1. Management Summary

Die unbemannte Kampfdrohne hat die Schwelle vom ferngelenkten Werkzeug zur eigenständig handelnden Waffe überschritten. Diese Studie vermisst den wissenschaftlichen Stand der Technik in sieben Disziplinen — Inertialnavigation, bildgestützte Wahrnehmung, geländereferenzierte Ortung, Schwarmfunk, Phased-Array-Antennentechnik, Abwehr von Satellitenstörung und eingebettete künstliche Intelligenz — und projiziert daraus die zu erwartende Funktionalität autonomer Wirksysteme bis zum Jahr 2036.

Im Zentrum steht eine Leitthese, die der Studie ihren Namen gibt: die ausfallsichere Wirkkette. Die Kampfdrohne von 2036 erkennt ihr Ziel mit eigenen Sensoren und eigener künstlicher Intelligenz an Bord, ohne Datenlink. Sie vernetzt sich mit ihresgleichen über elektronisch geschwenkte Richtstrahlen, die abhörarm und störresistent sind. Und fällt dieses Nervensystem aus, trägt eine gestaffelte Eigennavigation die Mission allein zu Ende — vom Satellitensignal über bild- und geländegestützte Ortung bis hinunter zur reinen Trägheit, die keine äussere Quelle mehr braucht.

Die Prüfung bestätigt die These, korrigiert aber ihre naive Form. Reine Inertialnavigation driftet unaufhaltsam; die Resilienz entsteht nicht aus einem perfekten Sensor, sondern daraus, dass die Verfahren einander auffangen und die Drohne nie lange genug auf eine einzige Quelle angewiesen ist. Über die wenigen Sekunden des Endanflugs genügt selbst die reine Trägheit. Der Verlust der Schwarmkommunikation kostet die kollektive Schärfe, nicht die Handlungsfähigkeit — und genau darin liegt die militärische Brisanz wie die rechtliche Problematik.

Die Studie betrachtet auch den Gegenspieler: Gegen funkstille, autonome Schwärme bleibt elektronische Störung wirkungslos, sodass die Abwehr auf Hochleistungsmikrowellen, Hochenergielaser, kinetische Interzeptoren und programmierbare Flak ausweicht — Mittel, deren Wert sich an einer erbarmungslosen Ökonomie entscheidet. Sie schliesst mit der rechtlich-ethischen Einordnung: Die ausfallsichere Wirkkette ist gebaut; die offene Frage ist nicht mehr, ob sie funktioniert, sondern wer die Kontrolle über die Entscheidung zu Leben und Tod behält.

2. Einleitung

2.1 Hintergrund: die Drohne als Wendepunkt der Kriegsführung

Über ein Jahrhundert lang folgte die Luftkriegsführung einer einfachen Logik: Wer den Himmel beherrschen wollte, brauchte teure Plattformen, ausgebildete Piloten und eine ununterbrochene Befehlskette vom Gefechtsstand bis ins Cockpit. Diese Logik zerfällt. An ihre Stelle tritt ein Fluggerät, das kaum mehr kostet als ein Mittelklassewagen, das niemand fernsteuern muss und das in Schwärmen auftritt, deren einzelne Glieder ersetzbar sind wie Patronen. Die unbemannte Wirkdrohne hat die Schwelle von der ferngelenkten Kamera zur eigenständig handelnden Waffe überschritten — und sie hat es schneller getan, als die Doktrinen der Streitkräfte und das Völkerrecht folgen konnten.

Der Treiber dieses Umbruchs ist nicht ein einzelner Durchbruch, sondern die Konvergenz mehrerer Entwicklungslinien, die jahrzehntelang getrennt verliefen. Die Mikroelektronik hat Inertialsensoren von der Grösse einer Kaffeedose auf einen Chip von wenigen Gramm schrumpfen lassen, ohne dass die Genauigkeit darunter litt. Maschinelles Sehen verarbeitet heute Bildströme in Mikrosekunden statt in Bildraten. Funknetze organisieren sich selbst, wenn Knoten ausfallen. Und künstliche Intelligenz, die vor wenigen Jahren noch ganze Rechenzentren beanspruchte, läuft inzwischen im einstelligen Wattbereich auf eingebetteter Hardware. Jede dieser Linien für sich ist bemerkenswert; ihre Verschmelzung in einer einzigen, handflächengrossen Plattform verändert das Wesen des Gefechts.

2.2 Fragestellung und Erkenntnisinteresse

Diese Studie fragt nach dem Stand der Technik — und nach dem, was aus ihm bis zum Jahr 2036 erwächst. Drei Fragen leiten die Untersuchung:

Wie navigiert, kommuniziert und denkt eine autonome Kampfdrohne nach heutigem Forschungsstand, wenn man die einschlägigen Disziplinen — Inertialnavigation, bildgestützte Wahrnehmung, geländereferenzierte Ortung, Schwarmfunk, abhörsichere Antennentechnik, Abwehr von Satellitenstörung und eingebettete künstliche Intelligenz — nebeneinanderlegt?

Welche Funktionalität wird daraus erwachsen? Im Zentrum stehen die bordeigene, automatische Zielerkennung, die verdeckte Schwarmkommunikation über elektronisch geschwenkte Phased-Array-Antennen und — als argumentativer Kern — die Resilienz gegen den Verlust eben dieser Kommunikation.

Wo liegen die Grenzen — technisch, ökonomisch, rechtlich? Eine Studie, die nur das Mögliche feiert und das Unmögliche verschweigt, wäre Propaganda, nicht Analyse.

2.3 Methodik, Quellenbasis und Zeithorizont

Die Untersuchung ist eine Literatur- und Technologiesynthese. Ihre Faktenbasis stammt, wo immer möglich, aus wissenschaftlichen Primärpublikationen — begutachteten Fachzeitschriften, Konferenzbeiträgen anerkannter Tagungen und geprüften Preprints — sowie aus völkerrechtlichen Primärdokumenten. Herstellerangaben, Marktprognosen und industrielle Roadmaps werden verwendet, wo sie den einzigen verfügbaren Beleg für konkrete Leistungswerte bilden; sie sind im Text durchgehend als solche gekennzeichnet und nicht mit begutachteten Messergebnissen vermengt. Jede wesentliche Aussage trägt einen Kurzbeleg; das vollständige Quellenverzeichnis am Ende führt jeden Beleg mit Fundstelle und, soweit vorhanden, DOI.

Der Zeithorizont reicht von der belegten Gegenwart bis zu einer begründeten Projektion auf das Jahr 2036. Die Projektion extrapoliert keine Wunschvorstellungen, sondern verlängert dokumentierte Entwicklungskurven — und sie benennt, wo die Extrapolation auf physikalische oder ökonomische Schranken trifft.

2.4 Begriffsklärung und Abgrenzung

Der Begriff Kampfdrohne wird hier weit gefasst: gemeint ist ein unbemanntes Fluggerät, das militärische Wirkung entfaltet, gleich ob es als wiederverwendbare Plattform, als einmalig eingesetzte Loitering Munition oder als Glied eines kooperierenden Schwarms auftritt. Von der ferngesteuerten Aufklärungsdrohne unterscheidet es die Fähigkeit zur Autonomie — zur eigenständigen Navigation, Wahrnehmung und, im Grenzfall, Zielauswahl ohne fortlaufende menschliche Eingabe. Wo diese Studie von einem autonomen Wirksystem spricht, übernimmt sie die funktionale Definition des Internationalen Komitees vom Roten Kreuz: ein System, das nach seiner Aktivierung Ziele auf der Grundlage eines verallgemeinerten Zielprofils auswählt und bekämpft, ohne dass ein Mensch das konkrete Ziel, den Ort oder den Zeitpunkt des Angriffs bestimmt [1]. Diese Definition ist bewusst gewählt, weil sie die rechtlich und ethisch entscheidende Schwelle markiert (Kapitel 14).

2.5 Leitthese: die ausfallsichere Wirkkette

Die Studie verfolgt einen durchgehenden Gedanken, der sie wie ein Rückgrat zusammenhält. Er lautet: Die Kampfdrohne des Jahres 2036 ist so gebaut, dass der Verlust ihrer Verbindungen sie nicht aufhält. Sie erkennt ihr Ziel an Bord, mit eigenen Sensoren und eigener künstlicher Intelligenz. Sie vernetzt sich mit ihresgleichen über elektronisch geschwenkte Richtstrahlen, die kaum abzuhören und schwer zu stören sind. Und wenn dieses Nervensystem dennoch ausfällt — wenn der Funk schweigt und das Satellitensignal erstickt wird —, dann trägt eine gestaffelte Eigennavigation die Mission allein zu Ende: vom Satellitensignal über die bildgestützte und geländereferenzierte Ortung bis hinunter zur reinen Trägheit, die keine äussere Quelle mehr braucht.

Diese These ist verführerisch in ihrer Klarheit, und gerade deshalb verlangt sie nach Strenge. Reine Inertialnavigation driftet, und sie driftet unaufhaltsam, je länger sie auf sich allein gestellt bleibt [2]. Die ausfallsichere Wirkkette funktioniert nicht, weil ein einzelner Sensor perfekt wäre, sondern weil die Verfahren einander auffangen: Was die Trägheit über die Zeit verliert, gewinnt der Blick auf das Gelände zurück, und was im offenen Himmel das Satellitensignal leistet, übernimmt in seiner Abwesenheit die Karte unter dem Flügel. Die Studie prüft diese Kette Glied für Glied — und sie sagt ehrlich, wo sie reisst.

Der Aufbau folgt diesem Gedanken. Teil I vermisst den Stand der Technik: das inertiale Rückgrat (Kapitel 3), das künstliche Auge aus bild- und geländegestützter Navigation (Kapitel 4), das funkende Nervensystem des Schwarms (Kapitel 5), den elektronischen Schild gegen Satellitenstörung (Kapitel 6) und das denkende Gehirn an Bord (Kapitel 7). Teil II setzt diese Bausteine zur erwarteten Funktionalität zusammen: zur automatischen Zielerkennung (Kapitel 8), zur ausfallsicheren Wirkkette (Kapitel 9) und zum autonomen Schwarm als Waffensystem (Kapitel 10). Teil III dreht die Perspektive um und betrachtet den Gegenspieler — die Abwehr von Drohnenschwärmen (Kapitel 11), ihre erbarmungslose Ökonomie (Kapitel 12) — und ordnet das Ganze ein: technisch (Kapitel 13), rechtlich und ethisch (Kapitel 14), bevor das Fazit (Kapitel 15) die Leitthese bilanziert.

3. Das inertiale Rückgrat: Navigation ohne äussere Referenz

Von den drei Stützen der ausfallsicheren Wirkkette lässt sich jede abschalten — bis auf eine. Ein Phased-Array-Mesh lässt sich stören, ein GNSS-Signal fälschen, eine optische Kamera blenden. Was bleibt, wenn die Funkverbindung schweigt und der Himmel über dem Gefechtsfeld elektronisch vergiftet ist, ist die Fähigkeit der Drohne, ihre eigene Bewegung aus sich selbst heraus zu kennen. Eine Inertial Measurement Unit (IMU) misst kontinuierlich lineare Beschleunigungen und Rotationsraten und rechnet daraus durch Integration die Flugbahn — ohne ein einziges Signal von aussen [3]. Darin liegt ihr strategischer Wert: Wer keine Funkwellen empfängt, ist gegen Jamming und Spoofing prinzipiell immun. Sie navigiert relativ zum Anfangszustand — das Rückgrat, an dem alle übrigen Sinne hängen. Dieses Kapitel prüft, wie weit es allein trägt.

3.1 MEMS-IMU: die Miniaturisierung der Präzision (SWaP-C)

Über Jahrzehnte galt eine eiserne Kopplung: klein und sparsam hiess ungenau. Die Mikrosystemtechnik hat sie zerbrochen. Bewertet wird heute nach SWaP-C — Size, Weight, Power, Cost —, und auf allen vier Achsen ist die siliziumbasierte MEMS-IMU (Micro-Electro-Mechanical Systems) bis in die taktische Genauigkeitsklasse vorgedrungen [4]. Die beiden Stellgrössen der Forschung sind dieselben, die später die Driftgeschwindigkeit bestimmen: Rauschdichte und Bias-Stabilität [4]. Die Branche ordnet Gyroskope grob in drei Bänder — consumer/automotive über 10 °/h, tactical grade zwischen rund 0,1 und 10 °/h, navigation grade zwischen 0,001 und 0,01 °/h [3], [4]; entscheidend ist, dass kommerzielle MEMS-Bausteine heute das taktische Band erreichen, bei einem Bruchteil der Kosten faseroptischer Vorgänger.

Die Referenzgeräte zeigen die Spannweite (Kennwerte in der Tabelle). Der Sensonor STIM300 war lange Industriestandard — halbleiterbasiert, ITAR-frei [5]; der neuere GuideNav GUIDE730 unterbietet ihn auf allen vier Achsen und ist wie geschaffen für die platzbeschränkte Mikrodrohne [5]. Der Advanced Navigation Motus liefert auf 26 g eine gyroskopische Leistung, die früher Geräten im Kilogrammbereich vorbehalten war [6], und Analog Devices vermarktet den ADIS16490 als «precision tactical grade» mit einem Angular Random Walk von 0,09 °/√h [7]. Wie robust MEMS für ballistische Lasten wurden, zeigt der kapazitive Safran Colibrys MS1000: nach Datenblatt schocktolerant bis 6000 g und betriebsfähig bis 150 °C, auf einem Chip von 9 × 9 mm [8]. Eine symbolische Schwelle fiel 2025, als SBG Systems laut Fachpresse den ersten rein MEMS-basierten nordsuchenden Gyrokompass vorstellte — Steuerkurs unter 1° ganz ohne GNSS-Einspeisung, bei unter 150 g und 2 W [9]. Eine Funktion, die zuvor mechanischen Ringlaserkreiseln gehörte, ist damit in den Silizium-Massstab gewandert.

Abbildung 1: MEMS-IMU-Genauigkeitsklassen nach Gyroskop-Bias-Instabilität (log-Skala). Quelle: Kapitel 3.

Sämtliche Kennwerte sind Hersteller- bzw. Datenblattangaben; eine unabhängige Vermessung exakt dieser Modelle unter einheitlichem Protokoll liegt nicht vor.

3.2 IMU-Arrays und virtuelle Gyroskope

Wenn ein einzelner billiger Sensor zu sehr rauscht, hilft die Zahl. Die Rauschanteile mehrerer MEMS-Sensoren sind untereinander unkorreliert und lassen sich durch Datenfusion herausmitteln, sodass der Verbund sich wie ein einzelner, präziserer Sensor verhält — ein virtuelles Gyroskop [10]. Die Faustregel dahinter ist die statistische Mittelung unkorrelierter Fehler: Bei N untereinander unabhängigen Sensoren sinkt die Rausch-Standardabweichung mit 1/√N — vier Sensoren halbieren das Rauschen, hundert senken es auf ein Zehntel. Der weiter unten genannte 3,4-fache Genauigkeitsgewinn liegt denn auch nahe am Idealwert dieser Wurzelregel für die verbaute Sensorenzahl [10]. Die Fehlermodellierung greift in zwei Domänen: im Zeitbereich über Modelle wie ARMA, im Frequenzbereich über Allan-Varianz und Power Spectral Density (PSD); sie speisen die adaptiven Wichtungen und die Extended Kalman Filter (EKF), die aus dem Rohstrom eine geglättete Zustandsschätzung formen [10].

Der Gewinn ist konkret. An der Wuhan University steigerte die Kalibrierung eines Arrays über einen Drei-Achsen-Drehtisch die Navigationsgenauigkeit um das 3,4-Fache — nahe am theoretischen Maximum der Rauschunterdrückung für die gegebene Sensorenzahl; im Realexperiment driftete dasselbe Array über 30 Sekunden GNSS-Ausfall im Sportwagen um durchschnittlich nur 1,85 m [10]. Die Kalibrierung kommt ohne externe Hardware aus: Allein die Erdbeschleunigung als Referenz erlaubt eine autarke Selbstkalibrierung und verbessert die Messgenauigkeit um rund 10 dB [10]. Die redundante Geometrie liefert eine zweite Tugend — Fault Detection and Isolation (FDI) isoliert einen ausgefallenen Einzelsensor, ohne dass die Schätzung kippt [10]. Das Array ist so präziser und ausfallrobuster zugleich, und es steht nicht allein: Ein Review zählt dreissig Mainstream-Algorithmen zur Reduktion stochastischer MEMS-Fehler in sieben Familien [11].

3.3 Generative KI als Sensorveredelung

Die jüngste Wendung verlässt die Logik des Filterns ganz: Statt das Rauschen nachträglich zu glätten, wird aus einem schlechten Signal ein hochwertiges neu erzeugt. Ein diffusionsbasiertes generatives Lern-Framework synthetisiert aus rauschbehafteten Low-Cost-Messungen hochauflösende virtuelle IMU-Daten [12]. Die Architektur ist ein konditionales Diffusionsmodell auf U-Net-Basis: Hochwertige Messungen dienen als Ground-Truth-Prior, die Low-Cost-Rohdaten als konditionaler Input [12]. Der Kniff sitzt im Rauschschema — ein durch die Allan-Varianz gesteuertes Schema bettet die sensorspezifischen Fehlercharakteristika in den Vorwärts-Diffusionsprozess ein, der Rückwärtsprozess erzeugt daraus das hochpräzise synthetische Signal [12].

Der Reiz liegt in der Schnittstelle. Die generierten Daten sind ein direkter Drop-in-Ersatz für die Rohdaten in jedem nachgelagerten Navigationsfilter und übertreffen die Originalmessungen in Positions- wie Lageschätzung [12]. Damit verschiebt sich die Grenze des Möglichen von der Fertigungsstrasse in den Code: MEMS-Defizite werden algorithmisch statt hardwareseitig überwunden. Für die Drohne 2036 heisst das eine verlockende Ökonomie — Navigationsqualität, die man früher kaufen musste, wird zunehmend gerechnet.

3.4 Ringlaserkreisel und strategische Inertialnavigation

Während MEMS den taktischen SWaP-C-Markt erobert, bleibt das schwere Ende der Skala den optischen Kreiseln vorbehalten. Ringlaserkreisel (RLG) nutzen den Sagnac-Effekt: Zwei gegenläufige Laserstrahlen in einem geschlossenen Umlauf erfahren bei Rotation eine messbare Frequenzdifferenz, präzise bezogen auf die Erdrotation — beweglos und mit minimaler Langzeitdrift [13]. Ein hochwertiges Inertial Navigation System (INS) auf dieser Basis ist mehr als ein Sensor; es ist die Plattform, auf der alle übrigen Verfahren zusammenlaufen. Mit Kalman-Filtern integriert es Terrain-Referenz, visuelle Odometrie und GNSS zu einer lückenlosen Schätzung des Erdkoordinatenzustands — selbst wenn die Plattform wochenlang isoliert operiert, wie das U-Boot zeigt [3]. Diese Architektur ist die Brücke von der reinen Trägheit zu den Stützverfahren der folgenden Kapitel.

Die praktische strategische Variante ist heute oft der faseroptische Kreisel (FOG). Marine-INS auf FOG-Basis wie das iXblue MARINS sind erprobt [14], die Fasertechnik hat seit der Jahrtausendwende die Kosten hochpräziser U-Boot-Navigation deutlich gesenkt [15], und faseroptische INS sind über die Marine hinaus bis ins untertägige Richtbohren etabliert [16]. Die Front sinkt weiter: Interferometrische optische Kreisel werden auf Volumina unter 100 cm³ getrieben, integrierte Mikrophotonik könnte mittelfristig MEMS-Grösse bei besserer Störfestigkeit erreichen — die Trennlinie zwischen taktisch-MEMS und navigation-grade-optisch verschwimmt [17]. Der Blick auf 2036 reicht noch weiter: Kalt-atomare Interferometer und Spin-Gyroskope versprechen navigation-grade-Leistung bei schrumpfendem Bauraum und wurden bereits als kompakte, deployfähige Sensoren demonstriert [18], [19].

