubgefüllten Umgebungen fliegen (ggf. unterstützt durch LiDAR-Fusion), um Gesteinsfragmentierung und strukturelle Stabilität sofort zu inspizieren. ⁶

●​ Kosten vs. Risiko: Menschen aus diesen Gefahrenzonen zu nehmen ist der primäre Werttreiber.

Zusätzlich senkt der Ersatz manueller Vermessung (die Tage dauern kann) durch Drohnen- Photogrammetrie (Stunden) die Betriebskosten drastisch. Ein manuelles Vermessungsteam kostet Tausende pro Tag; eine Drohne erledigt es in 30 Minuten. ⁷

6.3 Kritische Infrastruktur: Die Kosten des Versagens

Bei Öl- und Gaspipelines können die Kosten einer verpassten Inspektion katastrophal sein ($8.5 million für einen einzelnen Ausfall vs. $75,000 für Reparatur). ⁸

●​ GPS-Schatten-Operationen: Drohnen, die die Unterseite von Brücken inspizieren oder zwischen großen Lagertanks fliegen, verlieren oft GPS durch Multipath-Effekte. Ein VIO-System hält präzises Station-Keeping in diesen „Schatten“ und erlaubt der Drohne, hochauflösende Bilddaten ohne das Risiko, in die Struktur zu driften, zu erfassen. ¹⁰

●​ Skalierbarkeit: Wahrhaft autonome Drohnen (angedockt, VIO-fähig) können geplante Inspektionen täglich ohne Piloten in der Schleife fahren und Lecks oder Korrosion im frühesten detektierbaren Stadium erkennen. Das verschiebt Wartung von reaktiv zu prädiktiv. ⁴⁸

7. Fazit: Die Veriprajna-Vision

Die Ära „automatisierter“ Drohnen—angewiesen auf fragile Satellitenleinen und Cloud-Konnektivität—geht zu Ende. Die Zukunft gehört Autonomous Edge Systems .

Veriprajna umhüllt nicht bloß LLM-APIs; wir konstruieren die fundamentalen Navigations- und Wahrnehmungs-Stacks, die Maschinen erlauben, in der physischen Welt zu existieren und zu handeln. Durch Beherrschung von Visual Inertial Odometry, Implementierung von Semantic SLAM und Optimierung für Edge- Compute bauen wir Systeme, die:

1.​ Unstörbar: Immun gegen GNSS-Denial und Spoofing.

2.​ Unangebunden: Fähig zur Missionserfüllung ohne Funklinks oder Cloud-Konnektivität.

3.​ Wahrhaft autonom: Mit der Onboard-Intelligenz wahrzunehmen, zu verstehen und die komplexe Realität moderner Umgebungen zu navigieren.

Für den Verteidigungskommandeur, den Minenbetreiber und den Infrastrukturmanager ist diese Unterscheidung nicht akademisch—sie ist der Unterschied zwischen Missionserfolg und einem verlorenen Asset.

Technischer Anhang: Vergleichende Analyse der Navigations- Modalitäten

Col1	Navigation	Flow (P4/Mavic)	Semantic VIO
Primäre Referenz	Externe Satelliten	Abwärtskamera (Bodentextur)	360° visuelle Features + IMU + semantisches Verständnis
Jamming- Anfälligkeit	Hoch (L1/L2/L5- Bänder)	Mittel (Braucht GPS für Yaw/Höhe)	Null (Passives Sensing)
Driftrate	N/A (Absolute Position)	Hoch über Zeit / Niedrige Genauigkeit	Niedrig (<1-2%) via Loop Closure
Denied-Umgebung Fähigkeit	Versagt (Indoor/Unterirdisch /EW)	Begrenzt (Braucht gutes Licht/Textur)	Hoch (Funktioniert in komplexen/GPS-deni ed Zonen)
Dynamische Objekte Handling	N/A	Versagt (Driftet, wenn Boden sich bewegt)	Robust (Maskiert dynamische Objekte via KI)
Rechen- Anforderung	Niedrig (Mikrocontroller)	Niedrig (ASIC/DSP)	Hoch (NVIDIA Jetson / NPU)
Operativer Status	„Briefbeschwerer“ in EW	Instabil in EW	Missionstauglich

Glossar

●​ GNSS (Global Navigation Satellite System): Der Sammelbegriff für Satellitennavigations- systeme, einschließlich GPS (USA), Galileo (EU), GLONASS (Russland) und BeiDou (China).

