Die Abwehr unbemannter Systeme ist kein statisches Problem. Neue Plattformen, veränderte Flugprofile und technische Anpassungen können dazu führen, dass eine heute wirksame Gegenmaßnahme schon kurze Zeit später unter anderen Bedingungen funktionieren muss. Besonders kritisch ist dabei die Wahrnehmung am Anfang der Sensor-to-Effect-Kette: Wird eine Drohne nicht erkannt oder ein anderes Objekt fälschlicherweise als Bedrohung klassifiziert, arbeiten alle nachfolgenden Komponenten auf einer falschen Grundlage.
Der vorgestellte Ansatz behandelt solche Fehler deshalb gezielt als Lernimpulse. Problematische Fälle aus Erprobung oder Betrieb werden erfasst, aufbereitet und in eine geschlossene Lernschleife zurückgeführt. Nach Annotation und Erweiterung der Daten kann das neuronale Netz neu trainiert oder kurzfristig feinjustiert werden. Bevor eine aktualisierte Softwareversion ausgerollt wird, wird sie gegen den bestehenden Stand geprüft. Lernen und kontinuierliches Deployment sollen so miteinander verbunden werden, ohne Änderungen ungeprüft in das System zu übernehmen.
Eine zentrale Rolle spielen dabei hybride und synthetische Daten. Aus einem einzelnen realen Fehlerfall werden ganze Familien ähnlicher Szenarien erzeugt. Umgebung, Drohnenmodell und Flugbewegung lassen sich gezielt variieren und anschließend für Training und Validierung verwenden. Der reale Fehler bestimmt damit, welche zusätzlichen Daten benötigt werden. Aus einem einzelnen Problemfall entsteht eine größere Datenbasis, mit der das System genau dort weitertrainiert werden kann, wo zuvor Schwächen aufgetreten sind.
Erste Versuche zeigen, dass sich die Erkennung in zuvor problematischen Umgebungen dadurch deutlich stabilisieren lässt. Gleichzeitig bleiben Grenzen einzelner Verfahren bestehen. So fehlen einer reinen Einzelbilddetektion beispielsweise zeitliche Informationen. Multi-Frame-Verfahren können deshalb mehrere aufeinanderfolgende Bilder berücksichtigen und die Detektion weiter stabilisieren.
Entscheidend ist damit nicht allein ein möglichst leistungsfähiger Algorithmus. Counter-UxS-Systeme müssen so ausgelegt sein, dass Wahrnehmung und Software kontinuierlich an neue Bedrohungen angepasst werden können. Wenn sich Angriffsmittel fortlaufend verändern, wird auch die Fähigkeit zum schnellen technischen Lernen selbst zu einem Bestandteil wirksamer Abwehr.