3.5 Bewertung: Wie weit trägt reine Trägheit?

Hier muss die Studie ehrlich sein, denn an dieser Stelle entscheidet sich die Leitthese. Die Autarkie der Inertialnavigation hat einen physikalischen Preis: Der Positionsfehler reiner Trägheitsnavigation ist inhärent instabil und wächst mit der Zeit — auch dann, wenn die Sensoren perfekt wären. Selbst Quanten- und cold-atom-Sensoren verkleinern nur die Fehlerquellen, die prinzipielle Instabilität der Methode heben sie nicht auf [2]. Reine Trägheit driftet im Grenzfall unbegrenzt. Das ist die unausweichliche Kehrseite jeder Navigation ohne äussere Referenz.

Wie schnell sie driftet, lässt sich analytisch fassen. Wheeler et al. leiten geschlossene Ausdrücke für den Fix Displacement Error (FDE) eines reinen Drei-Achsen-Gyroskop-INS her — modelliert als Gauss’sches weisses Rauschen plus Drift als Markov-Prozess erster Ordnung, als Funktion von Flugdauer, Geschwindigkeit, Rausch- und Driftamplitude sowie Drift-Zeitkonstante, per Monte-Carlo über lange Flüge validiert [20]. Die Arbeit liefert zugleich einen belastbaren Massstab: Sie bestätigt rechnerisch die Werte, die ein navigation-grade-Gyroskop erfüllen muss, um die FAA Required Navigation Performance 10 (RNP-10) einzuhalten — ein konkreter Anker dafür, wie genau ein Rückgrat sein muss [20]. Eine methodische Falle ist zu beachten: Das Minimum der Allan-Deviation ist als Drift-Metrik falsch, weil es die Drift-Zeitkonstante nicht erfasst; korrekt ist das Maximum der Allan-Deviation [20].

Der scheinbare Widerspruch zur Leitthese löst sich auf der Zeitskala. Die unbegrenzte Drift ist eine Aussage über die lange Frist; die Mission der Kampfdrohne ist getaktet in Sekunden und Minuten. Das kalibrierte MEMS-Array mit nur 1,85 m Abweichung über 30 Sekunden GNSS-Ausfall zeigt, dass über kurze Ausfallfenster die Drift praktisch vernachlässigbar ist [10] — und genau in diesen Fenstern stützen ohnehin visuelle und Terrain-Referenz nach. Die ehrliche Synthese: Kein Einzelsensor garantiert allein den Missionserfolg im elektronischen Kampf; die Lösung ist die fortlaufende stochastische Kalibrierung interozeptiver Sensoren — MEMS, RLG, FOG — gegen exterozeptive Daten. Das Rückgrat liefert die driftarme Kurzzeitstabilität, die Stützverfahren den Langzeit-Absolutbezug [3]. So trägt reine Trägheit nicht für immer, aber robust genau so lange, wie die These «Funkausfall egal» sie braucht.

Damit stellt sich die Frage nach dem Korrektiv. Läuft das Rückgrat über lange Frist davon, muss etwas es periodisch wieder an die Welt anbinden — ein Sinn, der nicht integriert, sondern sieht. Das nächste Kapitel wendet sich diesem künstlichen Auge zu: der Visual-Inertial Odometry und der Terrain-Referenznavigation, die die Inertial-Drift gegen Boden und Gelände immer wieder auf null setzen.

4. Das künstliche Auge: Sehen, wo Satelliten schweigen

Das vorige Kapitel endete mit einem unbequemen Eingeständnis: Eine Inertialplattform weiss nie, wo sie ist, sie weiss nur, wie sehr sie sich seit dem letzten bekannten Ort bewegt hat — und dieser Schätzung wächst mit jeder Sekunde ein Fehler an, den nichts von innen heraus zurückholt. Die reine Koppelnavigation driftet prinzipiell unbegrenzt. Wer den Funkausfall überstehen will, braucht deshalb einen zweiten Sinn, der nicht nach innen lauscht, sondern nach aussen blickt: exterozeptive Wahrnehmung, die die akkumulierte Drift periodisch an der sichtbaren Welt neu verankert. Zwei Familien tragen die Drohne durch die GNSS-Stille. Die eine misst, wie sich die Welt relativ zur Kamera verschiebt — Visual-Inertial Odometry. Die andere fragt die Landschaft selbst nach der absoluten Position — Terrain Referenced Navigation. Gemeinsam bilden sie das künstliche Auge, das dort sieht, wo die Satelliten schweigen.

4.1 Visual-Inertial Odometry: Grundlagen und physikalische Grenzen

Visual-Inertial Odometry, kurz VIO, koppelt zwei Sinne, die sich gegenseitig stützen, weil keiner allein genügt. Die Kamera extrahiert markante Bildpunkte — Features — und verfolgt, wie sie von einem Bild zum nächsten wandern; aus diesem optischen Fluss lässt sich die Eigenbewegung rekonstruieren. Die Trägheitsmesseinheit (MEMS-IMU) liefert dazwischen die hochfrequenten Beschleunigungs- und Drehratendaten, die die Lücke zwischen zwei Kamerabildern überbrücken. Die Fusion ist nötig, weil reine Inertialnavigation über die Integrationszeit unweigerlich davonläuft, getrieben von Bias-Instabilität und zeitvariablen Fehlern [21].

Zwei algorithmische Schulen teilen sich das Feld. Die filterbasierte Linie, meist um einen Extended Kalman Filter herum gebaut, kommt mit wenig Speicher und kurzer Rechenzeit aus. Die optimierungsbasierte Linie löst über ein gleitendes Zeitfenster ein Bündelausgleichsproblem (Sliding-Window Bundle Adjustment) und erkauft höhere Genauigkeit mit höherem Aufwand [22]. Welche Schule auch trägt — entscheidend bleibt die Güte der IMU. Vergleichende Analysen zeigen, dass VIO massgeblich von rauscharmen, taktischen Trägheitsmessern profitiert, weil diese die Kurzzeitdynamik zwischen zwei Frames verlässlicher überbrücken; eine Consumer-IMU lässt sich visuell zwar stark stützen, doch ihr absoluter Trajektorienfehler bleibt grösser [21].

Die Grenzen liegen im Licht. Klassische Frame-Kameras nehmen das Vollbild mit fester Frequenz auf und besitzen einen Dynamikumfang von nur etwa 60 dB — zu wenig für die harten Helligkeitssprünge einer Tunnelausfahrt oder eines Gegenlichts [23]. Vier Situationen lassen die bildbasierte VIO straucheln: schwaches Licht, bewegte Objekte, die den optischen Fluss verfälschen, Bewegungsunschärfe bei hohen Drehraten und texturarme Flächen — Wasser, Schnee, Wüste, einfarbige Wände —, auf denen schlicht zu wenige Features haften [23], [21]. Gegen diese perzeptive Degradation hilft Redundanz: die Hinzunahme von LiDAR oder lernbasierte Deskriptoren, die dort noch greifen, wo einfache Methoden bei Beleuchtungswechsel auseinanderfallen [24].

4.2 Event-Kameras: neuromorphes Sehen

Wenn das Licht die Schwäche der Frame-Kamera ist, dann ist die Event-Kamera die physikalische Antwort darauf. Sie nimmt kein Vollbild auf. Jedes ihrer Pixel misst asynchron und für sich die Änderung der logarithmischen Lichtintensität und meldet nur dann ein «Event» — Zeitstempel, Pixelort, Vorzeichen der Änderung —, wenn eine Schwelle überschritten wird [23]. Aus diesem Prinzip folgen Eigenschaften, die wie für die Hochgeschwindigkeitsdrohne gemacht scheinen: eine zeitliche Auflösung im Mikrosekundenbereich, ein Dynamikumfang von 140 dB gegenüber den rund 60 dB der Frame-Kamera, eine Pixelbandbreite im Kilohertzbereich und damit praktisch keine Bewegungsunschärfe [23]. Genau die drei Bedingungen, an denen die klassische VIO zerbricht — wenig Licht, harte Kontraste, schnelle Bewegung —, verlieren so ihren Schrecken.

Die Algorithmen folgen der asynchronen Natur des Sensors. Statt diskreter Bildtakte beschreiben sie die Bewegung als kontinuierlich-zeitliche Trajektorie, etwa durch kubische B-Splines im Raum der Starrkörperbewegungen, und integrieren Events mikrosekundengenau mit den IMU-Messungen — die erste event-basierte VIO mit kontinuierlich-zeitlichem Rahmen entstand in diesem Geist [25]. Neuere Stereo-Systeme wie ESVO2 tasten Konturpunkte nach lokaler Event-Dynamik ab, nutzen die IMU-Vorintegration als Bewegungsprior gegen Tracking-Aussetzer und übertreffen auf öffentlichen Datensätzen fünf etablierte Verfahren in grossen Aussenraumszenen [26]. Dass solche Pipelines ohne gelabeltes Trainingsmaterial auskommen, zeigt das selbstüberwachte Lernen des optischen Flusses, das die Graustufenbilder derselben Kamera als Lehrsignal verwendet [27]. Über die genaue Höhe des Effizienzgewinns ist Zurückhaltung geboten — einzelne in der Branche kursierende Architekturnamen und ein pauschales Vielfaches an Recheneinsparung lassen sich nicht hart primärbelegen. Die Richtung dagegen ist gesichert: Neuromorphik, die mit Sparsity und präzisem Spike-Timing statt dichter Vollbilder arbeitet, löst Wahrnehmungsaufgaben mit um Grössenordnungen geringerer Latenz und Energie [28], [29]. Der institutionelle Anker liegt in Zürich: Die Robotics and Perception Group um Davide Scaramuzza im Umfeld von UZH und ETH gilt als global führend in der event-basierten Wahrnehmung für agile Drohnen [23], [26].

Abbildung 2: Event-Kamera gegen klassische Frame-Kamera: Dynamikumfang und Reaktionslatenz. Quelle: Kapitel 4.

4.3 Ultra-Low-Power-VIO am Energielimit

Für eine Mikrodrohne entscheidet nicht die Genauigkeit allein, sondern das Energiebudget — das SWaP-Limit aus Grösse, Gewicht und Leistung. Vollwertige Wahrnehmung muss in den Milliwattbereich passen, sonst frisst das Auge die Reichweite auf [30]. Dass dies gelingt, zeigt LEVIO, eine schlanke eingebettete VIO, die auf dem GAP9 läuft — einem ultra-stromsparenden System-on-Chip auf RISC-V-Basis mit paralleler Cluster-Architektur. Die Pipeline verbindet Feature-Tracking, den perspektivischen Solver EPnP und ein Sliding-Window Bundle Adjustment; sie bleibt unter 100 mW und benötigt rund 1 MB Speicher, und sie verschiebt die Pareto-Front der eingebetteten VIO spürbar zugunsten der Energieeffizienz, ohne die Genauigkeit zu opfern [30]. Aus derselben Forschungslinie stammt ein verwandter Gedanke: Eine rein inertiale Odometrie, die einen modellbasierten Filter mit einer lernbasierten Komponente koppelt und auf Schub- und Rotordrehzahlmessungen zugreift, kann klassische VIO im Lageschätzfehler schlagen — bedeutsam, weil sie die Kamera zeitweise entlasten und damit zusätzlich Energie sparen kann [31].

4.4 Aerodynamische Selbstwahrnehmung (HDVIO2.0)

Eine Drohne im Wind ist kein starrer Körper, der durch ruhige Luft gleitet — sie wird gestossen, gezerrt, vom eigenen Abwind durchgeschüttelt. Klassische VIO mit grob vereinfachtem Fahrzeugmodell degradiert genau hier. HDVIO begegnet dem, indem es ein translatorisches Punktmassenmodell mit einer lernbasierten Komponente verbindet, die die komplexen aerodynamischen Effekte erfasst; aus der Diskrepanz zwischen tatsächlicher und vom Hybridmodell vorhergesagter Bewegung schätzt es zugleich die externe Störkraft und den vollen Zustand, gespeist allein aus der Historie von Schub- und IMU-Messungen [32]. In realen Versuchen mit einem Quadrotor bei Wind bis 25 km/h verbesserte das System die Bewegungsschätzung um bis zu 33 % und die Schätzung der äusseren Kraft um bis zu 40 % gegenüber dem Stand der Technik — und das, ohne den vollen Zustand explizit zu kennen [32]. Die jüngere Weiterentwicklung verfolgt dieselbe Stossrichtung: Eine aerodynamik-informierte, transformerbasierte Inertialodometrie verbessert die Geschwindigkeitsvorhersage durch Einbezug der Rotordrehzahl um 36,9 % und gewinnt durch die Transformer-Architektur weitere 22,4 % aus der besseren Nutzung zeitlicher Abhängigkeiten [33].

Was solche Verfahren tragen, wenn man sie an die physikalische Grenze treibt, hat dieselbe Schule eindrücklich gezeigt: Swift, ein in Simulation und realer Erfahrung trainiertes Reinforcement-Learning-System, das Geschwindigkeit und Position ausschliesslich aus Onboard-Sensoren schätzt, besiegte in realen Rennen menschliche Weltmeister und flog die schnellste je aufgezeichnete Zeit [34]. Über die exakten Kennzahlen schwarmgeflogener Verbände — kursierende Werte um 22 m/s, 7 g und eine halbierte Unfallrate — ist Vorsicht angebracht; sie lassen sich keiner einzelnen indexierten Primärarbeit zuordnen und sind hier nur als Grössenordnung zu verstehen. Dass agile Autonomie in dieser Grössenordnung erreichbar ist, belegt Swift jedoch hart [34].

4.5 Terrain Referenced Navigation: die Landkarte unter dem Flügel

VIO misst Bewegung relativ und driftet darum, langsamer als die reine Inertialplattform, aber sie driftet. Was fehlt, ist eine driftfreie absolute Stütze. Sie liegt buchstäblich unter dem Flügel: in der Form des Geländes selbst.

4.5.1 TERCOM und stochastische Filter

Terrain Referenced Navigation, TRN, verortet die Drohne absolut im globalen Koordinatensystem, indem sie die überflogene Topografie misst — per Radar- oder Laser-Altimeter, Barometer oder Kamera — und das gemessene Höhenprofil gegen ein gespeichertes digitales Geländemodell abgleicht [35]. Das klassische Verfahren ist TERCOM: Es überfliegt eine Strecke und minimiert den mittleren absoluten Abstand zwischen gemessener und kartierter Höhe über eine ganze Sequenz von Fixes; die geschätzte Position ist das Argument-Minimum dieser Kostenfunktion über den Suchraum [36]. Weil Geländedaten stark nichtlinear und das Rauschen nicht gaussförmig ist, treten an die Stelle einfacher Filter heute Partikel- und Point-Mass-Filter sowie Maximum-Likelihood-Kalman-Filter [37]. In der Integration von INS, GPS und TRN kalibrieren die TRN-Fixes das Inertialsystem während eines GPS-Ausfalls; ein Vergleich von bestem Fix, gewichtetem Fix mittels Probabilistic Data Association Filter und ein- wie mehrhypothesigem IGMAP zeigt, dass die Einhypothesen-Variante die beste Balance aus Genauigkeit, Robustheit und Recheneffizienz bietet [36].

Die Achillesferse ist das flache Land. Über Ozean oder Wüste fehlt dem Gelände die Eindeutigkeit, und der Filter kann divergieren. Die Antwort ist aktiv: Path-Planning-Algorithmen verändern die Route autonom so, dass sie Gebiete mit hohem topografischem Gradienten überfliegt und den erwarteten Informationsgewinn der Messung maximiert [35].

4.5.2 Vision-basierte TRN und der rotationsinvariante ICP

Aktive Höhenmesser sind für kleine UAVs heikel — sie wiegen, und sie strahlen, was die Emissionssignatur verrät. Die passive Alternative blickt mit einer nach unten gerichteten Kamera: Aus Stereobildpaaren entsteht über Semi-Global Matching eine dichte Disparitätskarte, daraus ein lokales 3D-Höhenmodell, das gegen die Datenbank abgeglichen wird [38]. Das Kernproblem liegt in der Höhe — mit zunehmender Distanz sinkt die Bodenauflösung, und der klassische Iterative Closest Point reagiert empfindlich auf Kalibrierfehler. Die Lösung ist ein rotationsinvarianter ICP, der nicht die rohen Höhenwerte als Messmodell in den Filter speist, sondern dessen robuste Transformationsausgabe, was das Divergenzrisiko bei grob aufgelösten Karten mindert [38]. Validiert wurde das Verfahren in realen Cessna-Flügen auf 3000, 4000 und 5000 m Höhe — mit nichts als IMU, Barometer und einer FLIR-Blackfly-S-Kamera; der rotationsinvariante ICP verbesserte die Positionsgenauigkeit in allen Höhen konsistent, am deutlichsten unter den schwierigen Bedingungen in 5000 m, und bestätigte vision-basierte TRN als passive, GPS-unabhängige Alternative für Marschflugkörper und strategische UAVs [38].

4.5.3 Gimbaled-Laser-TRN und Informationsmaximierung

Wer den Laser starr ins Nadir richtet, vergibt Information. Ein kardanisch aufgehängter, schwenkbarer Laser kann gezielt abgewinkelt scannen und vorausschauend auf topografisch aussagekräftige Landmarken weit vor dem Fluggerät zielen [35]. Die Wahl des Schwenkwinkels lässt sich informationstheoretisch optimieren: Über die Cramér-Rao Lower Bound wird der Winkel so gesteuert, dass er die Spur der Fisher-Informationsmatrix maximiert. Das Ergebnis ist keine marginale Korrektur — gegenüber Nadir- oder festen Konfigurationen verbessert sich die Navigationsleistung um eine ganze Grössenordnung, und Fehlortungen aus der unzureichenden Modellierung des hochgradig nichtlinearen Geländeabgleichs verschwinden [35].

4.5.4 Maritime/bathymetrische TRN

Unter Wasser gilt dasselbe Prinzip, nur ist die Karte der Meeresboden. Ein U-Boot oder AUV, das nicht zum GNSS-Fix auftauchen darf, vermisst mit Multibeam-Echoloten ein breites Schwad des Grundes und gleicht es gegen die bathymetrische Karte ab. Versuche des Norwegian Defence Research Establishment mit dem U-Boot KNM Utsira demonstrierten hochpräzise getauchte Positionsaktualisierungen durch terrainreferenzierte bathymetrische Navigation — ohne einen Mast an die feindlich überwachte Oberfläche zu schieben [39]. Unabhängige Übersichten bestätigen die Methodik: Terrain-relative Navigation ohne akustische Beacons funktioniert, doch ihre Genauigkeit hängt von der bathymetrischen Variabilität ab — präzise über stark strukturiertem Grund, schwächer in flachen Zonen [40]. Es ist dasselbe Flachgelände-Problem wie zu Lande, nur in die Tiefe gespiegelt.

So entsteht die Architektur des künstlichen Auges: VIO trägt die hochpräzise relative Bewegung, TRN die driftfreie absolute Stützung über strukturiertem Gelände, die taktische IMU das Rückgrat dazwischen — eine gestaffelte Wahrnehmung, die den GNSS-Ausfall überdauert. Doch eine einzelne so navigierende Plattform ist erst die halbe Antwort. Die Stärke des Verbandes liegt im Teilen dessen, was jedes Auge sieht. Wie sich diese autonom navigierenden Drohnen verdeckt zu einem gemeinsamen Lagebild vernetzen — über Mesh-Funk und Phased-Array —, behandelt das folgende Kapitel.