●​ VIO (Visual Inertial Odometry): Die Fusion von Kameradaten und Inertialsensoren, um Position ohne externe Signale zu tracken.

●​ SLAM (Simultaneous Localization and Mapping): Das rechnerische Problem, eine Karte einer unbekannten Umgebung zu konstruieren und gleichzeitig den Standort eines Agenten darin zu verfolgen.

●​ EW (Electronic Warfare): Militärische Handlung unter Einsatz elektromagnetischer und gerichteter Energie, um das elektromagnetische Spektrum zu kontrollieren oder den Feind anzugreifen.

●​ SWaP-C: Size, Weight, Power, and Cost—kritische Randbedingungen im Drohnen-Engineering.

●​ Edge-KI: Der Einsatz von KI-Algorithmen auf lokalen Geräten (z. B. Drohnen) statt in zentralisierten Cloud-Servern.

●​ Loop Closure: Der Prozess in SLAM, einen zuvor besuchten Ort zu erkennen, um akkumulierten Navigationsdrift zu korrigieren.

Literaturverzeichnis

1. Navigating Small Drones in an Electronic Warfare Environment ..., abgerufen am 11. Dezember 2025, https://dras.in/navigating-small-drones-in-an-electronic-warfare-environment/

2. Drone War Accelerates Over Ukraine - Inside Unmanned Systems, abgerufen am 11. Dezember 2025, https://insideunmannedsystems.com/drone-war-accelerates-over-ukraine/

3. Protecting Autonomous UAVs from GPS Spoofing and Jamming: A comparative analysis of detection and mitigation techniques - AWS, abgerufen am 11. Dezember 2025, https://sdiopr.s3.ap-south-1.amazonaws.com/2024/Oct/28-Oct-24/JERR_124341/Revised-ms_JERR_124341_v1.pdf

4. The Economic Power of GPS Technology - Economy Insights, abgerufen am 11. Dezember 2025, https://www.economyinsights.com/p/the-economic-power-of-gps-technology

5. DOC Study on Economic Benefits of GPS - Office of Space Commerce, abgerufen am 11. Dezember 2025, https://space.commerce.gov/doc-study-on-economic-benefits-of-gps/

6. Safety Inspections and Gas Monitoring in Hazardous Mining Areas Shortly After Blasting Using Autonomous UAVs - DiVA portal, abgerufen am 11. Dezember 2025, https://www.diva-portal.org/smash/get/diva2:1923729/FULLTEXT03

7. Drones in mining: Benefits, use cases & industry impacts - SPH Engineering, abgerufen am 11. Dezember 2025, https://www.sphengineering.com/news/drones-in-mining

8. Cutting Costs, Boosting ROI: The Business Case for Drone Pipeline Inspections Datumate, abgerufen am 11. Dezember 2025, https://www.datumate.com/blog/drone-pipeline-inspections/

9. GPS and IMU Require Visual Odometry for Elevation Accuracy - SciSpace, abgerufen am 11. Dezember 2025, https://scispace.com/pdf/gps-and-imu-require-visual-odometry-for-elevation-accuracy-5an1ym9sye.pdf

10. Smart Safety Helmets with Integrated Vision Systems for Industrial Infrastructure Inspection: A Comprehensive Review of VSLAM-Enabled Technologies - PMC PubMed Central, abgerufen am 11. Dezember 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC12349484/

11. Metrics and evaluations for computational and sustainable AI efficiency - arXiv, abgerufen am 11. Dezember 2025, https://arxiv.org/html/2510.17885v1

12. Research on the Implementation of New Communication Technologies to Improve Quality and Stability in Motion Control of Autonomous Mobile Robots MDPI, abgerufen am 11. Dezember 2025, https://www.mdpi.com/2227-7080/13/12/556

