Erstmals kann ein Raumschiff mithilfe künstlicher Intelligenz autonom gesteuert werden

Thursday 13 November 2025 - 09:00

Ingenieure der Julius-Maximilians-Universität Würzburg haben erstmals die Fähigkeit eines Raumfahrzeugs zur Selbststeuerung mithilfe künstlicher Intelligenz demonstriert.

es Netzwerk führte ein vollständiges Steuermanöver auf der Grundlage seiner Entscheidungsfähigkeit durch, ohne jegliche Signale von der Erde.

Während der Tests lenkte die künstliche Intelligenz das Fahrzeug mehrmals hintereinander präzise um. Innerhalb von neun Minuten, von 11:40 bis 11:49 Uhr mitteleuropäischer Zeit am 30. Oktober 2025, änderte der Satellit seine Richtung exakt durch Steuerung der Gegengewichtsräder. Das Manöver wurde fehlerfrei durchgeführt und im Automatikmodus vollständig reproduziert.

Weltraumsteuerungssysteme basieren üblicherweise auf festen Algorithmen, die aufwändige manuelle Anpassungen erfordern. Im LeLaR-Projekt wurde hingegen bestärkendes Deep Learning eingesetzt, bei dem das neuronale Netzwerk die Steuerungsstrategie innerhalb eines virtuellen Modells selbstständig erlernt. Dies ermöglicht eine schnellere und flexiblere Steuerung mit besserer Fähigkeit, auf unvorhergesehene Faktoren im Orbit zu reagieren.

Das Projektteam, bestehend aus Kirill Gebko, Tom Baumann, Eric Delger, Frank Poppe und Sergio Montenegro, hat bewiesen, dass künstliche Intelligenz Aufgaben zuverlässig ausführen kann, die zuvor von menschlichen Bedienern abhängig waren. KI im Weltraum ist nicht länger nur ein Analyst, sondern ein aktiver Teilnehmer an der Weltraummission.

Das deutsche LeLaR-Projekt hat zum Ziel, intelligente Steuerungssysteme zu entwickeln, die die Stabilität von Satelliten gewährleisten, deren Instrumente regeln und deren Flugbahnen präzise korrigieren – und das ohne ständiges menschliches Eingreifen. Dies ist besonders wichtig für Langstreckenmissionen zu Planeten oder Asteroiden, wo Kommunikationsverzögerungen mit der Erde eine Fernsteuerung praktisch unmöglich machen.

Das System basiert auf Deep Reinforcement Learning und wurde auf hochpräziser Hardware trainiert, die Orbitalbedingungen und die Physik von Raumfahrzeugen simuliert. Eine der größten Herausforderungen für das Team war die Diskrepanz zwischen Simulation und Realität – der Unterschied zwischen dem Verhalten der KI in einer virtuellen Umgebung und ihrem Verhalten im realen Raum –, der häufig die Anwendung autonomer KI-Systeme in Ingenieurprojekten behindert.