• LinkedIn
• YouTube

MODULE_T Echtzeit-Target-Simulation in jeder Umgebung – immer präzise, immer dynamisch

Entdecken Sie MODULE_T – das autonome Target-Drohnen-System für Training, Simulation und taktische Operationen im offenen Raum. Es ermöglicht vollständig autonome Navigation ohne GPS, komplexe Manöver, Schwarmflüge und Live-Integration in Trainings- und Leitstellen-Systeme. Kern der Innovation ist ein zweistufiges, visuelles Navigationsverfahren: Priority 1 nutzt extrem schnelle landmarkenbasierte Lokalisierung (<10 ms), Priority 2 fällt bei Bedarf auf robusten Bild-Bild-Abgleich (VPR) zurück. 

Nahtlose Integration in bestehende Systeme

MODULE_T integriert sich nahtlos in vorhandene Trainings- und Simulationssysteme (Tactical Training Systems, Command & Control Software). RGB- und Thermal-Videostreams werden per RTSP übertragen und via ONVIF automatisch erkannt. Sensordaten (z. B. Positions-, Geschwindigkeits- oder Swarm-Status-Werte) fließen über MQTT und OPC UA ein – ideal für Echtzeit-Alarme, Pop-ups und dynamische Szenario-Anpassungen. Die Drohne ist vollständig IP-basiert und kompatibel mit gängigen Plattformen wie Milestone, Genetec und anderen Leitstellen – ohne zusätzliche Sonderlösungen.

Präzise Navigation ohne GPS

Präzise Navigation ohne GPS im offenen Raum
MODULE_T erreicht reproduzierbare Flugbahnen mit einer geringen Abweichung – auch in großen offenen Räumen bei GPS-Störungen (Jamming, Spoofing oder Signal-Ausfall). Dies wird durch eine zweistufige, visuelle Navigationspipeline ermöglicht:

Priority 1 (Landmarken-basiert, 80-90% der Fälle): Extraktion von ORB-Features in einem bearing-guided ROI (40-60% der Bildfläche), tabellenbasierter Lookup (<1 ms) und PnP-Posenschätzung. Priority 2 (Fallback, nur bei fehlenden Landmarken): Globaler Bildabgleich über FAISS (IVF-PQ + HNSW) mit AnyLoc-Deskriptoren, optional verfeinert durch SuperPoint + LightGlue.

Eine Decision Margin (Differenz zwischen bestem und zweitbestem Match) entscheidet adaptiv, welcher Pfad aktiv wird. Die offline vorbereitete Ground-Datenbank (ca. 700 MB) enthält Lookup-Tabellen, FAISS-Index und Sichtbarkeitsfilter und liegt vollständig onboard (z. B. Jetson Orin). Waypoints und komplexe Manöver werden in einem benutzerdefinierten 3D-Grid geplant und per ArduPilot/Pixhawk 6X ausgeführt. Manuelle Übernahme ist jederzeit möglich.

Geeignete Einsatzbereiche

MODULE_T eignet sich hervorragend für tägliche Trainings- und Simulationsmissionen in offenen Räumen, militärischen Übungsgeländen und taktischen Szenarien. Typische Anwendungen umfassen:

• Komplexe Manöver-Simulation (Ausweichmanöver, Hochgeschwindigkeits-Targets)
• Schwarmflüge zur realistischen Bedrohungsnachbildung
• Zielerfassung und Tracking-Training für Luftabwehrsysteme
• GPS-denied Operationen in gestörten Umgebungen (Jamming-Training)

Autonome Target-Drohnen-Systeme wie MODULE_T steigern die Trainings-Effizienz enorm, indem sie realistische, wiederholbare Szenarien ohne Personalaufwand und ohne GPS-Abhängigkeit ermöglichen – ein Trend, der in aktuellen Studien zu UAV-Schwarm-Navigation bestätigt wird. Das System ist sofort einsatzbereit in modernen Trainingsumgebungen.U-/DGUV-konform und sofort einsatzbereit in modernen Logistikumgebungen.

Wissenschaftliche Grundlage und Vergleich

Die Navigationstechnologien von MODULE_T basieren auf etablierten Methoden der visuellen Robotik sowie modernen VPR-Ansätzen:

• Zweistufige visuelle Navigation (Landmarken + Bildabgleich) für minimale Latenz bei maximaler Robustheit
• Bearing-guided ROI Selection zur Reduktion der Rechenlast um 35-55%
• Lookup-Tabellen & FAISS-Indizes (IVF-PQ + HNSW) für O(1)-Zugriff auf 10 Mio Referenzbilder
• AnyLoc / DINOv2-basierte Global Descriptoren für perspektiveninvarianten Abgleich

Weiterführende Literatur:

• Chang, Y. et al. (2023). A review of UAV autonomous navigation in GPS-denied environments. Robotics and Autonomous Systems.
• Power, W. et al. (2020). Autonomous Navigation for Drone Swarms in GPS-Denied Environments Using Structured Learning. Sensors.
• Arandjelovic et al. (2016). NetVLAD: CNN architecture for weakly supervised place recognition. CVPR.
• Johnson et al. (2019). FAISS: A library for efficient similarity search. Facebook AI Research.
• Sarlin et al. (2020). SuperPoint & LightGlue: Keypoint detection and matching. CVPR.
• Arshid, K. et al. (2025). Toward Autonomous UAV Swarm Navigation: A Review of Trajectory Design Paradigms. Sensors.
• Qamar, S. et al. (2022). Autonomous Drone Swarm Navigation and Multi-target Tracking in 3D Environments. arXiv preprint.

MODULE_T im Vergleich zu Marktführer

Die Tabelle basiert auf öffentlich verfügbaren Spezifikationen (Stand 2026), Herstellerangaben und Branchenvergleichen.

DIS übertrifft traditionelle Systeme besonders in GPS-denied Szenarien und echter Schwarm-Intelligenz – ideal für moderne, realistische Trainingsanforderungen.

Sie möchten MODULE_T live erleben oder für Ihr Trainingszentrum anpassen? Kontaktieren Sie uns – wir machen aus jeder Drohne ein intelligentes, autonomes Target.

Unterlagen anfordern

Fehler: Kontaktformular wurde nicht gefunden.

Letzte Aktualisierung: März 2026