13. Stability of networked control systems - KTH, abgerufen am 11. Dezember 2025, https://www.kth.se/social/upload/512798bdf2765428364644c7/NCS.pdf

14. Edge AI vs. Cloud AI - IBM, abgerufen am 11. Dezember 2025, https://www.ibm.com/think/topics/edge-vs-cloud-ai

15. AI at the Edge Explained: Benefits, Uses & More - Advantech, abgerufen am 11. Dezember 2025, https://www.advantech.com/en-us/resources/industry-focus/edge-ai

16. Harnessing Edge AI to Strengthen National Security | Strategic Technologies Blog | CSIS, abgerufen am 11. Dezember 2025, https://www.csis.org/blogs/strategic-technologies-blog/harnessing-edge-ai-strengthen-national-security

17. Edge AI is advancing rapidly. So are the ways in which it's being secured., abgerufen am 11. Dezember 2025, https://www.techmonitor.ai/digital-economy/ai-and-automation/edge-ai-cybersecurity

18. How Visual Inertial Odometry (VIO) Works - Think Autonomous, abgerufen am 11. Dezember 2025, https://www.thinkautonomous.ai/blog/visual-inertial-odometry/

19. Efficient and Accurate Downfacing Visual Inertial Odometry - arXiv, abgerufen am 11. Dezember 2025, https://arxiv.org/html/2509.10021v1

20. Visual Inertial Odometry (VIO) | PX4 Guide (main), abgerufen am 11. Dezember 2025, https://docs.px4.io/main/en/computer_vision/visual_inertial_odometry

21. A Comprehensive Introduction of Visual-Inertial Navigation - arXiv, abgerufen am 11. Dezember 2025, https://arxiv.org/pdf/2307.11758

22. Dense Visual-Inertial Odometry for Tracking of Aggressive Motions - Yonggen Ling, abgerufen am 11. Dezember 2025, https://ygling2008.github.io/papers/ROBIO2015.pdf

23. Comparison of modern open-source visual SLAM approaches ..., abgerufen am 11. Dezember 2025, https://www.alphaxiv.org/overview/2108.01654v2

24. A robust visual-inertial SLAM based deep feature extraction and matching - arXiv, abgerufen am 11. Dezember 2025, https://arxiv.org/html/2405.03413v2

25. D-VINS: Dynamic Adaptive Visual–Inertial SLAM with IMU Prior and Semantic Constraints in Dynamic Scenes - MDPI, abgerufen am 11. Dezember 2025, https://www.mdpi.com/2072-4292/15/15/3881

26. RO-SLAM: A Robust SLAM for Unmanned Aerial Vehicles in a Dynamic Environment, abgerufen am 11. Dezember 2025, https://www.techscience.com/csse/v47n2/53640/html

27. Simple bag-of-words loop closure for visual SLAM - Nicolò Valigi, abgerufen am 11. Dezember 2025, https://nicolovaligi.com/articles/bag-of-words-loop-closure-visual-slam/

28. Introduction to Loop Closure Detection in SLAM - Think Autonomous, abgerufen am 11. Dezember 2025, https://www.thinkautonomous.ai/blog/loop-closure/

29. Evaluation of Bags of Binary Words for Place Recognition in Challenging Scenarios - inesc tec, abgerufen am 11. Dezember 2025, https://repositorio.inesctec.pt/server/api/core/bitstreams/66f0e40f-317b-4a83-b890-eeb7ff307e7a/content

30. Bag of Visual Words - 5 Minutes with Cyrill - YouTube, abgerufen am 11. Dezember 2025, https://www.youtube.com/watch?v=a4cFONdc6nc

31. A Frontier Review of Semantic SLAM Technologies Applied to the Open World MDPI, abgerufen am 11. Dezember 2025, https://www.mdpi.com/1424-8220/25/16/4994

32. Is Semantic SLAM Ready for Embedded Systems ? A Comparative Survey - arXiv, abgerufen am 11. Dezember 2025, https://arxiv.org/html/2505.12384v1