5. Das Nervensystem des Schwarms: Mesh-Funk und Phased-Array

Bisher stand die einzelne Plattform im Mittelpunkt: ein Flugkörper, der mit gestaffelter Eigennavigation seinen Weg auch dann findet, wenn das Satellitensignal erlischt. Eine einzelne Drohne aber gewinnt keinen Krieg. Die eigentliche Drohung des Jahres 2036 ist nicht das Gerät, sondern der Verbund — Dutzende, vielleicht Hunderte autonomer Plattformen, die ein Ziel gemeinsam sehen, einander Sensordaten zuschieben und sich die Arbeit aufteilen, als wären sie ein Organismus. Damit aus losen Flugkörpern ein Schwarm wird, braucht es ein Nervensystem: ein Funknetz, das sich selbst organisiert, das den ständigen Lagewechsel in der Luft verkraftet und das verdeckt genug arbeitet, um den Gegner nicht zur Reaktion einzuladen. Dieses Kapitel kartiert dieses Nervensystem — von der Topologie in Bewegung über das lernende Routing bis zur physikalischen Unsichtbarkeit der Richtfunkstrahlen, die den Schwarm zusammenhalten.

5.1 Flying Ad-Hoc Networks (FANET): Topologie in Bewegung

Ein Flying Ad-Hoc Network (FANET) ist ein selbstorganisierendes, infrastrukturfreies Funknetz zwischen kleinen unbemannten Luftfahrzeugen — flexibel, kostengünstig und schnell ausbringbar [41]. Formal ist es eine Unterklasse des Mobile Ad-Hoc Network (MANET), doch die Verwandtschaft täuscht. Wo ein MANET Knoten in der Fläche bewegt und ein Vehicular Ad-Hoc Network (VANET) Fahrzeuge entlang von Strassen führt, fliegen die Knoten eines FANET dreidimensional und schnell. Die Folge ist eine Topologie, die sich rascher umbaut als alles, was terrestrische Netze kennen; für MANETs entworfene Routing-Protokolle scheitern teilweise daran, den Wechseln überhaupt zu folgen [41].

Vier Belastungen treffen zusammen und lassen statische oder rein proaktive Protokolle einbrechen: die hohe dreidimensionale Mobilität der Knoten, die extrem schnellen Topologiewechsel, starke Doppler-Verschiebungen der Funksignale und häufige, intermittierende Verbindungsabbrüche [42]. Dass diese Eigenheiten nicht bloss theoretisch sind, zeigt der Blick auf trainierte Netzmodelle: Intrusion-Detection- und Verkehrsmodelle, die auf kabelgebundenen Benchmarks kalibriert wurden, brechen im realen UAV-Schwarm ein, weil Mobilität, schwankende Linkqualität und dezentrales Routing die Verkehrsverteilungen umformen — quantifiziert am kalibrierten Digital-Twin-Datensatz UAV-CAS mit 99’492 Flows aus 1’024 Konfigurationen über fünf Angriffsfamilien [43].

Die Antwort der Forschung beginnt damit, dem Netz die eigene Bewegung mitzuteilen. In realen Flugversuchen mit zwei autonomen Starrflügler-Drohnen und einem Bodenknoten übertrifft das FANET-spezifische Predictive-OLSR (P-OLSR), das die bordeigene GPS-Information ausnutzt, das Standard-OLSR beim Routing unter häufigen Topologiewechseln deutlich [41]. P-OLSR war zum Veröffentlichungszeitpunkt die einzige FANET-spezifische Routing-Technik mit verfügbarer Linux-Implementierung — ein nüchterner Hinweis darauf, wie jung dieses Feld ist.

5.2 Intelligentes Routing

Wenn die Topologie sich schneller ändert als jede Routing-Tabelle gepflegt werden kann, hilft kein starres Adressbuch mehr. Der Stochastic Packet Forwarding Algorithm (SPA) zieht daraus die Konsequenz und leitet Pakete auf Basis probabilistischer Verteilungsmodelle weiter, statt sich auf feste Tabellen zu stützen — eine direkte Antwort auf die schnelle Topologiedynamik des FANET [42]. Theoretisch fundiert ist dieses Geo-Routing im Random-1/2-Disk-Verfahren: Jeder Knoten wählt den nächsten Relais-Knoten zufällig unter jenen in Sendereichweite, die grob in Richtung des Ziels liegen; modelliert man die Distanzentwicklung als Markov-Prozess, lassen sich Konvergenzbedingungen und Schranken für die erwartete Hop-Zahl herleiten [44].

Im militärischen und kognitiven Funkbereich wird die Entscheidung mehrdimensional. Routing-Protokolle für Cognitive Radio UAVs stützen sich auf den Central Node Resolution Factor (CNRF), der vier Grössen gleichzeitig abwägt: Distanz, Geschwindigkeit, Verbindungsqualität (RSSI) und Restenergie der Drohnen. Aus dieser Abwägung wählt das Netz optimale Cluster Heads und integriert prädiktive Algorithmen, um Link-Ausfälle zu vermeiden, bevor sie eintreten [45]. Die Restenergie als gleichberechtigtes Kriterium ist dabei mehr als Pedanterie — in einem Schwarm, der stundenlang fliegen soll, entscheidet sie darüber, welche Plattform überhaupt noch als Relais taugt.

Den nächsten Schritt geht das lernende Routing. Statt heuristische Regeln zu befolgen, lässt Reinforcement Learning das Netz durch fortlaufende Interaktion mit der Umgebung adaptive Entscheidungen erlernen, die Latenz minimieren und Stabilität sichern; formal werden die Routing-Entscheidungen als Markov Decision Process (MDP) modelliert [46]. Übersichtsarbeiten ordnen SPA, CNRF/Cluster-Head- und RL/MDP-Ansätze schliesslich in eine gemeinsame Taxonomie ein und vergleichen sie nach Topologiedynamik, Knotenausfall und Linkstabilität [47], [48].

5.3 Programmierbare Datenebene und vorausschauende Selbstheilung

Ein Schwarm, der Ausfälle erst bemerkt, wenn Pakete verloren gehen, reagiert zu spät. Die Forschung verlagert deshalb das Netzmanagement in die Datenebene selbst. Mit der Sprache P4 (Data Plane Programmability) lassen sich die Switches der UAVs anweisen, ihre Standard-Telemetrie drastisch zu erweitern; P4 entkoppelt die Paketverarbeitung von fest verdrahteten Hersteller-Funktionen und erlaubt programmierbare, granulare Sichtbarkeit auf Paket-Ereignisse — ausgewertet über mehr als 200 P4-Arbeiten in einer einzigen Übersicht [49].

Das Framework P4 FANET In-Band Telemetry (FINT) macht aus dieser Programmierbarkeit ein Diagnosesystem. Datenpakete sammeln während des Transits durch den Schwarm in Echtzeit netzwerkspezifische Metadaten ein: den Received Signal Strength Indicator (RSSI) der Funkstrecken, die prozentuale CPU-Auslastung der Flugrechner und die präzisen dreidimensionalen Geolokalisierungsdaten jeder einzelnen Plattform [50]. Diese Telemetrie fliesst direkt in ein KI-System, das Muster erkennt, die auf baldige Link-Fehlschläge oder Überlastung hindeuten, und präventiv umleitet, bevor die Verbindung bricht — Proactive Link Failure Forecasting, das Paketverluste und Kommunikationsabbrüche im Schwarm minimiert [50]. Das Nervensystem spürt den Schmerz, ehe der Knochen bricht.

Diese Sichtbarkeit hat ihren Preis. Klassische In-Band-Telemetrie erzeugt einen Übertragungs-Overhead, der linear mit der Hop-Zahl und der Zahl der Telemetriewerte wächst — ein ernstes Problem für energie- und bandbreitenknappe Schwärme. Leichtgewichtige Verfahren mildern das: DLINT arbeitet deterministisch, PLINT probabilistisch über Reservoir Sampling, und Bloom-Filter komprimieren die State-Tabellen, ohne die Monitoring-Genauigkeit zu opfern [51]. Vorausschau und Sparsamkeit stehen hier in einem Aushandlungsverhältnis, das jedes reale System neu justieren muss.

5.4 Richtfunk im Schwarm

Rundstrahlantennen sind in einem dichten Schwarm ein Eigentor. Sie säen Interferenzen, verbrennen Energie und beschneiden die räumliche Frequenzwiederverwendung drastisch; Richtantennen lösen das, verlangen aber neue Medienzugriffs-Protokolle [52]. Die Krux trägt einen sprechenden Namen: das Deafness-Problem. Ein Knoten empfängt nicht, weil seine Antenne gerade weggedreht ist — taub für genau den Nachbarn, der ihn ruft. Das Location Oriented Directional MAC (LODMAC) nutzt die Positionsdaten benachbarter Drohnen aus GPS oder Visual-Inertial Odometry, um Antennen präzise aufeinander auszurichten, und ermöglicht so kollisionsfreie, stark parallelisierte Kommunikation [53].

Den eigentlichen Sprung bringt die Mehrstrahlantenne. Ein Knoten, der gleichzeitig auf mehreren nicht-interferierenden Beams sendet, erreicht einen bis zu m-fachen Durchsatz gegenüber einer Einstrahlantenne; asynchrone Paketankunft verschärft allerdings Deafness und MAC-Layer-Capture, weshalb ein Fenster-Mechanismus die nebenläufige Kommunikation auch bei unsynchronem Eintreffen herstellt [54]. Mehrstrahlantennen erhöhen die Frequenzwiederverwendung, verlängern die Reichweite, verbessern die Zuverlässigkeit und senken den Energieverbrauch — Fähigkeiten, die der klassische IEEE-802.11-DCF-Mechanismus gar nicht ausschöpfen kann, weshalb spezialisierte Protokolle nötig sind [55].

Was dieser Wechsel bedeutet, lässt sich beziffern. Der Übergang von Single-Beam- auf Multi-Beam-Protokolle wie das Multiple-Beam Antenna Array MAC (MBAA-MAC), orchestriert mit optimiertem Routing, senkt die End-to-End-Latenz in mobilen Multiframe-Szenarien von 700 ms auf 9 ms [56] — fast zwei Grössenordnungen, der Unterschied zwischen einem Schwarm, der zögert, und einem, der reagiert. Der Ausblick auf 2036 geht noch weiter: DeepBeam leitet den Eintreffwinkel und den verwendeten Sendestrahl per Deep Learning aus laufenden Übertragungen ab — ohne Pilotsequenzen, Beam Sweeping oder Synchronisation, mit bis zu 96 % Genauigkeit bei einem Fünf-Beam-Codebuch und bis zu siebenfach reduzierter Latenz gegenüber dem Initial-Beam-Sweep von 5G-NR [57]. Damit rückt der selbstorganisierende Richtfunk-Schwarm aus der Theorie in die Reichweite.

Abbildung 3: Latenzgewinn durch Multi-Beam-Richtfunk im Schwarm. Quelle: Kapitel 5.

5.5 Phased-Array-Antennen: elektronische Strahlsteuerung im Ku-Band

Wer einen Richtstrahl in Mikrosekunden umlenken will, kann keine Antenne mechanisch drehen. Die Phased-Array-Antenne löst das ohne ein einziges bewegtes Teil. Sie besteht aus einer flächigen Anordnung vieler Strahlerelemente; computergesteuert variiert sie die Phase des Hochfrequenzsignals an jedem Element, sodass sich die Wellenfronten durch konstruktive und destruktive Interferenz zu einem schmalen Hauptstrahl bündeln, der in Bruchteilen von Mikrosekunden elektronisch geschwenkt wird [58]. Für die Vernetzung im Schwarm geschieht das im Ku-Band (12 bis 18 GHz): Die hohen Frequenzen tragen die Bandbreite, die Sensordatenfusion verlangt, und bieten durch ausgeprägte Richtwirkung und atmosphärische Dämpfung einen inhärenten Schutz vor weit entfernter Abhörung [59].

Der zentrale Designkonflikt heisst Mutual Coupling. Die gegenseitige Kopplung benachbarter Elemente verschiebt Terminal-Impedanzen und Reflexionskoeffizienten und beeinflusst damit Strahlungscharakteristik, SINR und Radarquerschnitt; sie limitiert unmittelbar Auflösung, Interferenzunterdrückung und Richtungsschätzung [60]. Besonders scharf wird der Konflikt, sobald der Strahl weit schwenken soll. Wide-Angle-Beam-Scanning-Arrays erschliessen weite räumliche Abdeckung, kritische Frequenzwiederverwendung und höhere Systemkapazität, kämpfen aber mit eben dieser starken Kopplung und der schmalen Elementbeamweite [61] — genau die Eigenschaften, die ein ins Chassis integriertes, in alle Richtungen schwenkbares Intra-Flight-Array braucht. Dass solche Arrays auch im Feld wartbar sein können, zeigt das modulare Ferrit-Konzept: austauschbare Bausteine mit eigener Treiberschaltung und Kollimationsspeicher, die sich auf Depotebene tauschen lassen, ohne das ganze Array neu zu kalibrieren [62].

5.6 MADL: Stealth-Vernetzung der fünften Generation

Wie ein verdecktes Mesh in der Praxis aussieht, zeigt der Multifunction Advanced Data Link (MADL) von Northrop Grumman, konzipiert für Kampfjets der fünften Generation wie die F-35 Lightning II und die B-2 Spirit und zunehmend als Kommandoknoten für kollaborative Tarnkappendrohnen vorgesehen [63]. Die Plattformzuordnung selbst stammt aus nicht-akademischer Quelle; die Physik dahinter aber ist solide belegt.

Das Konstruktionsprinzip heisst Low Probability of Intercept und Low Probability of Detection (LPI/LPD): Ein extrem schmaler Richtstrahl minimiert die Streustrahlung, sodass die Energie fast ausschliesslich den beabsichtigten Empfänger trifft. Akademisch fundiert wird das durch eine elektronisch rekonfigurierbare Antenne mit Rapid Sidelobe Time Modulation, die die Hauptkeule stationär hält und die Nebenkeulen rasch zeitlich moduliert — das in unerwünschte Richtungen abgestrahlte Signal erfährt dadurch eine Spread-Spectrum-Verzerrung und wird schwerer zu detektieren und abzufangen [64]. Gegen elektronische Kampfführung kombiniert MADL Spread-Spectrum-Technik mit extrem schnellem Frequency Hopping über das Ku-Band, das das Signal so breit verschmiert, dass es im thermischen Hintergrundrauschen verschwindet; dass Direct-Sequence- und Frequency-Hopped-Spread-Spectrum genau diese LPI-Eigenschaft besitzen, gehört zum gesicherten Bestand [65], [66]. Die nahtlose Integration der Antennen ins Chassis erlaubt bis zu acht Stealth-Plattformen, ein verdecktes Mesh zu bilden, in dem hochauflösende Radardaten, elektro-optische Zielbilder und Sensormetriken in Echtzeit zu einer synchronisierten Lage fusioniert werden — ohne die eigene Position preiszugeben [63]. Die adaptive Sendeleistungssteuerung macht das Signal dabei nur so stark, wie der Empfänger es braucht, was die passive Ortung zusätzlich erschwert [66].

5.7 Die physikalische Unsichtbarkeit

Am Ende verlagert sich das Gefecht in die Physik selbst, und dort steht der Lauscher von Anfang an im Nachteil. Das Abstandsgesetz ist unerbittlich: Die Leistungsdichte eines Signals nimmt umgekehrt proportional zum Quadrat der Entfernung ab. Ein feindlicher Passiv-Empfänger, der weiter entfernt steht als der beabsichtigte Empfänger, sieht das Signal um genau dieses Quadrat schwächer — ein Nachteil, den keine noch so empfindliche Elektronik wegrechnet.

Bleibt ihm die Suche unterhalb des Rauschpegels. Ein bodengestütztes System müsste Signale auffangen, die schwächer sind als die natürliche elektromagnetische Hintergrundstrahlung. Verfahren wie die Cyclostationary Feature Detection nutzen dafür die zyklostationären, also periodischen Merkmale modulierter Signale, um sie bei sehr niedrigem Signal-Rausch-Verhältnis vom Rauschen zu trennen — bei ähnlicher Rechenlast wie eine blosse Energiedetektion, aber robuster gegen Rausch-Unsicherheit [67], [68]. Theoretisch reicht das weit: Nach dem Neyman-Pearson-Kriterium lassen sich Signale noch bei einem Signal-Rausch-Verhältnis bis hinab zu −20 dB zuverlässig detektieren [69]. Die Pointe steht im Kleingedruckten. Diese Grenze gilt nur mit a-priori-Kenntnis der Spektralmerkmale und langer Beobachtungszeit — und genau beides verweigert eine LPI-Wellenform mit schnellem Frequency Hopping und adaptiver Leistung. Wer die Merkmale nicht kennt und keine Zeit zum Hinsehen bekommt, erreicht die −20 dB nie. Die Detektionsgrenze ist real, doch der Schlüssel zu ihr liegt beim Sender, der ihn nicht hergibt.

5.8 Swarm Beamforming: kollektive Reichweite

Was eine einzelne Antenne nicht schafft, schafft der Schwarm gemeinsam. Drohnen in dreidimensionaler Formation können ihre Signale kollektiv in eine Richtung kohärieren — Swarm Beamforming, das die Reichweite weit über die Möglichkeiten von Einzelantennen hinaus erweitert. Der Verbund wirkt dann als ein einziges Virtual Antenna Array, gebildet aus vielen verteilten Sendern, die ihre Wellenfronten wie Ruderer ihren Schlag aufeinander abstimmen [70].

Dieselbe Kohärenz, die Reichweite schafft, schafft Sicherheit. Cooperative Beamforming über ein verteilt gebildetes Virtual Antenna Array liefert eine in geschlossener Form herleitbare Secrecy Rate; mit Artificial-Noise-Injektion erreicht das Verfahren bis zur doppelten Secrecy Rate gegenüber konventionellem Cooperative Beamforming — gerade dann, wenn ein Lauscher dicht beim beabsichtigten Empfänger steht [70]. Der Schwarm richtet sein Nutzsignal also präzise auf den Empfänger und streut zugleich künstliches Rauschen in jene Richtungen, in denen ein Abhörer lauern könnte. Bei vorhandener Kanalzustandsinformation können ausgewählte Plattformen die Quellnachricht über Distributed Beamforming weiterreichen, wobei geschlossene Ausdrücke für Ausfallwahrscheinlichkeit, Goodput und Gesamt-Sendeleistung den Gewinn gegenüber rein terrestrischer Übertragung quantifizieren [71].

Damit schliesst sich das Bild des Nervensystems: ein Netz, das sich trotz 3D-Mobilität, Doppler und Linkabbrüchen selbst zusammenhält, das seine eigene Gesundheit vorausschauend überwacht, das die Latenz um fast zwei Grössenordnungen drückt und das seine Strahlen so führt, dass der Gegner sie kaum findet und, fände er sie doch, kaum entschlüsseln könnte. Dieses Nervensystem hat jedoch eine Voraussetzung, die es nicht selbst kontrolliert — die Orientierung im Raum. Phased-Array-Ausrichtung, LODMAC, FINT-Geolokalisierung und Swarm Beamforming setzen voraus, dass jede Plattform weiss, wo sie ist und wo ihre Nachbarn sind. Genau hier greift der Gegner an. Das nächste Kapitel widmet sich dem GNSS-Krieg: dem elektronischen Schild aus Jamming und Spoofing, der dem Schwarm den raumzeitlichen Bezug entreissen will, von dem sein ganzes Nervensystem abhängt.

