Emergency Landing Field Identification (ELFI)
ELA benötigt die Geo-Daten mindestens einer oder besser mehrerer Landebahnen, die für das jeweilige Flugzeug geeignet sind. Für diese Landebahnen bestimmt ELA, ob und wenn ja wie diese von der Notfallposition aus im Gleitflug erreichbar sind. Eine Landebahn sollte möglichst entgegen der Windrichtung ausgerichtet sein. Außerdem muss sie sowohl in Landerichtung und quer dazu ausgedehnt genug sein, damit eine sichere Landung mit dem beschädigten Flugzeug möglich ist. Weitere Anforderungen betreffen die Neigung in longitudinaler und transversaler Richtung. Je nach Flugzeugtyp gibt es hier unterschiedliche Beschränkungen bzgl. der maximalen Neigung in die beiden Richtungen. Landebahnen von Flugplätzen erfüllen i.d.R. die genannten Kriterien für eine Vielzahl unterschiedlicher Flugzeugtypen wie z.B. Sportflugzeuge, Airliner oder Helikopter. Leider kann jedoch aufgrund zu geringer Resthöhe nicht immer ein ausgewiesener Flugplatz erreicht werden. In diesem Fall muss ein Notlandefeld in Reichweite gefunden werden.
Ein Notlandefeld ist natürlich nur die zweite Wahl, da die Oberfläche nicht asphaltiert und das Flugzeug bei der Landung möglicherweise beschädigt wird. Ziel ist es daher, Notlandefelder zu finden, bei denen die Wahrscheinlichkeit für eine Bruchlandung möglichst gering ist.
Mit dem ELFI-Verfahren können anhand von LIDAR-Höhendaten automatisch Notlandefelder mit den für einen Flugzeugtyp spezifischen Neigungs- und Größenvorgaben bestimmt werden. Zur Berechnung werden hoch auflösende Höhendaten im Dezimeterbereich verwendet, die für ein ebenfalls engmaschiges Gitter mit Kantenlängen unter einem Meter vorliegen. Dabei fallen z.B. für den Bereich Hagen Daten in der Größenordnung von ca. 70 GByte an. Aufgrund dieser hohen Auflösung müssen zur Ermittlung von Notlandefeldern selbst für kleine Gebiete sehr große Datenmengen ausgewertet werden. Um die Berechnungen zu beschleunigen, wurden Computersysteme mit parallel arbeitenden Mehrkernprozessoren eingesetzt. Dies erfordert eine räumliche Aufteilung der Höhendaten in Kacheln, die von mehreren Prozessorkernen gleichzeitig bearbeitet und deren Teilergebnisse später zusammengeführt werden. Die parallele Programmierung erfolgte auf Basis von POSIX-Threads und die Daten können auf einem aktuellen Multicore-Computer in einigen Stunden ausgewertet werden. Dabei werden die Höhendaten für eine begrenzte Anzahl von Landerichtungen (z.B. im Abstand von 22,5 Grad) abgetastet und es wird jeweils geprüft, ob die o.g. Parameter bzgl. der Größen und Neigungen eingehalten werden. Auf diese Weise werden für jede Landerichtung zwei Landebahnen gefunden und ihre Eckpunkte in einer Geo-Datenbank gespeichert.
Die Identifikation von Notlandefeldern anhand von LIDAR-Höhendaten ist leider nicht immer ausreichend. So werden beispielsweise Wasserflächen als perfekte Notlandefelder erkannt, obwohl diese deutlich höhere Risiken aufweisen als feste Oberflächen. Auch sehr schmale Objekte wie Hochspannungsleitungen oder Bewässerungsgräben können nicht sicher mit Höhendaten erkannt werden. Die gefundenen Notlandefelder müssen daher zusätzlich anhand von zugehörigen Satellitendaten ausgewertet werden. Hiermit kann neben schmalen Hindernissen auch die Beschaffenheit der Oberfläche analysiert werden. In einem erweiterten ELFI-Verfahren wurden Satellitenbilder durch verschiedene klassische Methoden der Bildsegmentierung auf (nicht mit Höhendaten erkennbare) Hindernisse untersucht. Zurzeit arbeiten wir daran, eine semantische Klassifizierung der Landbarkeit mit Hilfe spezieller künstlicher neuronaler Netzwerke zu implementieren. Dabei kommen so genannte Convolutional Neural Networks (CNNs) zum Einsatz. Diese Art von künstlichen neuronalen Netzwerken hat sich vor allem bei visuellen Mustererkennungsproblemen im Bereich autonomer Fahrzeuge bewährt. Daher ist zu erwarten, dass der Einsatz von CNNs auch eine schnelle und automatisierte Bildpunkt-Klassifizierung bzgl. der Landbarkeit der aufgrund von Höhendaten identifizierten Notlandefelder ermöglicht. Im Gegensatz zu bisherigen CNNs sollen die im Projekt verwendeten Netze auch topologisch optimiert und damit besser an die Aufgabenstellung angepasst werden.