33. Hierarchical Loop Closure Detection for Long-term Visual SLAM with Semantic-Geometric Descriptors - GitHub Pages, abgerufen am 11. Dezember 2025, https://siewkeilam.github.io/ei-research-group/Paper/2021C-Gaurav-ITSC.pdf

34. Semantic Loop Closure Detection for Intelligent Vehicles Using Panoramas ResearchGate, abgerufen am 11. Dezember 2025, https://www.researchgate.net/publication/372631598_Semantic_Loop_Closure_Detection_for_Intelligent_Vehicles_Using_Panoramas

35. Visual Planar Semantic SLAM for Aerial Robotic Systems - DSpace@MIT, abgerufen am 11. Dezember 2025, https://dspace.mit.edu/bitstream/handle/1721.1/135936/09045978.pdf?sequence=2&isAllowed=y

36. ORB-SLAM3: An Accurate Open-Source Library for Visual, Visual-Inertial and Multi-Map SLAM - ResearchGate, abgerufen am 11. Dezember 2025, https://www.researchgate.net/publication/343179441_ORB-SLAM3_An_Accurate_Open-Source_Library_for_Visual_Visual-Inertial_and_Multi-Map_SLAM

37. SuperVINS: A visual-inertial SLAM framework integrated deep learning features arXiv, abgerufen am 11. Dezember 2025, https://arxiv.org/html/2407.21348v1

38. NVIDIA® Jetson Comparison: Nano, TX2 NX, Xavier NX, AGX, Orin - Latest News from Seeed Studio, abgerufen am 11. Dezember 2025, https://www.seeedstudio.com/blog/nvidia-jetson-comparison-nano-tx2-nx-xavier-nx-agx-orin/

39. Jetson Orin™ NX Performance vs. Xavier™ NX - Connect Tech - YouTube, abgerufen am 11. Dezember 2025, https://www.youtube.com/watch?v=t4WPyKVX61I

40. Jetson Benchmarks - NVIDIA Developer, abgerufen am 11. Dezember 2025, https://developer.nvidia.com/embedded/jetson-benchmarks

41. Jetson orin nano fp16/int8 performance - NVIDIA Developer Forums, abgerufen am 11. Dezember 2025, https://forums.developer.nvidia.com/t/jetson-orin-nano-fp16-int8-performance/326723

42. Performance analysis on Jetson Orin Nano 8GB - NVIDIA Developer Forums, abgerufen am 11. Dezember 2025, https://forums.developer.nvidia.com/t/performance-analysis-on-jetson-orin-nano-8gb/292343

43. Isaac ROS Visual SLAM, abgerufen am 11. Dezember 2025, https://nvidia-isaac-ros.github.io/repositories_and_packages/isaac_ros_visual_slam/index.html

44. The Rush for AI-Enabled Drones on Ukrainian Battlefields - Lawfare, abgerufen am 11. Dezember 2025, https://www.lawfaremedia.org/article/the-rush-for-ai-enabled-drones-on-ukrainian-battlefields

45. Ukraine's Future Vision and Current Capabilities for Waging AI-Enabled Autonomous Warfare - CSIS, abgerufen am 11. Dezember 2025, https://www.csis.org/analysis/ukraines-future-vision-and-current-capabilities-waging-ai-enabled-autonomous-warfare

46. Drones rack up 70% of troop losses in the Ukraine war — and AI's killing spree will make it worse - Euromaidan Press, abgerufen am 11. Dezember 2025, https://euromaidanpress.com/2025/06/14/drones-rack-up-70-of-troop-losses-in-the-ukraine-war-and-ais-killing-spree-will-make-it-worse/

47. Drone Mining Surveys vs Manual Methods: A Cost & Time Comparison, abgerufen am 11. Dezember 2025, https://safesightxp.com/2025/06/21/drone-vs-manual-mining-surveys/

48. Generative AI + Autonomy: The Next Leap for Industrial Drone Programs Dronelife, abgerufen am 11. Dezember 2025, https://dronelife.com/2025/11/19/generative-ai-autonomy-the-next-leap-for-industrial-drone-programs/