6. Der elektronische Schild: GNSS im Belagerungszustand

Die gestaffelte Eigennavigation der Kampfdrohne 2036 ist nur so stark wie ihr verwundbarstes Glied — und dieses Glied trägt seine Schwäche in der Physik. Wo die bordeigenen Sensoren der Kapitel 4 und 5 aus Kameralicht und der Trägheit der eigenen Masse schöpfen, also aus der unmittelbaren Umgebung, hängt die absolute Verankerung im Raum an einem Signal, das rund 20 000 km zurückgelegt hat, bevor es die Antenne erreicht. Auf diesem Weg verliert es fast alles. Was bleibt, ist ein Flüstern unter dem Rauschen — und ein Flüstern lässt sich übertönen, nachahmen, fälschen. Dieses Kapitel handelt vom Belagerungszustand des Satellitensignals und von der mehrschichtigen Abwehr, mit der eine autonome Plattform sich darin behauptet.

6.1 Angriffsvektoren: Jamming, Spoofing, Meaconing

Die Verwundbarkeit beginnt bei einer nüchternen Energiebilanz. Das zivile GNSS-Signal wird offen und ohne kryptografischen Integritätsschutz aus rund 20 000 km Höhe abgestrahlt; auf der Erdoberfläche liegt seine Empfangsleistung als Grössenordnung bei etwa −160 dBW — schwächer als das thermische Rauschen, das jeder Empfänger ohnehin mitführt [72]. Daraus folgt die strukturelle Anfälligkeit: Ein bodennaher Sender geringer Leistung überstrahlt den fernen Satelliten mühelos, zumal die Spreizsequenz des Open-Service-Codes öffentlich dokumentiert, also vorhersagbar und reproduzierbar ist und der kryptografische Schutz erst mit Galileo OSNMA seit 2023 anläuft [73].

Der erste Angriffsvektor ist der brutalste. Beim Jamming überlagert der Angreifer die GNSS-Bänder — L1 bei 1575,42 MHz, L2 bei 1227,60 MHz, L5 bei 1176,45 MHz — mit hochenergetischem Breitbandrauschen; das Carrier-to-Noise-density-ratio (C/N0) bricht ein, die Satellitennachverfolgung reisst ab, die Navigationslösung erlischt: ein klassischer Denial-of-Service [72].

Subtiler und gefährlicher ist das Spoofing. Der Angreifer erzeugt künstliche, hochstrukturierte GNSS-Signale und sendet sie mit leicht höherer Leistung als die echten Satelliten; der Empfänger verrastet auf das Falschsignal und berechnet eine diktierte PVT-Lösung aus Position, Velocity und Time. Das ist der kritischste Vektor, weil er unbemerkte Kursabweichungen und das Hijacking autonomer Systeme erlaubt [74]. Die fortgeschrittenste Variante, der Seamless Takeover, synchronisiert das Falschsignal phasengenau mit dem echten und lenkt die Phase, sobald sie akzeptiert ist, langsam und minimal ab — was die Extended-Kalman-Filter-Sicherungen handelsüblicher Drohnen aushebelt [75].

Eine simplere Spielart ist das Meaconing: authentische Signale werden empfangen, verzögert und andernorts wieder abgestrahlt — ein blosser Replay, der mit einfachen Hardware-Repeatern gelingt [76]. Am oberen Ende der Skala steht die Secure Code Estimation and Replay (SCER), bei der der Angreifer die geheimen Codeanteile in Echtzeit schätzt und repliziert und so sogar künftige Schutzsysteme wie die Navigation Message Authentication und die Spreading Code Authentication herausfordert [77].

6.2 Die Epidemie des Spoofings

Was lange als Staatsfähigkeit galt, ist zur Massenware geworden. Mit frei verfügbarer Software-Defined-Radio-Hardware — eine HackRF-Plattform liegt als Grössenordnung unter 100 Euro — ist GNSS-Spoofing keine exklusive Fähigkeit staatlicher Akteure mehr, und die Review-Literatur benennt diese Demokratisierung ausdrücklich als Treiber der Bedrohung [76], [74]. Die Folgen sind messbar: Forschung dokumentiert eine exponentielle Zunahme massiver Spoofing-Vorfälle in der zivilen Luftfahrt, gehäuft über Konfliktgebieten wie dem Schwarzen Meer und dem Nahen Osten [78].

Die wirksamste Gegenwehr entstand nicht in der Drohne, sondern am Himmel über ihr. Beim Crowdsourcing über ADS-B senden Flugzeuge ihre GNSS-Position samt Signalqualitätsmetriken wie der Navigation Integrity Category (NIC), die eine bodengestützte Infrastruktur fortlaufend auswertet. Das System Crowd-GPS-Sec detektiert Spoofing global in weniger als zwei Sekunden und lokalisiert den Angreifer nach 15 Minuten auf bis zu 150 m genau — ohne jede Änderung an Infrastruktur oder Bordempfängern [79]. Algorithmen durchsuchen die Daten nach abrupten Positionsprüngen, ein Kalman-Filter prüft die abgeleiteten Geschwindigkeiten; überschreitet ein Passagierflugzeug rechnerisch 650 m/s — als Faustregel etwa Mach 2 —, gilt der Punkt als gespooft, und die Schnittmenge der überlagerten Radarhorizonte verortet zudem den Störsender [80]. Dasselbe Prinzip der Querverifikation trägt jenseits der Luftfahrt: Für vernetzte Fahrzeuge gelingt die Detektion über WiFi in rund sechs, über Mobilfunk in rund dreissig Sekunden bei einer Falsch-Positiv-Rate unter 0,01 [81].

6.3 Maschinelles Lernen zur Interferenzdetektion

Der Schritt vom starren Schwellenwert zum lernenden Empfänger verschiebt die Abwehr von der Heuristik zur Statistik. Die Merkmale bleiben dieselben — das C/N0-Verhältnis und das Verhalten der Automatic Gain Control des Vorverstärkers —, doch nun werten Modelle sie im Zusammenhang aus: Support Vector Machines etwa lesen die Signalentropie und unterscheiden die natürliche Signalblockade durch ein Gebäude vom gezielten Jamming [72]. Bedeutsamer für die fliegende Plattform ist, dass diese Intelligenz auf eingebettete Hardware passt. Long-Short-Term-Memory-Netze lassen sich auf Raspberry-Pi-Plattformen und u-blox-EVK-F9P-Sensoren trainieren; sie lernen die zeitlichen Abhängigkeiten normaler Beobachtungscodes im RINEX-Format (Receiver Independent Exchange Format) und verwerfen bei Anomalien selektiv einzelne Frequenzen, statt die gesamte Navigationslösung zu opfern [78].

Die Tiefe der Modelle treibt die Genauigkeit an die Grenze des Messbaren — am aussagekräftigsten dort, wo der Angriff subtil wird und überwachtes Lernen versagt.

PerDet verknüpft dabei Merkmale aus Accelerometer, Gyroskop, Magnetometer, GPS und Barometer: interozeptive Redundanz entlarvt das Falschsignal [84]. Wo die Algorithmik an Grenzen stösst, härtet die Hardware nach — Controlled-Reception-Pattern-Antennen legen per Null-Steering adaptive Nullstellen in die Interferenzrichtung und schätzen über zyklostationäre Verfahren zugleich deren Einfallsrichtung [85].

6.4 SemperFi: aktive Signalrückgewinnung

Alle bisherigen Verfahren teilen eine stille Annahme: Sie detektieren den Angriff, um ihn zu meiden — das gespoofte Signal wird verworfen, die Plattform fällt auf ihre Trägheitsnavigation zurück. SemperFi, entwickelt an der Northeastern University und der ETH Zürich, bricht mit dieser Logik und gewinnt das echte Signal zurück. Zwei Komponenten greifen ineinander, beide für einen Single-Antenna-Empfänger ausgelegt und in der Open-Source-Software GNSS-SDR implementiert.

Der Adversarial Peak Identifier macht den Körper der Drohne zum Verifikationsinstrument. Bei verdächtiger Signalumgebung zwingt SemperFi die Plattform zu einem kurzen, hochdynamischen Flugmanöver. Weil das Falschsignal aus einem einzigen bodengebundenen Sender stammt, verändert sich dessen Phase dabei anders als die der räumlich verteilten echten Satelliten. SemperFi nutzt die exzellente Kurzzeitstabilität der Onboard-IMU und kreuzkorreliert die physisch erfahrenen Beschleunigungsvektoren des Manövers mit den vom gefälschten GPS gemeldeten; eine Divergenz identifiziert den Adversarial Peak zweifelsfrei und kontert gerade den Seamless Takeover [75].

Statt das entlarvte Signal zu verwerfen, aktiviert SemperFi den Legitimate Signal Retriever. Er stützt sich auf Successive Interference Cancellation: Er errechnet eine exakte, invertierte Replik des Falschsignals und addiert sie zum Antennensignal, sodass die Störwelle sich mathematisch auslöscht und das darunter liegende, extrem schwache echte Satellitensignal samt seiner Time-of-Arrival wieder hervortritt [75]. In der kanonischen NDSS-Auswertung genügen Flugmuster von unter 100 m, um den Adversarial Peak zu identifizieren, und die wahre Position wird innerhalb von 0,54 s auf einem Jetson Xavier rekonstruiert — sicher gegen naive wie gegen stealthy Spoofer [75]. Eine frühere Preprint-Fassung nannte abweichende Werte (unter 50 m, rund 10 s), die unterschiedliche Reifegrade spiegeln und nicht zu vermischen sind [86].

Damit vollzieht SemperFi den Paradigmenwechsel, der dieses Kapitel zusammenfasst: von der passiven Detektion zur aktiven, autonomen Signalrückgewinnung in Echtzeit. Der elektronische Schild ist kein blosser Filter mehr, der Falsches abweist, sondern ein Instrument, das die Wahrheit wiederherstellt. Doch dieser Schild orchestriert sich nicht selbst. Welches Manöver wann erzwungen, welche Detektorausgabe wie gewichtet, welcher Sensorquelle im Konfliktfall geglaubt wird — diese Entscheidungen fallen in Sekundenbruchteilen und ohne Funkkontakt zur Bodenstation. Sie verlangen ein urteilsfähiges Gehirn an Bord. Ihm gilt das nächste Kapitel.

7. Das Gehirn an Bord: Lokale KI bis 2036

Die vorangegangenen Kapitel haben die Drohne in ihre Sinne und ihre Stimme zerlegt: das geschichtete Auge der Sensorik, das verdeckte Phased-Array-Mesh, die Abwehr gegen Störung und Täuschung. Doch ein Auge sieht nicht, eine Antenne entscheidet nicht. Über all dem muss eine Instanz wachen, die den Strom der Wahrnehmung deutet, ihn gegen das Missionsziel hält und in jeder Millisekunde befiehlt, was als Nächstes geschieht. Dieses Kapitel beschreibt jene Instanz — das Gehirn an Bord — und schliesst Teil I ab. Trägt die Leitthese, dass die Drohne 2036 ihre Mission auch ohne Funkkontakt zu Ende führt, dann ruht sie nicht auf Sensoren und Antennen, sondern auf der Frage, ob sich Kognition in den Wattbereich eines Fluggeräts zwingen lässt.

7.1 Cognitive Edge Computing: der Bruch mit der Cloud

Jahrzehntelang verlief der Fortschritt in eine Richtung: Daten wandern zum Rechenzentrum, dieses denkt, das Ergebnis kehrt zurück. Für eine Drohne über umkämpftem Gebiet ist das ein Todesurteil. Drei Kräfte erzwingen die Umkehr. Die Latenz — eine Entscheidung über Funk und Cloud kommt zu spät. Die Datensouveränität — Aufklärungsbilder, die das Gerät verlassen, sind kompromittierbar. Und, im militärischen Kontext am schärfsten, die Resilienz gegen elektronische Kriegsführung: Bordeigene Inferenz macht das Fluggerät unabhängig von der Funkverbindung, handlungsfähig unter Jamming und Verbindungsabriss [87]. Was lange ökonomisch begründet schien, wird hier operativ-taktisch.

Die Verschiebung hat eine Zielmarke. Um den Fortschritt der nächsten Dekade zu halten, gilt eine tausendfache Steigerung der Gesamteffizienz — Intelligenz pro Joule — als notwendig; sie ist keine Messung, sondern konsortiale Branchenprognose (Vertrauen C) und zerfällt multiplikativ in Faktor zehn aus Algorithmen, zwanzig aus dem Silizium, fünf aus der Systemarchitektur [88]. Wohin der Weg führt, zeigt eine ehrlichere Diagnose: Bei lokaler Inferenz grosser Sprachmodelle entfallen bis zu neunzig Prozent der Energie nicht auf das Rechnen, sondern auf das Bewegen von Daten [87]. Diesen Engpass greift man an drei Fronten an — Silizium, Speicher, Algorithmik.

7.2 Halbleiter-Evolution

Die erste Front ist das Substrat. Der Übergang vom FinFET zum Nanosheet-Transistor mit Gate-all-around-Struktur eröffnet neue Logikdichte; der 2-Nanometer-Knoten (N2) bildet das Fundament der A-Klasse, darauf folgen A14 mit anderthalb und A10 mit einem Nanometer in den frühen 2030ern. An den Grenzen der Kanallänge wechselt die Architektur zum Complementary FET (CFET), der n- und p-Typ-Transistoren vertikal stapelt; jenseits davon zeichnen sich Kanäle aus zweidimensionalen Materialien unter zehn Nanometern ab. All diese Knoten und Termine stammen aus Hersteller-Roadmaps und sind ausdrücklich Branchenprognose (Vertrauen C) [89], [90].

Die eigentliche Revolution liegt in der dritten Dimension. Wo der monolithische Chip an seine Grenze stösst, treten heterogene 3D-Integration und Chiplets an seine Stelle: spezialisierte Kacheln aus Logik, Rechenwerk und Speicher, durch Hybrid Bonding und Gehäusetechnik wie CoWoS und SoW-X verschmolzen. Die Roadmaps stellen über zweihundert Milliarden Transistoren monolithisch bis 2030 und Multi-Chiplet-Pakete mit mehr als einer Billion Transistoren bis Ende des Jahrzehnts in Aussicht — durchweg Branchenprognose (Vertrauen C) [89], [91]. Daraus folgt für die Drohne ein kompaktes System-on-Chip aus NPU-Chiplets, CPU-Kernen und Speicher — die physische Basis für ein Gehirn im handflächengrossen Formfaktor.

7.3 Überwindung des Von-Neumann-Flaschenhalses

Das schnellste Silizium nützt wenig, solange Daten den weiten Weg zwischen Speicher und Rechenwerk zurücklegen. Ein Zugriff auf externen DRAM kostet als Grössenordnung etwa 640 pJ pro 32-Bit-Wort, eine Multiply-Accumulate-Operation rund 0,9 pJ — der Transfer ist also etwa zweihundertmal teurer als die Rechnung selbst [92]. Die Asymmetrie deckt sich mit der seit Horowitz’ ISSCC-Analyse etablierten Grössenordnung: Klassische Architekturen zahlen den Löwenanteil ihrer Energie fürs Erinnern, nicht fürs Denken.

Drei Antworten greifen ineinander. Die Unified Memory Architecture lässt CPU, GPU und NPU einen gemeinsamen Speicherpool teilen statt Gewichte über einen langsamen Bus zu schaufeln. Radikaler ist Processing-in-Memory: Die Recheneinheit wandert ins Speicherarray, die Vektor-Matrix-Multiplikation geschieht analog im Crossbar — Multiplikation durch das Ohmsche Gesetz, Summation durch die Kirchhoffsche Knotenregel, parallel in einem Takt [93]. Die dritte Antwort ist MRAM: nichtflüchtig, Standby-Strom null. Daraus folgt eine für ein Waffensystem wertvolle Eigenschaft — Instant-On: Die Gewichte verharren im Speicher, das Gehirn erwacht ohne Ladezeit in Millisekunden.

Hier ist Nüchternheit geboten. Branchenreports nennen für analoge In-Memory-Chips Spitzenwerte über 2000 TOPS/W gegenüber 100 bis 300 bei digitalen High-End-GPUs (Vertrauen C) [94] — Werte, die für das Array gelten, nicht für das System. Parasitäre Widerstände im Crossbar verfälschen die ideale gewichtete Summe und verlangen sorgfältiges Mapping [95]; vor allem verschlingt die analog-digitale Wandlung an der Peripherie einen versteckten Energieanteil — gezieltes Pruning kann die ADC-Energie um bis zu 7,13× senken [96]. Der Systemwirkungsgrad liegt damit unter dem Potenzial des Kerns. Diese Ehrlichkeit schützt das Argument.

7.4 Algorithmische Metamorphose

Silizium und Speicher liefern die Bühne. Der grösste Hebel — der Faktor zehn aus der Roadmap — liegt im Algorithmus. Vier Bewegungen formen das Denken so um, dass es in ein Fluggerät passt.

7.4.1 1-Bit- und ternäre Sprachmodelle (BitNet b1.58)

BitNet b1.58 reduziert jeden Gewichtsparameter auf drei Zustände — minus eins, null, plus eins, log₂(3) ≈ 1,58 Bit, daher der Name [97]. Damit ist eine Multiplikation gar keine mehr, sondern Subtraktion, Nulloperation oder Addition: Die energiehungrigen Gleitkomma-Multiplikatoren, das schwerste Bauteil jedes KI-Beschleunigers, werden überflüssig, es bleiben Integer-Additionen. Der Sprung ist nicht mit Genauigkeit erkauft — das Modell erreicht in Perplexität und nachgelagerter Leistung das Niveau eines gleich grossen Volllpräzisions-Transformers und definiert ein eigenes Scaling-Law [97]. Mit BitNet b1.58 2B4T liegt das erste quelloffene native 1-Bit-Modell im Produktionsmassstab vor — zwei Milliarden Parameter, vier Billionen Tokens, ebenbürtig den führenden Volllpräzisionsmodellen seiner Klasse bei deutlich geringerem Speicher, Energie und Decoding-Latenz [98]. Die Engine bitnet.cpp belegt den Gewinn verlustfrei: 2,37× bis 6,17× auf x86, 1,37× bis 5,07× auf ARM [99]. Auf dedizierten ASICs rückt ternäre Milliarden-Parameter-Inferenz unter sieben Watt — in das Budget eines Fluggeräts (Vertrauen C).

7.4.2 State Space Models und Mamba

Mamba ersetzt den Attention-Mechanismus durch selektive State Space Models mit eingangsabhängigen Parametern und einen hardware-bewussten parallelen Scan — linear in der Sequenzlänge, rund fünffacher Durchsatz gegenüber einem Transformer gleicher Grösse [100]. Für das Edge zählt eine Eigenschaft am meisten: Der Inferenzspeicher bleibt konstant, gleichgültig wie lang Mission und Kontext werden. Kein mitwachsender KV-Cache, also keine Speicherüberläufe nach Stunden im Einsatz [100]. Die Grenze: Bei exakten Kopier- und Chain-of-Thought-Aufgaben schwächelt ein Mamba konstanter Grösse, und der Vorteil schwindet, sobald man ihn zwingt mitzuwachsen [101]. Der Goldstandard sind deshalb Hybride — Mamba für den linearen Strom der Wahrnehmung, punktuelle Aufmerksamkeit dort, wo präzises Erinnern zählt.

7.4.3 Liquid Neural Networks

Liquid Neural Networks sind, vom Nervensystem des Fadenwurms C. elegans inspiriert, eine kontinuierliche Unterklasse rekurrenter Netze: Ihre Zeitkonstante hängt vom Eingang ab — bei dichter Information beschleunigt das System seine innere Dynamik, bei spärlicher verlangsamt es [102]. Ihr Zustand entwickelt sich als gewöhnliche Differentialgleichung, was lange ihre Inferenz teuer machte. Der Durchbruch ist die geschlossene Form: Das Closed-form Continuous-time-Modell ersetzt die numerische ODE-Lösung durch eine analytische Näherung und wird ein bis fünf Grössenordnungen schneller in Training und Inferenz — peer-reviewt in Nature Machine Intelligence [103]. Genau diese Familie löst die vision-basierte Drohnen-Navigation aus Rohpixeln robust, wo etablierte rekurrente Modelle versagen — kausale Steuerung über Kurz- und Langstrecke, Verfolgung statischer wie bewegter Objekte [104]. Hinzu kommt ausserordentliche Robustheit gegen Verteilungsverschiebung, und das bei einem Bruchteil der Parameter — prädestiniert für TinyML und missionskritische eingebettete Systeme [102].

7.4.4 Dynamische Kontext-Beschneidung und «Sifting Agents»

Die leiseste Bewegung hält das System geistig sauber. Irrelevante Daten wirken wie kognitives Rauschen — sie senken die Intelligenzdichte und provozieren Halluzination und Reasoning Drift. Dagegen lassen sich extrem schnelle 1-Bit-Filtermodelle vorschalten, sogenannte Sifting Agents, die jedes Fragment auf Relevanz prüfen, bevor es das Reasoning-Modell erreicht; ergänzend komprimieren Verfahren den KV-Cache auf wenige Bit. Diese Werte sind sekundär, als Konzept und Grössenordnung zu führen [87]. Ihr Nutzen für die Drohne ist gleichwohl klar: Ein vorgeschalteter Filter spart Energie und Latenz dort, wo beides knapp ist.

7.5 Neuromorphik und Silizium-Photonik

Jenseits der Algorithmik wartet eine Hardware, die das Rechnen neu denkt. Neuromorphe Schaltungen brechen mit dem globalen Systemtakt: Spiking Neural Networks arbeiten ereignisgesteuert und parallel — ein Neuron feuert und verbraucht Energie nur, wenn sich Information tatsächlich ändert, so wie das Gehirn mit seinen rund zwanzig Watt [93]. Der härteste quantitative Beleg stammt von Intels Loihi 2: Ein co-designtes SNN erreicht im Online-Continual-Learning eine 113-mal geringere Latenz und eine 6600-mal geringere Energie als die stärkste Edge-GPU-Baseline — 0,05 mJ statt 333 mJ pro Inferenz, ein Teil aus der Algorithmik, der Löwenanteil aus dem neuromorphen Hardware-Co-Design [105]. Ebenso entscheidend ist die Sensorik: Eine event-basierte Kamera überträgt nur Pixel mit Kontraständerung — bei statischen Szenen oft weniger als ein Zehntel des Bildes —, was den Verbrauch in den Mikro- bis Milliwattbereich drückt. Loihi hat seine Praxistauglichkeit gezeigt, von Gestenerkennung mit DVS-Kamera bis zur Lokomotion eines sechsbeinigen Roboters [106], [107]. Neuromorphik und Liquid Neural Networks teilen dieselbe Begabung — asynchrone, spärliche Zeitreihen bei minimalem thermischem Budget.

Die Silizium-Photonik gehört an ihren ehrlichen Platz. Wo Kupfer bei hohen Datenraten Energie als Abwärme verliert, überträgt Licht ein Bit für nur 0,05 bis 0,2 pJ — Werte aus der Branche, plausibel in der Grössenordnung, kein Peer-Review (Vertrauen C) [108]. Ihr Nutzen liegt heute primär innerhalb des Gehäuses, in der Bandbreite zwischen Chiplets und Speicher. Für das Fluggerät 2036 gilt der Vorbehalt unmissverständlich: Eine eigenständige Edge-Photonik im Innern der Drohne ist noch kein Serienstand — ein Versprechen fürs nächste Jahrzehnt, kein Bauteil dieses einen.

Abbildung 4: Energie pro Inferenz: neuromorphes Rechnen gegen Edge-GPU (log-Skala). Quelle: Kapitel 7.

7.6 Das KI-Ökosystem der autonomen Plattform 2036

Fügt man die Stränge zusammen, ergibt sich kein Monolith, der alles weiss, sondern ein Ökosystem heterogener Edge-Agenten, jeder für seine Aufgabe geschnitten und mit seiner Hardware verschmolzen. Ein Mamba-basiertes Sprachmodell trägt das übergeordnete Reasoning bei konstantem Speicher [100]. Liquid Neural Networks deuten in Echtzeit den Sensorstrom und führen die kausale Navigation — der einzige direkt belegte Pfad zur vision-basierten Steuerung eines Fluggeräts [104]. Vorgeschaltete 1,58-Bit-Sifting-Agents halten den Kontext sauber und das Wattbudget schlank [97]. Über allem verharren die Gewichte nichtflüchtig im MRAM und im Speicher selbst — Instant-On, Matrixrechnung per Ohmschem Gesetz im Array [93].

Die tragenden Zahlen bündeln sich zu einem stimmigen Wattbudget. Ternäre Milliarden-Parameter-Inferenz läuft unter sieben Watt (Vertrauen C); ein neuromorphes SNN verbraucht 0,05 mJ pro Inferenz und ist damit 6600-mal genügsamer als eine Edge-GPU [105]; die event-basierte Wahrnehmung bewegt sich im Mikro- bis Milliwattbereich; die geschlossene Form der Liquid-Netze spart ein bis fünf Grössenordnungen an Rechenzeit pro Entscheidung [103]. Daraus folgt das Argument dieses Kapitels: Kognition im einstelligen bis niedrigen zweistelligen Wattbereich ist 2036 keine Spekulation, sondern eine belegte Konstellation. Mit ihr steht die Datensouveränität — die sensiblen Daten verlassen das Gerät nicht, die Cloud bleibt allenfalls Trainings-Backbone, die Inferenz ist vollständig an Bord. Genau das macht die Drohne unter Funkstörung handlungsfähig und schliesst die Wirkkette, die diese Studie behauptet.

Das Gehirn ist damit gebaut. Was es noch nicht getan hat, ist zu handeln. Eine Instanz, die im Wattbereich sieht, entscheidet und navigiert, wird erst dann zum Waffensystem, wenn sie das Wahrgenommene benennt: Freund von Feind, Ziel von Tarnung, Mensch von Maschine. Teil II beginnt deshalb dort, wo dieses Kapitel endet — mit der ersten und folgenreichsten Anwendung des bordeigenen Denkens: der automatischen Zielerkennung.

8. Automatische Zielerkennung

Teil I hat die Bausteine vermessen: ein inertiales Rückgrat, ein künstliches Auge, ein funkendes Nervensystem, einen elektronischen Schild und ein Gehirn an Bord. Teil II fügt sie zur Funktionalität zusammen, die diese Studie ins Zentrum stellt. Den Anfang macht jene Fähigkeit, an der sich entscheidet, ob ein Fluggerät ferngelenktes Werkzeug bleibt oder zum eigenständig handelnden Wirksystem wird: die Fähigkeit, ein Ziel selbst zu erkennen.

Klassifikation: Sensorfusion trifft künstliche Intelligenz

Automatische Zielerkennung — im Fachjargon Automatic Target Recognition (ATR) — bezeichnet die maschinelle Detektion, Lokalisierung, Klassifikation und Identifikation militärischer Ziele aus Sensordaten. Sie ist keine gelöste Aufgabe. Für die Radar-basierte Variante existiert bis heute kein geschlossenes theoretisches System, das Sensor, Ziel, Umgebung und Signalverarbeitung vollständig verbände; gerade deshalb gilt tiefes maschinelles Lernen als die praktikable Lösung, die sich durchgesetzt hat [109]. Die generische Verarbeitungskette — von der Detektion über die Merkmalsrepräsentation und den Objektvorschlag bis zur Klassifikation — ist durch lernende Verfahren grundlegend umgewälzt worden; ein Überblick über mehr als dreihundert Arbeiten unterscheidet dabei ein- und zweistufige Detektoren [110].

Die Drohne von 2036 erkennt nicht durch einen einzelnen Sensor, sondern durch deren Verbund. Eine mehrschichtige Kette kombiniert Radar für die weitreichende, wetterunabhängige Erstdetektion mit Infrarotsensoren für die Wärmesignatur und ein hochauflösendes optisches Feintracking für die präzise Verfolgung. Hinzu tritt LiDAR als dreidimensionales Sensorium: Das Forschungssystem LiSWARM erfasste in Feldversuchen Schwärme von 150 bis 500 Fluggeräten mit 98 Prozent Genauigkeit und verfolgte einzelne Flugbahnen im Raum — die Voraussetzung, um Wirkmittel überhaupt einzelnen Zielen zuweisen zu können [111]. Über das in Kapitel 5 beschriebene Mesh lassen sich diese Sensorbilder mehrerer Plattformen zu einer gemeinsamen Lage verschmelzen, ohne dass eine einzige davon ihre Position verriete.

8.2 Bordeigene Zielerkennung ohne Datenlink

Der entscheidende Schritt liegt darin, diese Erkennung an Bord zu vollziehen, ohne Funkverbindung zu einer Auswertestelle. In gestörten Umgebungen ist das keine Bequemlichkeit, sondern Bedingung: Eine Drohne, die ihre Sensordaten erst zur Bodenstation funken müsste, wäre in dem Moment blind, in dem der Gegner den Funk erstickt. Genau hier zahlt das Gehirn aus Kapitel 7 seine Rechnung ein. Die geländereferenzierte Wahrnehmung läuft mit ereignisbasierten Kameras und einem RISC-V-System-on-Chip unter hundert Milliwatt; die kognitive Auswertung ruht auf Architekturen, die für das Wattbudget eines Fluggeräts gemacht sind — ternäre Sprachmodelle, die die Gleitkomma-Multiplikation eliminieren, zustandsbasierte Modelle mit konstantem Speicherbedarf und kontinuierlich-zeitliche Netze, deren geschlossene Form die Inferenz um Grössenordnungen beschleunigt [105]. Dass solche kontinuierlich-zeitlichen Netze die vision-basierte Drohnennavigation robust dort lösen, wo herkömmliche rekurrente Modelle versagen, ist nicht Spekulation, sondern dokumentiert [104].

Die Bilderkennung selbst ruht auf tiefen neuronalen Netzen, die diskriminative Merkmale unmittelbar aus Trainingsdaten lernen, statt sie von Hand zu spezifizieren — auf Radarbildern ebenso wie auf elektrooptischem und Infrarotmaterial [112], [113]. Ihre Achillesferse ist die Datenknappheit: Gemessene Zieldaten sind teuer und selten, weshalb Transferlernen, synthetische Datenerzeugung und Few-Shot-Verfahren das Feld bestimmen [114].

8.3 Kooperative Zielzuweisung im Verbund

Ein Schwarm erkennt nicht nur, er verteilt. Das Problem, welches Glied welches Ziel bekämpft — in der Fachsprache Weapon-Target Assignment —, lässt sich als Markov-Entscheidungsprozess formulieren und mit Verfahren des bestärkenden Lernens lösen, die klassischen Optimierern in Anpassungsfähigkeit und Recheneffizienz überlegen sind [115]. Erweiterte Mehragentenverfahren koppeln Zielzuweisung und Pfadplanung zu kollisionsfreien dreidimensionalen Bahnen in dynamischen Umgebungen und skalieren mit der Schwarmgrösse [116]. Dass kooperierende, sensorisch fusionierende Drohnen in der reinen Flugführung professionelle menschliche Piloten übertreffen können, ist in der Forschung an autonomen Rennen belegt — bei Geschwindigkeiten und Beschleunigungen, die kein Mensch mehr beherrscht [34]. Die für militärische Schwärme berichteten Spitzenwerte von über zweiundzwanzig Metern pro Sekunde und bis zu sieben g sind als Grössenordnung zu lesen, nicht als vermessene Konstante; die Richtung jedoch steht ausser Frage.

8.4 Die Entscheidung zur Wirkung: Autonomiestufen

Erkennung ist nicht Entscheidung. Zwischen dem Augenblick, in dem ein System ein Ziel klassifiziert, und dem Augenblick, in dem es Gewalt anwendet, liegt eine Schwelle, die sich technisch in drei Stufen fassen lässt. Beim human-in-the-loop autorisiert ein Mensch jeden einzelnen Waffeneinsatz. Beim human-on-the-loop überwacht er und kann abbrechen. Beim human-out-of-the-loop wählt und bekämpft das System seine Ziele ohne Eingriff [1]. Die treibende Kraft, die den Menschen aus dieser Schleife drängt, ist die Zeit: Wer die Wirkkette von Stunden auf Sekunden verkürzt, verlagert die Entscheidung zwangsläufig von der menschlichen Reaktionsfähigkeit zur Maschine [117]. Eben darin liegt die Gefahr, dass eine nominelle Aufsicht «über der Schleife» bei verkürzter Kette zur blossen Bestätigungshandlung verkümmert — ein Befund, dem sich Kapitel 14 widmet.

Doch bevor man der Maschine die Entscheidung anvertraut, muss man ihrer Erkennung trauen können — und genau hier liegt die nüchterne Grenze. Bereits geringfügig manipulierte Eingaben, sogar physisch in die Welt eingebrachte Störmuster, führen zuverlässig zu Fehlklassifikationen [118]; ein aufgeklebter Trigger kann einen Klassifikator gezielt täuschen, und solche Hintertüren überstehen mitunter ein erneutes Training [119]. Schwerwiegender noch ist die Domänenlücke: Ein Modell, das auf synthetischen Daten trainiert wurde, generalisiert nicht ohne Weiteres auf gemessene — die Verteilung der Einsatzwirklichkeit ist eine andere als die des Trainings [120]. Diese beiden Schwächen, die physische Täuschbarkeit und die Domänenlücke, sind die technische Substanz des rechtlichen Vorhersehbarkeits- und Unterscheidungsproblems. Eine Drohne, die ihr Ziel autonom wählt, ist nur so verlässlich wie die schwächste Stelle ihrer Wahrnehmung — und diese Stelle lässt sich angreifen. Wie tief die so erkennende und entscheidende Plattform gegen den Verlust ihrer äusseren Stützen abgesichert ist, zeigt das folgende Kapitel.

9. Die ausfallsichere Wirkkette

Dies ist das Kapitel, auf das die Studie zuläuft. Es führt zusammen, was die Navigationskapitel einzeln entfaltet haben, und prüft die Behauptung, die der ganzen Untersuchung ihren Namen gibt: dass die Kampfdrohne des Jahres 2036 so gebaut ist, dass der Verlust ihrer Verbindungen sie nicht aufhält.

9.1 Das Prinzip der gestaffelten Resilienz

Resilienz entsteht hier nicht aus einem unzerstörbaren Sensor, sondern aus einer Leiter von Verfahren, auf der die Drohne abwärts steigt, je feindlicher die elektromagnetische Umgebung wird. Auf der obersten Sprosse navigiert sie wie jedes zivile Gerät: nach dem Satellitensignal. Wird dieses gestört oder gefälscht, greift nicht sofort der Absturz der Ortung, sondern eine aktive Gegenwehr — ein Empfänger, der das Falschsignal durch ein erzwungenes Flugmanöver entlarvt und es anschliessend mathematisch auslöscht, um das echte Signal darunter wieder freizulegen [75]. Versagt auch das, tritt das künstliche Auge an die Stelle des Himmels: Die bildgestützte Trägheitsnavigation misst die Eigenbewegung relativ und driftet nur langsam [23], während die geländereferenzierte Navigation den absoluten Bezug aus der Topografie unter dem Flügel zurückgewinnt — bis in fünftausend Meter Höhe in realen Flugversuchen bestätigt [38]. Auf der untersten Sprosse schliesslich bleibt die reine Trägheit, die keine äussere Quelle mehr braucht.

Abbildung 5: Die ausfallsichere Wirkkette: gestaffelte Navigations-Resilienz. Quelle: Kapitel 9.

Das Entscheidende an dieser Leiter ist, dass keine Sprosse die anderen ersetzt; sie fangen einander auf. Was die Trägheit über die Zeit verliert, gibt das Gelände zurück. Was im offenen Himmel das Satellitensignal leistet, übernimmt in seiner Abwesenheit die gespeicherte Karte. Diese wechselseitige Stützung — in der Fachsprache Sensorfusion — ist das eigentliche Rückgrat der Autarkie.

9.2 Wenn der Mesh schweigt

Hier liegt der Kern der These, und er verlangt eine Unterscheidung, die in der öffentlichen Debatte oft verschwimmt. Das Mesh-Netz aus Kapitel 5, getragen von elektronisch geschwenkten Phased-Array-Antennen, ist abhörarm und störresistent — aber es ist kein Lebensnerv, dessen Durchtrennung die Drohne tötet. Es ist ein Verstärker. Solange es trägt, fusionieren mehrere Plattformen ihre Sensorbilder zu einer überlegenen gemeinsamen Lage; fällt es aus, verliert der Schwarm diese kollektive Schärfe — aber jede einzelne Drohne behält, was sie zum Vollenden ihrer Mission braucht.

Denn der entscheidende Schritt ist bereits in Kapitel 8 vollzogen: Die Zielerkennung geschieht an Bord, ohne Datenlink. Eine Drohne, die ihr Ziel mit eigenen Sensoren und eigener künstlicher Intelligenz erkennt und die ihre Position aus Trägheit und Gelände bezieht, braucht für den Wirkgang weder eine Bodenstation noch ihre Schwarmgefährten. Genau deshalb ist der Kommunikationsausfall, vom Standpunkt des Missionserfolgs aus betrachtet, gleichgültig: Der Gegner kann das Nervensystem stören, doch er stört damit nur die Koordination, nicht die Handlungsfähigkeit. Es ist dieselbe Autonomie, die die Drohne gegen Funkstörung immunisiert und sie zugleich, wie Kapitel 14 zeigt, rechtlich so problematisch macht — die zwei Seiten derselben Medaille.

9.3 Autonome Terminalführung durch Trägheit und Gelände

Am schärfsten zeigt sich die These in der Endphase des Anflugs. Hier zählt nicht die Genauigkeit über Stunden, sondern über die letzten Sekunden. Und über solche kurzen Fenster ist selbst die reine Inertialnavigation bemerkenswert genau: Ein kalibriertes taktisches Sensorarray driftet über einen dreissigsekündigen Ausfall des Satellitensignals im Mittel nur 1,85 Meter [10]. Eine Drohne, die ihr Ziel im Endanflug optisch erfasst hat und es mit ereignisbasierter, mikrosekundenschneller Bildverarbeitung verfolgt, braucht in diesem Fenster keine äussere Ortung mehr. Die Trägheit überbrückt die Sekunden, das Auge führt ins Ziel. Der Funkausfall, der eine ferngelenkte Drohne in diesem Moment blind und unbrauchbar machte, berührt die autonome Plattform nicht.

9.4 Sensorfusion als Rückgrat

Technisch ruht dieses Zusammenspiel auf einer Architektur, die seit Jahrzehnten den Goldstandard hochwertiger Navigation bildet: ein inertiales Kernsystem, das über einen Kalman-Filter fortlaufend alle verfügbaren Stützquellen — Satellitensignal, bildgestützte und geländereferenzierte Ortung — zu einer einzigen, lückenlosen Zustandsschätzung verrechnet [3]. Das Inertialsystem liefert die driftarme Kurzzeitstabilität, die Stützverfahren den absoluten Langzeitbezug. Fällt eine Quelle aus, gewichtet der Filter die verbleibenden um; kehrt sie zurück, integriert er sie wieder. Die Leiter aus Abschnitt 9.1 ist damit kein starres Umschalten, sondern ein gleitender Übergang, den der Filter in jedem Augenblick neu austariert.

9.5 Das Fehlerbudget über eine vollständige Mission — und die ehrliche Grenze

Es wäre ein Leichtes, die These hier triumphierend zu schliessen. Die Strenge verlangt das Gegenteil. Reine Inertialnavigation ist prinzipiell instabil: Ihr Positionsfehler wächst mit der Zeit, und er täte es selbst dann, wenn die Sensoren vollkommen wären, weil die Methode Fehler über die Zeit integriert [2]. Quanten- und kaltatomare Sensoren werden die Fehlerquellen verkleinern, doch die prinzipielle Drift heben sie nicht auf. Wie weit ein inertiales Rückgrat driftet, lässt sich analytisch beziffern: Geschlossene Modelle leiten den Positionsfehler aus Flugdauer, Geschwindigkeit, Rauschamplitude und Driftkennwerten des Kreisels her und verankern ihn an der zivilen Navigationsanforderung RNP-10 — wobei korrekterweise das Maximum, nicht das Minimum der Allan-Abweichung als Driftmass dient [20].

Daraus folgt die wahre Gestalt der These. Die ausfallsichere Wirkkette funktioniert nicht, weil reine Trägheit unbegrenzt trüge — das tut sie nicht —, sondern weil sie nie lange auf sich allein gestellt bleiben muss. Über Minuten und Stunden verankert das Gelände die Drohne immer wieder neu; über die letzten Sekunden des Wirkgangs ist die Drift kleiner als der Zielradius. Die Kette reisst genau dann, wenn beides zusammenkommt: ein langer Flug über konturlosem Gelände — über offener See, über Wüste —, auf dem die geländereferenzierte Stützung versagt und die reine Trägheit unwidersprochen davondriftet. Eben darum modifizieren vorausschauende Bahnplaner die Route so, dass die Drohne Gebiete mit hohem topografischem Informationsgehalt überfliegt [35]. Die Resilienz ist real, aber sie ist erarbeitet — eine Eigenschaft des Systementwurfs, nicht ein Geschenk der Physik. Mit dieser Einschränkung, und nur mit ihr, trägt die Leitthese.

10. Der autonome Schwarm als Waffensystem

Die ausfallsichere Wirkkette des vorigen Kapitels beschreibt die einzelne Drohne. Ihre volle militärische Bedeutung entfaltet sie erst im Verbund. Der Schwarm ist nicht die Summe seiner Drohnen, sondern ein eigenständiges Waffensystem mit Eigenschaften, die keine Einzelplattform besitzt — und mit einer Verwundbarkeit, die geringer ist als die jeder ihrer Komponenten.

10.1 Verteilte Intelligenz und Formationsflug

Ein Schwarm ist robust, weil er kein Zentrum hat. Wo eine einzelne Plattform mit dem Ausfall ihres Flugrechners verloren ist, übersteht der Schwarm den Verlust einzelner Glieder, ohne seine Aufgabe aufzugeben — vorausgesetzt, die Intelligenz ist verteilt und nicht in einem Knoten gebündelt. Genau dies leisten Verfahren des Mehragenten-Verstärkungslernens: Drohnen, die visuelle und inertiale Daten teilen, fliegen in dichter Formation, antizipieren die aerodynamischen Turbulenzen ihrer Nachbarn und weichen Kollisionen proaktiv aus, statt nachträglich zu reagieren. Dass autonome Agenten in der reinen Flugführung an die physikalischen Grenzen gehen und dabei menschliche Piloten übertreffen, ist für den Einzelflug belegt [34]; für den kooperativen Verband zeigen skalierbare Lernverfahren, dass sich diese Leistung auf wachsende Schwarmgrössen übertragen lässt [121].

10.2 Selbstorganisation, Rollenverteilung und Cluster Heads

Ein Verband, der sich nicht zentral steuern lässt, muss sich selbst organisieren. Die Funknetze aus Kapitel 5 liefern dafür die Grundlage: Routing-Protokolle wählen anhand eines kombinierten Masses aus Distanz, Geschwindigkeit, Verbindungsqualität und Restenergie laufend optimale Knotenpunkte — Cluster Heads —, über die der Verkehr gebündelt wird, und ersetzen sie, sobald einer ausfällt [122]. Die programmierbare Datenebene macht das Netz darüber hinaus vorausschauend: Sie sammelt im Flug Telemetrie über Signalstärke, Rechnerlast und Position jeder Drohne und sagt drohende Verbindungsabbrüche voraus, bevor sie eintreten, um den Verkehr präventiv umzuleiten [50]. Hierarchische Lernverfahren bewältigen schliesslich das exponentiell wachsende Entscheidungsproblem grosser Verbände, indem sie Makro-Aktionen und menschliche Vorgaben verbinden [123]. Der Schwarm verteilt nicht nur seine Intelligenz, er verwaltet seine eigene Struktur.

10.3 Sättigungsangriffe und Magazintiefe

Aus dieser Architektur erwächst die taktisch gefährlichste Eigenschaft des Schwarms: seine Fähigkeit zum Sättigungsangriff. Eine Verteidigung, die ein einzelnes Ziel sicher bekämpft, wird wirkungslos, wenn zwanzig oder zweihundert Ziele gleichzeitig einlaufen — nicht, weil sie ungenau würde, sondern weil ihr die Zeit und die Geschosse ausgehen. Der Schwarm verwandelt Quantität in eine qualitativ neue Bedrohung. Diese Logik kehrt das alte Kostenverhältnis von Angriff und Verteidigung um: Auf der Angreiferseite stehen viele billige, ersetzbare Glieder, auf der Verteidigerseite wenige teure Effektoren mit begrenzter Magazintiefe. Die ökonomische Tiefe dieses Missverhältnisses — und die Versuche der Verteidigung, ihm mit Flächenwirkung und kostengünstigen Abfangmitteln zu begegnen — ist Gegenstand der Kapitel 11 und 12.

10.4 Stealth-Schwarm und verdeckte Sensorfusion

Die anspruchsvollste Ausprägung verbindet die Verteiltheit des Schwarms mit der Unsichtbarkeit aus Kapitel 5. Über abhörarme Phased-Array-Richtstrahlen bilden mehrere Plattformen ein verdecktes Mesh, in dem sie hochauflösende Radardaten, elektrooptische Zielbilder und Sensormetriken in Echtzeit zu einer gemeinsamen Lage verschmelzen — ohne dass eine von ihnen ihre Position preisgäbe. Verteiltes Beamforming, bei dem der Schwarm als ein einziges virtuelles Antennenarray wirkt, erweitert dabei nicht nur die Reichweite, sondern lässt sich gezielt zur Abwehr von Lauschern einsetzen: Mit eingespeistem künstlichem Rauschen erreicht kooperatives Beamforming bis zur doppelten abhörsicheren Datenrate gegenüber herkömmlichen Verfahren [70]. Der Stealth-Schwarm sieht mehr als jede einzelne Drohne und zeigt zugleich weniger — er ist die kollektive Verkörperung der ausfallsicheren Wirkkette. Ihm gegenüber steht nun der Verteidiger, dessen Antworten der dritte Teil dieser Studie vermisst.

11. Das Wettrüsten der Abwehr: Bekämpfung von Drohnenschwärmen

Die ersten beiden Teile dieser Studie haben eine Waffe beschrieben, die im Idealfall keinen Funkkontakt mehr braucht: Sie erkennt ihr Ziel an Bord, navigiert über Visual-Inertial Odometry und Inertialsensorik weiter, wenn jede Verbindung abreisst, und stimmt sich verdeckt über ein Phased-Array-Mesh ab. Genau das macht sie zum schwierigsten aller Gegner. Eine Verteidigung, die auf das Stören des Funks setzt, greift ins Leere, sobald der Schwarm im Radio Silence fliegt; wer den Operator-Link kappt, trifft eine Drohne, die längst keinen Operator mehr hat. Die Abwehr muss deshalb andere Wege gehen — physikalische statt logischer, solche, die den Flugkörper unabhängig von seiner Software erreichen. Dieses Kapitel kartiert das technische Schlachtfeld dieser neuen Abwehr; das folgende vermisst ihre Ökonomie.

11.1 Die asymmetrische Bedrohungslandschaft

Das Problem beginnt bei der Physik der Ziele. Drohnen der unteren Klassen sind «Low, Slow, Small» — sie fliegen tief, langsam und klein, werfen kaum eine Infrarotsignatur ab und besitzen einen Radarquerschnitt (RCS), der sie für klassische Luftverteidigungsradare beinahe unsichtbar macht. Dazu ihre Manövrierfähigkeit und ein Stückpreis, der eine FPV-Drohne in den Bereich weniger hundert Dollar drückt. Diese Kombination ist physikalisch und ökonomisch zugleich schwer zu bekämpfen [124].

Der gefährlichere Begriff ist der echte Schwarm. Er ist dezentral organisiert, kennt keinen Single Point of Failure und tauscht Telemetrie- und Zieldaten autonom über ein Ad-hoc-Mesh aus. Sein Zweck ist der Sättigungsangriff: nicht der einzelne Treffer, sondern die schiere Zahl, die jede punktuelle Verteidigung temporär überlastet [124], [125]. Analysten sprechen vom «zweiten Drohnenzeitalter» — einer Epoche, in der billige, intelligente Masse die Annahme dauerhafter Luftüberlegenheit verdrängt [126], [127]. Die Verteidigung steht damit vor einer doppelten Aufgabe: viele Ziele zugleich zu treffen, und es bezahlbar zu tun.

11.2 Elektromagnetische Verwundbarkeit unbemannter Systeme

Die Achillesferse dieser Maschinen liegt nicht in ihrer Aerodynamik, sondern in ihrer Elektronik. Kommerzielle Drohnen werden nach zivilen EMC-Standards mit einer Immunitätsschwelle von lediglich 10 V/m zertifiziert — ein Wert, der bereits von urbanen Mobilfunkfeldern mit bis zu 61 V/m überschritten wird [128]. In der Absorberkammer zeigt sich, was das bedeutet: Ab etwa 30 V/m setzt kritische Fluginstabilität ein, der unkontrollierte Absturz folgt; gegenüber einer Basisstation mit 40 dBW ERP bleibt nur ein sicherer Betriebsabstand von rund 20 m [128].

Entscheidend ist, wie die Drohne fällt. Sie stürzt nicht, weil ihre Halbleiter durchbrennen, sondern weil ihre Flugsteuerung paralysiert wird. Ein induziertes differentielles Rauschen verletzt die logischen Schwellenwerte im PWM-Signal zwischen Flight-Controller und Drehzahlsteller (ESC); der bevorzugte Koppelpfad sind die internen Kabelbäume, die als unbeabsichtigte Empfangsantennen wirken — das sogenannte Back-Door-Coupling. Dieser Effekt greift lange, bevor irgendein Junction Burnout einsetzt [129]. Die Forschung zu Intentional Electromagnetic Interference (IEMI) ordnet das Feld weiter: in leitungs- gegen strahlungsgebundene Kopplung, in Front-Door (über die Antenne) gegen Back-Door (über Kabel und Gehäusespalten), und sie benennt die Sensormodule als bevorzugtes Angriffsziel [130], [131]. Die Drohne hört also auf zu fliegen, bevor sie aufhört zu funktionieren — und genau hier setzt die Mikrowellenwaffe an.

11.3 Hochleistungsmikrowellen (HPM/HPEM): Flächenwirkung gegen Schwärme

Die Hochleistungsmikrowelle (High-Power Microwave, HPM) koppelt elektromagnetische Energie direkt in die Schaltkreise — unabhängig von Softwarearchitektur, Kommunikationsprotokoll oder Autonomiegrad. Das ist ihr strategischer Trumpf: Sie wirkt auch gegen den funkstillen, gegen Jamming immunen Schwarm, weil sie nicht die Kommunikation angreift, sondern die Physik der Elektronik [132]. Als Referenz dient eine Quelle bei 2,45 GHz im ISM-Band, gewählt wegen der Hohlraummagnetron-Effizienz von 65 bis 75 Prozent und weil diese Wellenlänge die geometrische Resonanz typischer UAV-Leitungen trifft. Besonders verräterisch sind die ESC-Signalleitungen: Mit 5 bis 8 cm liegen sie in Halbwellenresonanz und nehmen die fünf- bis zehnfache Spannung anderer Leitungslängen auf [132].

Die quantitative Last dieses Abschnitts trägt eine Monte-Carlo-Simulation über 10 000 Durchläufe. Im Dauerstrichbetrieb (Continuous Wave, CW) mit 25 kW liegt die Kill-Wahrscheinlichkeit bei 51,4 ± 1,0 Prozent auf 20 m und fällt auf 13,1 ± 0,7 Prozent auf 40 m. Schaltet man auf gepulsten Betrieb mit 500 kW Spitzenleistung bei 1 Prozent Duty Cycle — die mittlere Leistung bleibt mit 5 kW thermisch beherrschbar —, wächst die 90-Prozent-Kill-Reichweite von etwa 18 m auf rund 88 m [132]. Der eigentliche Vorteil gegenüber dem Laser ist die Geometrie: Der Strahlkegel misst bei 30 m etwa 7,5 m im Durchmesser und erfasst mehrere Drohnen zugleich — das senkt die Anforderung an präzises mechanisches Nachführen drastisch. Diese Flächenwirkung hat ihren Preis in Sicherheitszonen: Beim 25-kW-CW-Betrieb reicht der Ausschluss nach ICNIRP 2020 für Personal 72 m, für Zivilbevölkerung 161 m in Strahlrichtung [132].

Abbildung 6: Hochleistungsmikrowelle gegen Schwärme: Wirkung über Distanz. Quelle: Kapitel 11.

Dass solche Pulse technisch erzeugbar sind, ist experimentell belegt: Eine MILO-Quelle (Magnetically Insulated Transmission Line Oscillator) liefert 3-GW-Pulse im L-Band bei 10 bis 15 Prozent Leistungseffizienz — eine Blaupause für fahrzeug- oder UAV-montierte Mikrowellenwaffen [133]. Strategisch exzelliert die HPM gegen Elektronik und Schwärme und ist atmosphärisch robuster als der Laser, leidet aber unter begrenzter Reichweite und der Möglichkeit, dass der Gegner seine Elektronik härtet [134]. Industriell stehen Diehl Defences HPEM-Effektor SkyWolf, eingebettet in das modulare System Sky Sphere, sowie die US-Referenzprogramme AFRL THOR und sein Nachfolger Mjölnir und der GaN-Festkörperstrahler Epirus Leonidas, der ausdrücklich als Schwarmabwehr vermarktet wird (sämtlich Herstellerangaben beziehungsweise etabliertes Branchenwissen ohne unabhängige Bestätigung, Vertrauensstufe C) [135].

11.4 Hochenergielaser (HEL): Physik der Ablation und Systemstand

Wo die Mikrowelle in die Schaltung kriecht, brennt der Hochenergielaser (High-Energy Laser, HEL) Material weg. Sein Nahinfrarot-Strahl (1,06 bis 1,55 µm) wird in mikrometertiefer Schicht absorbiert; die Wärme leitet weiter, schmilzt, verdampft, und bei extremer Leistungsdichte entsteht Plasma [136]. Die Wirkung hängt entscheidend vom Werkstoff ab. Aluminiumlegierungen reflektieren das NIR-Licht anfangs stark und leiten die Wärme gut ab, stellen sich dadurch zäh: Die Durchdringung einer 2 mm starken Hülle verlangt etwa 44,4 kJ, und erst jenseits von 10 kW/cm² perforiert der Strahl in Sekunden [137]. Kohlefaserverbund (CFRP) verhält sich gegenteilig — er absorbiert hervorragend, leitet die Wärme quer aber kaum, sodass ein lokalisierter thermischer Runaway die Epoxidmatrix verdampft. Das Laminat versagt durch Delamination und Spallation, das Abplatzen ganzer Schichten, deutlich schneller als Metall [138].

Der Systemstand ist real, aber bescheidener als das Marketing nahelegt. Rheinmetall und MBDA haben einen 20-kW-Marinedemonstrator über mehr als ein Jahr auf der Fregatte «Sachsen» unter rauen See-Bedingungen erprobt; die Marine-Einsatzbereitschaft wird für 2029 avisiert [139], [140]. EOS gibt für seinen landgestützten Apollo eine Skalierbarkeit von 50 bis 150 kW an (Herstellerangabe, Stufe C) [141]; die US Navy erprobte mit dem 30-kW-System LaWS bereits die Grundlagen. Als etabliertes Branchenwissen ohne Peer-Review (Stufe C) gelten Rafaels Iron Beam (~100 kW), das britische DragonFire (~50 kW) und Lockheed Martins HELIOS (~60 kW). Über alle Bauarten hinweg besitzen Fiberlaser den höchsten Reifegrad für die operative Stationierung [136].

11.5 Das Schwarm-Dilemma des Lasers

So sauber der Laser ein einzelnes Ziel zerlegt, so deutlich versagt er vor der Masse. Sein fundamentales Defizit ist die Sequentialität: Jeder Effektor bekämpft zu jedem Zeitpunkt genau ein Ziel [142]. Jedes davon fordert eine Verweilzeit (Dwell Time) — bei 50 kW etwa 1,3 s gegen eine Klasse-1-Drohne, bis zu 4,4 s gegen eine der Klasse 2 [141]. Hinzu tritt eine paradoxe Kinematik: Nähert sich der Schwarm, sinkt zwar die nötige Dwell Time, doch der Winkelabstand zwischen den Drohnen wächst, und die Zeit zum Umschwenken (Slew Time) steigt drastisch. Slew und Dwell summieren sich, bis der Sättigungsschwarm sein Ziel erreicht, bevor er vollständig vernichtet ist [137]. Selbst bei mitkommender Optik bliebe der Energiespeicher der Plattform die Grenze — er, nicht die Laserleistung allein, bestimmt die Magazintiefe gegen Schwärme [143]. Dazu die Atmosphäre: Feuchtigkeit, Regen und Nebel dämpfen das Infrarot, und der Laser heizt die durchquerte Luft so weit auf, dass sie ihn wie eine schlechte Linse defokussiert — Thermal Blooming [136], [137].

Die Antwort der Forschung ist nicht mehr Leistung, sondern klügere Zielwahl. Die NPS-Engagement-Studie formuliert Strategien gegen die Sequentialität: Prioritize Proximity greift das Nächste zuerst an, Take Out the Shooter die bewaffneten Knoten, Focus on Information Nodes die Mesh-Relais, und Maximize Soft Kill blendet Sensoren, statt Strukturen zu zerstören. Die richtige Strategie reduziert den Erfolg heterogener Decoy-Attacken erheblich [137]. Der Schluss ist nüchtern: Gegen sehr grosse Schwärme braucht es Mehrfach-Laser — die Abhängigkeit von einer einzigen, monolithischen Strahlwaffe scheidet aus [142].

11.6 Kinetische und hybride Abwehr

Wo Energie an ihre Grenzen stösst, kehrt die Materie zurück. Die kinetische Abwehr setzt erstens auf Interzeptor-Drohnen, die den Gegner im Flug stellen. Ihr Durchbruch heisst Image-Based Visual Servoing (IBVS): Es entkoppelt die Drohnendynamik von der Kameraausrichtung und kombiniert sie mit Proportional Navigation Guidance und einem verzögerten Kalman-Filter gegen die Bildverarbeitungslatenz. In Simulation erreicht das Verfahren eine Treffergenauigkeit (CEP) von 0,089 m, real über 80 Prozent Abfangerfolg bei Wind unter 4 m/s und eine Endgeschwindigkeit von 20 m/s [144]. Jüngere Arbeiten dehnen die Reichweite: Eine Planar-Sector-LOS-Lenkung fängt agile Ziele unter realem Wind auf bis zu 138 m ab [145]. In den Markt übersetzt sind das Diehls elektrisch endphasengelenkte CICADA, das DLR-Projekt CUSTODIAN, das den Gegner durch Rammstoss ausschaltet [146], sowie — als Stufe-C-Systeme — der bis 290 km/h schnelle MARSS-Interzeptor [135] und die US-Pendants Coyote und Roadrunner.

Aus diesen Interzeptoren formt sich eine neue Architektur, die der Masse des Schwarms mit Masse begegnet: das containerisierte Loitering-Magazin. Abwehrdrohnen warten am Boden in wetterfesten Startbehältern; erkennt die Frühwarnung den anfliegenden Schwarm und schätzt seine Stärke, löst ein bedrohungsangepasster Salvenstart genau so viele Fänger aus, wie Ziele anfliegen. Diese steigen nicht sofort zum Angriff, sondern gehen in einen Loitering-Modus, vernetzen sich über ein Mesh-Funknetz und teilen die Ziele dezentral unter sich auf — jede Drohne nimmt sich genau einen Angreifer vor, Doppelbelegungen und Eigenkollisionen löst der Verband selbst auf, ohne zentrale Instanz und resilient gegen den Ausfall einzelner Knoten [147], [148]. Erst im richtigen Moment, wenn das zugewiesene Ziel in die optimale Abfanggeometrie eintritt, stösst der Fänger mit bildbasierter Endphasenlenkung zu [144]. Real zeichnet sich das in wiederverwendbaren, behälter-gestarteten Interzeptoren der Coyote- und Roadrunner-Klasse ab. Das Bemerkenswerte: Diese Methode wendet die Stärken der autonomen Drohne gegen sie selbst — sie wirkt mechanisch und damit EW-unabhängig, sie braucht kein Signal vom funkstillen Ziel, und durch Mesh statt zentraler Steuerung ist sie selbst gegen Störung gehärtet.

Zweitens lebt die klassische Flak wieder auf, programmierbar gemacht. Rheinmetalls Skynex feuert 35-mm-AHEAD-Munition (Advanced Hit Efficiency And Destruction): Das Mündungssystem misst die Geschwindigkeit jedes Projektils und überträgt induktiv die exakte Zündzeit, sodass sich die Granate kurz vor dem Abfangpunkt zerlegt und 152 schwere Wolfram-Subprojektile als kegelförmige Wolke ausstösst (Herstellerangabe, Stufe C) [149]. Gegen dicht fliegende Formationen ist ein einziger gut platzierter Feuerstoss dem sequentiellen Laser überlegen.

11.7 Elektronische Kriegsführung als Abwehr

Die billigste Abwehr bleibt die elektronische. RF-Jamming übersättigt den Operator-Link bei 2,4 oder 5,8 GHz, GNSS-Spoofing überlagert das GPS-Signal — beides treibt die Drohne in ihren Fail-Safe-Modus, in Schwebeflug, Landung oder Return-to-Home, zu sehr geringen Kosten und über grosse Flächen [124]. Doch hier liegt die absolute Grenze der elektronischen Kriegsführung, und sie deckt sich genau mit der Leitthese dieser Studie: Ein Schwarm, der optisch und inertial navigiert und im Radio Silence fliegt, ist gegen RF-Jamming immun [124]. Wer keinen Funk braucht, dem nimmt das Stören des Funks nichts.

Eine subtilere Konter-Taktik richtet sich sogar gegen die Mikrowellenwaffe selbst. Ein vorausgeschicktes Vanguard-UAV — eine «movement-to-contact» — löst die HPM-Waffe aus und warnt damit, auch bei totalem Kommunikationsausfall, die nachfolgenden Drohnen. Denn die HPM verrät sich durch ihre eigene zerstörende Strahlung mit einer detektierbaren Signatur, die billige attritable Drohnen ausnutzen können [150]. Die Abwehr, die alles trifft, was elektronisch ist, wird so von ihrer eigenen Wirkung verraten.

11.8 Detektion und Tracking: LiDAR-Schwarmaufklärung

Keine dieser Waffen wirkt, was sie nicht zuvor gesehen hat — und gerade das Sehen ist gegen LSS-Schwärme schwierig. Radar verwechselt Kunststoffdrohnen mit Vögeln und Clutter, passive RF-Scanner versagen vor funkstillen Verbänden [124]. LiDAR umgeht beides: Es tastet die Szene mit Nahinfrarot-Pulsen bei 905 oder 1550 nm ab, detektiert über Avalanche-Photodioden und Time-to-Digital-Wandler und liefert tageslichtunabhängig hochauflösende 3D-Punktwolken [151]. Das System LiSWARM verbindet diese Daten mit einem prioritätsbewussten Clustering, neuronaler Objekterkennung und Trajektorien-Tracking. In Feldexperimenten an zwei Drohnen-Lightshows mit 150 und 500 UAVs erreichte es bis zu 98 Prozent Erkennungsgenauigkeit bei zuverlässiger Einzeltrajektorien-Verfolgung; die Skalierbarkeitsanalyse reicht bis 15 000 Drohnen [152]. Diese Punktwolken sind die Voraussetzung dafür, einen Interzeptor präzise in den Schwarm zu lenken und HPM oder HEL optimal zuzuweisen — ohne saubere Detektion bleibt jede Effektorwahl ein Schuss ins Dunkle [152].

Damit ist das technische Arsenal der Abwehr beschrieben: von der elektromagnetischen Flächenwaffe über den chirurgischen Laser und die kinetische Drohne bis zum sehenden LiDAR. Ausgeblendet blieb die Frage, die über Sieg und Niederlage am Ende vielleicht stärker entscheidet als jede Kill-Wahrscheinlichkeit: Was kostet ein Abschuss — und wer geht im Tausch von Masse gegen Masse zuerst das Geld aus? Das nächste Kapitel wendet sich der Ökonomie dieser Abwehr zu.

12. Die Ökonomie des Krieges der Maschinen

Das vorige Kapitel hat gezeigt, dass die Abwehr autonomer Schwärme technisch lösbar ist — mit Mikrowellen, die ganze Formationen treffen, mit Lasern, die Aluminium in Sekunden durchschmelzen, mit Interzeptoren, die ihr Ziel im Anflug rammen. Doch die Frage, ob eine Waffe funktioniert, ist nicht die Frage, ob sie sich lohnt. Eine Patriot-Rakete vernichtet eine Shahed mit nahezu vollständiger Sicherheit; sie tut es zu einem Preis, der die Drohne tausendfach übersteigt. Über den Wert eines Abwehrsystems entscheidet darum nicht seine Trefferquote, sondern eine Bilanz — und in dieser Bilanz haben sich Angriff und Verteidigung im zweiten Drohnenzeitalter auf den Kopf gestellt.

12.1 Cost-per-Kill und das Kostenkalkül der Sättigung

Die zentrale Kennzahl dieses Krieges heisst Cost-per-Engagement: was es kostet, ein einzelnes anfliegendes Ziel auszuschalten. Eine vergleichende Modellrechnung, die neunzehn C-UAS-Systeme anhand berichteter Konfliktdaten aus den Jahren 2022 bis 2026 und einer Monte-Carlo-Simulation bewertet, kommt zu einem ernüchternden Befund: Diese Kennzahl spreizt sich über mehr als fünf Grössenordnungen — vom Bruchteil eines Cents bis zu mehreren Millionen Dollar pro Abschuss [153]. Die Zahlen entstammen einem nicht peer-reviewten Preprint und sind als Schätzung zu lesen, nicht als Messung; ihre Grössenordnung aber deckt sich mit dem, was unabhängige Beobachter aus den jüngsten Konflikten berichten.

Abbildung 7: Die Ökonomie der Abwehr: Cost-per-Engagement (Modellrechnung, log-Skala). Quelle: Kapitel 12.

(Werte als Modellschätzung nach [153]; nicht peer-reviewt.)

In dieser Tabelle steckt die ganze Asymmetrie des Konflikts. Der Jammer ist mit gut einem Cent pro Einsatz fast umsonst — und gegen einen funkstillen, optisch navigierenden Schwarm der neuesten Generation wirkungslos. Der Laser schiesst für den Gegenwert eines Kaffees, kann aber zu jedem Zeitpunkt nur ein einziges Ziel halten. Und der Lenkflugkörper, der praktisch jedes Ziel trifft, ruiniert den Verteidiger, sobald die Ziele in Schwärmen kommen. Die Modellrechnung berichtet ein Kosten-Austausch-Verhältnis von bis zu 190:1 zu Ungunsten der Verteidigung, wenn eine mehrere Millionen teure Boden-Luft-Rakete eine Drohne im dreistelligen Dollarbereich abfängt [153].

Daraus folgt eine eigene Logik des Angriffs. Der Sättigungsangriff zielt nicht zuerst auf Zerstörung, sondern auf Erschöpfung: Er soll das Magazin und das Budget des Verteidigers ausbluten, indem er ihn zwingt, teuer auf billig zu antworten, bis ihm die teuren Mittel ausgehen [153], [127]. Die Drohnenmasse wird zur ökonomischen Waffe — eine, die nicht durch ihre Wirkung im Ziel siegt, sondern durch die Rechnung, die sie der Gegenseite aufzwingt.

12.2 Magazintiefe und Nachladbarkeit

Genau hier verschiebt sich die entscheidende Grösse — weg von der Trefferquote, hin zur Magazintiefe: wie viele Ziele ein System bekämpfen kann, bevor es leerläuft, und wie schnell es wieder gefüllt ist. Beim Hochenergielaser ist dieses Magazin nicht durch Munition begrenzt, sondern durch Strom. Modellrechnungen für schiffsgestützte Laser zeigen, dass nicht die Laserleistung selbst, sondern der Energiespeicher der Plattform die Zahl der Abschüsse gegen einen Schwarm deckelt [143]. Ein Laser mag billig schiessen — doch wenn die Speicher leer sind, schiesst er gar nicht mehr, und gegen die nachrückende zweite Welle steht er stumm.

Damit rückt ein Faktor ins Zentrum, der auf keinem Datenblatt eines Effektors steht: die Industrie. Anhaltende Konflikte belohnen jene Staaten, die im Massstab produzieren, reparieren und nachladen können — sei es 155-mm-Munition, Interzeptoren oder FPV-Bausätze [127]. Die Magazintiefe eines Landes ist nicht die Zahl der Raketen in seinen Bunkern, sondern die Geschwindigkeit, mit der seine Fabriken sie ersetzen. Wer schneller nachlädt als der Gegner verbraucht, gewinnt das Ausdauerduell — unabhängig davon, welches System im einzelnen Gefecht überlegen ist. Magazintiefe und Nachladefähigkeit zusammen werden so zur strategischen Grösse, an der sich die Tragfähigkeit jeder Abwehrarchitektur entscheidet.

12.3 Die ökonomische Umkehrung von Angriff und Verteidigung

Jahrzehntelang galt die Luftverteidigung als das teure Geschäft: ausgefeilte Abfangraketen gegen wenige, kostbare Angreifer. Die Drohne hat dieses Verhältnis invertiert. Nun steht billige Masse gegen teure Präzision — und der Verteidiger ist der Teure. Diese Umkehrung lässt sich jedoch ein zweites Mal umkehren. Die Interzeptor-Drohne, für rund 3 500 USD zu haben, bricht die nachteilige Kostenkurve auf: Sie stellt der gegnerischen Masse eine eigene, vergleichbar billige und beliebig skalierbare Masse entgegen [153]. Masse gegen Masse, zu Preisen derselben Grössenordnung — das ist die ökonomische Antwort auf den Schwarm.

Subtiler, aber ebenso folgenreich ist die Vanguard-Ökonomie der gerichteten Energie. Eine Mikrowellenwaffe verrät sich durch ihre eigene Wirkung: Die zerstörenden Mikrowellen erzeugen eine detektierbare Signatur. Ein billiges, verlierbares Vorhut-UAV kann diese Abwehr durch blosse Annäherung auslösen und den nachfolgenden Drohnen ihre Position melden — selbst bei totalem Funkausfall, ganz ohne den teuren Apparat koordinierten Schwarmverhaltens [150]. Die Stärke der Hochenergiewaffe, ihre durchschlagende physikalische Wirkung, wird so zu ihrer ökonomischen Schwäche: Sie bezahlt jeden Schuss mit einer Verräter-Signatur, die der Gegner für ein paar tausend Dollar ausnutzt.

Die Synthese aus diesen Befunden ist eindeutig — und sie ist eine Absage an die Suche nach der einen Wunderwaffe. Kein Einzelsystem trägt die Last allein: Der Laser scheitert an der Sequentialität, die Rakete am Preis, der Jammer an der Autonomie der Ziele, die Mikrowelle an ihrer eigenen Signatur. Tragfähig ist allein ein diversifiziertes Portfolio, eine gestaffelte Luftverteidigung, in der jedes Mittel das tut, was es am günstigsten kann [125], [134]. Hochvolumige Schwärme gehören vor die Rohre der Flak und in den Kegel gerichteter Energie, wo der einzelne Abschuss fast nichts kostet; die teuren Raketeninterzeptoren bleiben den High-Value-Zielen vorbehalten — Marschflugkörpern, Kampfflugzeugen —, für die sich ihr Preis rechnet [134]. Nicht die fehlerfreie Waffe entscheidet, sondern die kluge Orchestrierung vieler unvollkommener: Sensorfusion, gerichtete Energie, elektronische Kampfführung und kinetische Interzeptoren, im Netzwerk zusammengeführt.

Damit schliesst sich der technische Bogen, und ein grösserer öffnet sich. Wenn die Abwehr der Maschine am Ende eine Frage der Bilanz ist, dann ist sie keine rein militärische mehr — sie berührt das Industrielle, das Strategische und, sobald Maschinen über Leben und Tod nach Kostenkurven entscheiden, das Rechtliche und Ethische. Diesen weiteren Fragen wendet sich die abschliessende Diskussion zu.

13. Diskussion: Konvergenz zur Drohne 2036

Die vorangegangenen Kapitel haben Disziplinen vermessen, die sich lange getrennt entwickelten. Die Diskussion fügt sie zu einem Bild zusammen, prüft, wie reif dieses Bild wirklich ist, und führt es in einer Missionsdarstellung vor — ehe sie die Grenzen der eigenen Methode benennt.

13.1 Das Zusammenspiel der vier Säulen

Die autonome Kampfdrohne des Jahres 2036 ruht auf vier Säulen, deren Wert nicht in ihrer Einzelleistung liegt, sondern in ihrer Verschränkung. Die Navigation (Kapitel 3, 4, 6) liefert die Verortung, die kein Gegner abschalten kann, weil sie sich von der äusseren Stütze bis zur reinen Trägheit staffelt. Das Gehirn (Kapitel 7) macht aus Sensordaten Entscheidungen, und es tut dies im Wattbereich an Bord, nicht in einer fernen Cloud. Die Kommunikation (Kapitel 5) verbindet die Plattformen zu einem Schwarm, dessen verdeckte Richtstrahlen die Vernetzung der feindlichen Aufklärung entziehen. Und die Wirkung (Kapitel 8, 9, 10) verschmilzt diese drei zur Fähigkeit, ein Ziel autonom zu erkennen und zu bekämpfen.

Erst die Konvergenz erzeugt die Eigenschaft, die diese Studie ihre Leitthese nennt. Eine Drohne mit hervorragender Navigation, aber ohne bordeigene Erkennung bliebe ein ferngelenktes Geschoss. Eine Drohne mit brillanter künstlicher Intelligenz, aber ohne resiliente Ortung wäre im gestörten Raum blind. Die ausfallsichere Wirkkette ist eine Systemeigenschaft, kein Bauteil — sie entsteht aus dem Zusammenspiel, und sie zerfällt, sobald eine Säule fehlt.

Abbildung 8: Konvergenz der vier Säulen zur autonomen Kampfdrohne 2036. Quelle: Kapitel 13.

13.2 Technologie-Reifegrade und verbleibende Engpässe

Eine ehrliche Synthese unterscheidet das Erprobte vom Erhofften. Hoch reif und vielfach belegt sind die taktischen MEMS-Inertialsensoren, die bildgestützte Trägheitsnavigation einschliesslich ereignisbasierter Kameras, die geländereferenzierte Navigation bis in grosse Flughöhen, die aktive Abwehr von Satellitentäuschung sowie die effizienten KI-Architekturen — ternäre Sprachmodelle, zustandsbasierte Modelle und kontinuierlich-zeitliche Netze —, deren Drohnentauglichkeit in begutachteten Arbeiten dokumentiert ist [34], [75], [104]. Auch auf der Abwehrseite sind die physikalischen Kernwerte von Hochleistungsmikrowellen, bildgestützten Interzeptoren und LiDAR-Schwarmaufklärung verifiziert.

Noch unreif oder projiziert sind dagegen mehrere Bausteine, die in der öffentlichen Darstellung gern als gegeben gelten. Kaltatomare Inertialsensoren existieren als kompakte Demonstratoren, nicht als Serienbauteil. Die spektakulären Energieeffizienzwerte analoger In-Memory-Rechenwerke gelten für das Speicherarray, nicht für das Gesamtsystem mit seiner Wandlerperipherie. Silizium-Photonik bewegt Daten innerhalb von Rechenpaketen, nicht im Fluggerät. Und auf der Abwehrseite ruhen viele genannte Systeme — von Iron Beam über DragonFire bis zu den Mikrowellenwaffen einzelner Hersteller — auf Industrieangaben, nicht auf unabhängiger Vermessung. Der grösste verbleibende Engpass ist kein einzelnes Bauteil, sondern die Verlässlichkeit der Wahrnehmung unter gegnerischer Täuschung: Domänenlücke und physische Störmuster bleiben die ungelöste Achillesferse autonomer Zielerkennung (Kapitel 8).

13.3 Szenario 2036: eine Mission im verweigerten Raum

Um das Zusammenwirken greifbar zu machen, sei eine Mission skizziert — ausdrücklich als konstruierte Illustration, die ausschliesslich auf den in dieser Studie belegten Werten beruht, nicht als Bericht eines realen Ereignisses.

Ein Verband von zwölf Plattformen startet in der Dämmerung. Bis zur Grenze des umkämpften Gebiets navigiert er nach dem Satellitensignal, vernetzt über schmale, kaum abzuhörende Richtstrahlen im Ku-Band. Mit dem Eintritt in den verweigerten Raum beginnt der Gegner zu stören. Das Satellitensignal kippt zuerst — nicht durch plumpes Rauschen, sondern durch eine präzise Täuschung, die langsam die gemeldete Position verschiebt. Der Bordempfänger antwortet, wie es Kapitel 6 beschreibt: Er zwingt jede Drohne zu einem kurzen Ausweichmanöver, erkennt aus der Diskrepanz zwischen träger Beschleunigung und gemeldetem Kurs die Fälschung und stellt binnen einer halben Sekunde die wahre Position wieder her [75]. Wo die Täuschung zu stark wird, verwirft der Filter das Satellitensignal ganz und steigt eine Sprosse tiefer: auf die bildgestützte und geländereferenzierte Navigation, die den Verband entlang einer Route führt, die ein vorausschauender Bahnplaner bewusst über konturenreiches Gelände gelegt hat.

Dann erlischt der Funk. Eine breitbandige Störung zerschneidet das Mesh; der Verband verliert seine gemeinsame Lage. Für eine ferngelenkte Formation wäre dies das Ende. Für diesen Schwarm ist es eine Unannehmlichkeit. Jede Drohne trägt ihr Ziel bereits an Bord — erkannt von eigener Sensorik, klassifiziert von eigener künstlicher Intelligenz im einstelligen Wattbereich. Sie navigiert weiter aus Trägheit und Gelände, und im Endanflug, über die letzten Sekunden, genügt die reine Inertialnavigation: Ihre Drift bleibt in diesem Fenster unter zwei Metern [10], während die ereignisbasierte Kamera das Ziel mit mikrosekundenschneller Schärfe ins Visier zieht. Der Verlust der Kommunikation hat die Koordination gekostet, nicht die Wirkung.

Der Verteidiger, dessen Mittel Kapitel 11 vermisst, steht vor der unangenehmsten Variante der Bedrohung: einem funkstillen, autonom navigierenden Schwarm, gegen den elektronische Störung wirkungslos bleibt. Ihm bleiben die Flächenwaffe der Hochleistungsmikrowelle, die mehrere Glieder zugleich erfasst, und die programmierbare Splitterwolke der Flak — Mittel, deren Ökonomie über Sieg oder Erschöpfung entscheidet (Kapitel 12).

13.4 Grenzen der Studie und offene Forschungsfragen

Diese Untersuchung ist eine Synthese der Literatur, kein Experiment. Ihre Aussagekraft endet, wo ihre Quellen enden. Ein Teil der Leistungswerte — besonders auf der Industrie- und Abwehrseite — stammt aus Herstellerangaben und nicht begutachteten Modellrechnungen; sie sind als solche gekennzeichnet und tragen weniger Gewicht als die verifizierten Kernzahlen. Die Projektion auf 2036 verlängert dokumentierte Kurven, doch sie kann Brüche nicht vorhersehen: einen Durchbruch in der Quantensensorik ebenso wenig wie eine völkerrechtliche Ächtung, die Entwicklungslinien abschneidet. Offen bleiben vor allem drei Fragen, die diese Studie stellt, aber nicht beantwortet: Wie verlässlich wird autonome Zielerkennung unter gezielter Täuschung jemals sein? Wie weit lässt sich die Magazintiefe der Abwehr ökonomisch gegen die Masse des Schwarms aufrüsten? Und wer trägt die Verantwortung, wenn die ausfallsichere Wirkkette das Falsche trifft? Die letzte dieser Fragen führt aus der Technik hinaus — und in das folgende Kapitel.

14. Rechtliche, ethische und sicherheitspolitische Einordnung

Was die vorangehenden Kapitel als technisch machbar beschrieben haben — eine Drohne, die Ziele an Bord erkennt, sich verdeckt vernetzt und die Mission auch im Funkschatten allein zu Ende trägt —, verschiebt die entscheidende Frage von der Ingenieurkunst zur Norm. Eine Waffe, die selbst auslöst, wirft Probleme auf, die kein Datenblatt löst: Wer unterscheidet Kombattant und Zivilist, wenn die Unterscheidung in einem Netz aus Gewichten geschieht, wer haftet für den Irrtum der Maschine, und was bedeutet es für die Stabilität zwischen Staaten, wenn über Leben und Tod im Sekundentakt Software entscheidet? Dieses Kapitel ordnet die Technik in das geltende Recht, die ethische Debatte und die Sicherheitspolitik ein — abwägend und ohne die nüchterne Gegenposition zu verschweigen.

14.1 Autonome Waffensysteme und das Völkerrecht

Schon der Begriff ist umstritten. «Autonome Waffensysteme» (Lethal Autonomous Weapon Systems, LAWS) besitzen keine konsentierte völkerrechtliche Definition; konkurrierende Auslegungen sind oft weniger Ergebnis technischer Analyse als geopolitischer Diskurse, die divergierende KI-Verständnisse in strategische Aktiva umdeuten und so gemeinsame Standards erschweren [154]. Als Arbeitsdefinition hat sich die funktionale Bestimmung des Internationalen Komitees vom Roten Kreuz durchgesetzt: Systeme, die nach ihrer Aktivierung «Ziele auswählen und Gewalt anwenden, ohne menschliches Eingreifen», ausgelöst durch Sensorinformation und ein generalisiertes «target profile», ohne dass der Nutzer das konkrete Ziel, den Zeitpunkt oder den Ort noch kennt [1]. Sie knüpft an die geläufige Taxonomie an — human-in-the-loop (der Mensch autorisiert jeden Einsatz), human-on-the-loop (er überwacht, kann abbrechen), human-out-of-the-loop (das System wählt und bekämpft ohne Eingriff) — und benennt die letzte Stufe als das eigentlich Problematische.

Das humanitäre Völkerrecht (HVR) gilt für solche Systeme uneingeschränkt: Das erste der elf Leitprinzipien der CCW-Expertengruppe stellt klar, es gelte «weiterhin vollständig für alle Waffensysteme, einschliesslich der potenziellen Entwicklung und Nutzung von LAWS» [155]. Daraus folgen die drei Kardinalpflichten — Unterscheidung zwischen Kombattanten und Zivilisten, Verhältnismässigkeit (kein zum militärischen Vorteil exzessiver Kollateralschaden) und Vorsicht im Angriff —, deren Vereinbarkeit mit einer autonomen Zielwahl nach generalisierten Profilen rechtsdogmatisch als bestenfalls begrenzt gilt [156]. Hinzu tritt die prozedurale Pflicht aus Art. 36 des I. Zusatzprotokolls, bei Entwicklung und Beschaffung neuer Waffen, Mittel oder Methoden zu prüfen, ob deren Einsatz völkerrechtswidrig wäre — vom CCW-Prinzip (e) bekräftigt [155]. Wo das Vertragsrecht schweigt, greift die Martens’sche Klausel mit ihrem Schutz durch die «Grundsätze der Menschlichkeit» und die «Forderungen des öffentlichen Gewissens»; sie liefert normative Orientierung, taugt wegen ihrer Abstraktheit aber nicht als eigenständige Rechtsgrundlage [157] und wirkt vor allem als ethisches Scharnier — dort, wo die ICRC vor dem Ersetzen menschlicher Leben-und-Tod-Entscheidungen durch «Sensor-, Software- und Maschinenprozesse» warnt [1].

Hier setzt das Konzept der Meaningful Human Control (MHC) an, zentrales Thema der CCW-Debatte, weil es die Verantwortungslücke (accountability gap) adressiert — jenes Problem, dass für die Fehlhandlung einer autonomen Maschine womöglich niemand haftet. Sein Status im HVR bleibt unklar: Systematische Auslegung verankert die MHC über Art. 36 und Art. 57 ZP I, doch verhindern die Vorbehalte einzelner Grossmächte eine einheitliche Staatenpraxis; «persistent objectors» sind diese Mächte gleichwohl nicht, da sie menschliche Kontrolle nicht ausdrücklich ablehnen [157]. Dagegen hält das CCW-Prinzip (b), menschliche Verantwortung müsse über den «gesamten Lebenszyklus» erhalten bleiben, «da Verantwortung nicht auf Maschinen übertragen werden kann» [155]. Wie sie zu operationalisieren wäre, ist umstritten — etwa über eine klare Funktionsallokation zwischen Mensch und Maschine [158]; eine pointierte Gegenposition bezweifelt, dass echte Kontrolle im Gefecht überhaupt möglich sei, und schlägt «Meaningful Human Certification» vor, womit sich die Verantwortung auf Test und Freigabe vor dem Einsatz verschöbe [159].

Die Primärdokumente zeichnen den Verhandlungsstand nach. Das ICRC empfahl am 12. Mai 2021 neue rechtlich bindende Regeln auf drei Säulen: erstens ein Verbot unvorhersehbarer autonomer Waffen, deren Wirkung sich nicht hinreichend verstehen lasse und die deshalb unterschiedslos wirkten; zweitens ein Verbot ihres Einsatzes gegen Menschen; drittens eine Regulierung aller übrigen Systeme über Beschränkungen von Zieltypen, Dauer, Umfang und Einsatzlage sowie Anforderungen an die Mensch-Maschine-Interaktion (wirksame Aufsicht, rechtzeitiges Eingreifen, Deaktivierbarkeit) [1]. Die CCW-Gruppe affirmierte 2019 ihre elf Guiding Principles, die das ICRC als «nützliche Basis» eines wirksamen normativen und operativen Rahmens würdigte [160]. Den vorläufigen Höhepunkt markiert die Resolution A/RES/78/241 der UN-Generalversammlung vom 22. Dezember 2023, die erste eigenständige Befassung des Gremiums mit LAWS: Sie bekräftigt die Anwendbarkeit des Völkerrechts — UN-Charta, HVR, Menschenrechte —, äussert Besorgnis über mögliche Folgen für globale Sicherheit und internationale Stabilität und beauftragt den Generalsekretär, die Auffassungen der Staaten einzuholen [161]. Verbindliche Verbotsnormen sind daraus bislang nicht erwachsen.

14.2 Proliferation und die Demokratisierung der Präzision

Die zweite Verschiebung ist ökonomischer Natur. Software-defined Radio und Consumer-Drohnen senken die Eintrittsschwelle zur Präzisionswirkung so weit, dass einst Grossmächten vorbehaltene Fähigkeiten in die Reichweite kleiner Akteure rücken. Sichtbar wird das an einer dramatischen Kostenasymmetrie: First-Person-View-Drohnen sind ab 300 bis 500 USD zu haben, die Interzeptoren zu ihrer Abwehr liegen im Millionenbereich. Aus jüngeren Konflikten werden Kosten-Austausch-Verhältnisse bis 190:1 zuungunsten des Verteidigers berichtet [153]. Diese Zahlen sind als Konfliktbeobachtungen zu lesen, nicht als peer-reviewte Messung — ihre Grössenordnung jedoch erklärt die Triebkraft hinter der Massenverbreitung autonomer Präzision. Ohne internationale Koordination drohen Kontrollverlust und ein Wettlauf nach unten [162].

Gegen die Dramatisierung ist eine nüchterne Korrektur angebracht. Die Aufmerksamkeit für die letale Autonomie sei überzeichnet; faktisch nutzten Streitkräfte künstliche Intelligenz bislang vor allem zur Datenverarbeitung und zur Beschleunigung des Targeting — als Verstärkung der Aufklärung, nicht als autonomer Schütze [117]. Das deckt sich mit dem Befund, dass vollständig selbstregierende, der menschlichen Kontrolle entzogene Waffen «eher eine konzeptuelle Möglichkeit als militärische Realität» sind und der Diskurs Gefahr läuft, an Imaginären statt an realen Systemen zu hängen [154]. Die regulatorische Aufgabe besteht mithin darin, eine absehbare Entwicklung zu antizipieren, ohne sie vorwegzunehmen.

14.3 Eskalationsdynamik und strategische Stabilität

Die dritte Verschiebung betrifft die Stabilität zwischen Staaten — und schliesst den Bogen zur menschlichen Kontrolle. Selbst wo ein Mensch nominell «on the loop» bleibt, verkümmert seine Aufsicht bei einer auf Sekunden verkürzten Kill Chain zur blossen Bestätigung. Operatoren neigen dazu, Maschinenausgaben überzuvertrauen — der Automatisierungs-Bias —, was die Kontrolle gerade in zeitkritischen Schleifen untergräbt [158]; die Verlagerung der Verantwortung auf Test und Freigabe beschreibt das Gefecht ehrlicher als die Vorstellung wirksamer Echtzeit-Aufsicht [159].

Der eigentliche Treiber dieser Entwicklung ist die Reaktionszeit. Die maschinelle Wahrnehmungs-Entscheidungs-Schleife schliesst in Millisekunden, während der Mensch für dasselbe — wahrnehmen, entscheiden, handeln — Bruchteile einer Sekunde bis zu mehreren Sekunden braucht. Diese Asymmetrie um Grössenordnungen erzeugt den Sog zur vollautonomen, out-of-the-loop arbeitenden Drohne: Wo der Anflug schneller ist als die menschliche Kognition, erscheint die Maschine als die Einzige, die rechtzeitig handeln kann. Genau hier liegt die normative Pointe. Dass die Maschine schneller erkennen und vorschlagen kann, rechtfertigt nicht, ihr auch die Freigabe der Gewalt zu überlassen; die Geschwindigkeit ist ein Argument für die maschinelle Beschleunigung der Aufklärung, nicht für die Abschaffung der menschlichen Entscheidung über Leben und Tod. Wirksame menschliche Kontrolle über die Wirkung bleibt deshalb eine bewusste Setzung gegen den Sog der Reaktionszeit — kein technischer Normalzustand, sondern eine zu verteidigende Entscheidung [159], [1].

Auf strategischer Ebene erhöht das die Gefahr unbeabsichtigter Eskalation. KI-augmentierte konventionelle Systeme zählen zu den strategischen nicht-nuklearen Waffen, die das nukleare Stabilitätskalkül verschieben [163]. Zwischen Nuklearmächten kann maschinelle Beschleunigung das Risiko ungewollter Eskalation steigern — über das Sicherheitsdilemma, den «fog of war» und doktrinäre Fehldeutungen, die sich im verkürzten Zeitfenster nicht mehr korrigieren lassen [164]. Als Gegenmittel bietet sich die «asymmetric arms control» an, die Stabilitätsrisiken neuer Technologien mindert, sofern die Begriffe von Rüstungskontrolle und strategischer Stabilität an die veränderte Lage angepasst werden [165]. Dass die Gefahr keine rein sicherheitspolitische ist, unterstreicht das ICRC, wenn es die «Gefahren der Konflikteskalation» als Folge des Kontrollverlusts anführt — die Brücke zwischen rechtlichem und strategischem Argument [1].

Damit verbindet sich die normative Debatte mit der technischen Achillesferse der vorangehenden Kapitel. Die Domänenlücke zwischen Trainings- und Einsatzverteilung und die Anfälligkeit für physische Adversarial-Angriffe sind genau das, was die ICRC-Empfehlung mit «unvorhersehbaren» Waffen meint: Ein System, dessen Fehlklassifikation sich nicht zuverlässig vorhersagen lässt, kann die Pflicht zur Unterscheidung nicht erfüllen. Das Vorhersehbarkeitsproblem des Rechts ist damit kein abstrakter Vorbehalt, sondern die juristische Kehrseite eines messbaren Ingenieurproblems — der Boden für das Fazit, das technische Machbarkeit und normative Grenze zusammenführt.

15. Fazit und Ausblick

15.1 Kernergebnisse

Diese Studie hat den Stand der Technik in sieben Disziplinen vermessen und zu einem Systembild verdichtet. Drei Befunde tragen das Ergebnis. Erstens ist die Autarkie der Navigation keine Vision mehr: Taktische MEMS-Inertialsensoren, bildgestützte und geländereferenzierte Verfahren sowie die aktive Abwehr von Satellitentäuschung sind einzeln erprobt und fügen sich zu einer gestaffelten Ortung, die der Gegner nicht vollständig abschalten kann. Zweitens ist das Gehirn an Bord Realität geworden: Ternäre Sprachmodelle, zustandsbasierte Modelle und kontinuierlich-zeitliche Netze bringen kognitive Leistung in das Wattbudget eines Fluggeräts, und für die vision-basierte Drohnennavigation ist dies unmittelbar belegt. Drittens hat die Abwehr auf die so entstehende, funkstille Bedrohung noch keine wohlfeile Antwort: Sie muss zu Flächenwaffen und kostengünstigen Interzeptoren greifen, deren Wert sich weniger an ihrer Physik als an ihrer Ökonomie entscheidet.

15.2 Die ausfallsichere Wirkkette — Bewertung der Leitthese

Die Leitthese hat der Prüfung standgehalten, aber nicht in ihrer naiven Form. Es ist nicht so, dass reine Trägheit den Verlust aller äusseren Stützen beliebig lange ausgliche — sie tut es nicht, denn ihre Drift wächst unaufhaltsam [2]. Wahr ist das Genauere und Interessantere: Die Kampfdrohne des Jahres 2036 ist so entworfen, dass sie nie lange genug auf eine einzige Quelle angewiesen ist, als dass deren Ausfall die Mission bräche. Die bordeigene Zielerkennung macht den Datenlink für den Wirkgang entbehrlich; die gestaffelte Navigation fängt den Ausfall jeder einzelnen Sprosse durch die nächste auf; und über die wenigen Sekunden des Endanflugs ist selbst die reine Trägheit genau genug. Der Verlust der Mesh-Kommunikation über die Phased-Array-Antennen kostet den Schwarm seine kollektive Schärfe — aber nicht seine Handlungsfähigkeit. In genau diesem Sinn, und nur in ihm, spielt der Kommunikationsausfall keine Rolle mehr. Die Resilienz ist real, doch sie ist erarbeitet: eine Eigenschaft des Systementwurfs, die dort reisst, wo ein langer Flug über konturlosem Gelände die geländereferenzierte Stützung verweigert.

15.3 Ausblick auf 2036 und darüber hinaus

Die Entwicklungslinien zeigen in eine Richtung, in der die Eintrittsschwelle weiter fällt und die Autonomie weiter steigt. Was heute Spitzenforschung ist — ereignisbasiertes Sehen, ternäre Modelle, neuromorphe Recheneinheiten —, wird bis 2036 zur eingebetteten Selbstverständlichkeit, so wie die satellitengestützte Navigation es binnen einer Generation wurde. Damit verschiebt sich die entscheidende Frage von der technischen Machbarkeit zur Beherrschbarkeit. Die nüchterne Einordnung der Forschung mahnt, die letale Vollautonomie nicht vorschnell als gegeben zu behandeln: Militärisch dient künstliche Intelligenz bislang vor allem der Beschleunigung des Zielprozesses, nicht der vollständigen Entmündigung des Menschen [117]. Ob das so bleibt, ist keine technische, sondern eine politische und rechtliche Entscheidung — und sie duldet keinen Aufschub, denn die Technik wartet nicht. Die ausfallsichere Wirkkette ist gebaut. Die Frage des Jahres 2036 ist nicht, ob sie funktioniert, sondern wer ihre Hand am Auslöser behält.

Anhang A — Abkürzungs- und Akronymverzeichnis

Anhang B — Glossar der Schlüsseltechnologien

Ausfallsichere Wirkkette. Leitbegriff dieser Studie: das Systemprinzip, eine Kampfdrohne so zu entwerfen, dass der Ausfall einzelner Stützquellen (Satellitensignal, Funk, Schwarm) die Mission nicht bricht, weil bordeigene Zielerkennung und gestaffelte Eigennavigation einander auffangen.

Event-Kamera. Neuromorpher Bildsensor, dessen Pixel asynchron und unabhängig nur auf lokale Helligkeitsänderungen reagieren. Liefert Mikrosekunden-Latenz, rund 140 dB Dynamikumfang und praktisch keine Bewegungsunschärfe — die physikalische Antwort auf die klassischen Grenzen frame-basierter Wahrnehmung.

Flying Ad-Hoc Network (FANET). Selbstorganisierendes, infrastrukturfreies Funknetz zwischen Drohnen, geprägt von dreidimensionaler Mobilität, schnellen Topologiewechseln und intermittierender Konnektivität.

Geländereferenzierte Navigation (TRN). Absolute Ortung durch Abgleich der gemessenen Topografie unter dem Fluggerät mit gespeicherten Höhenmodellen — unabhängig vom Satellitensignal, am stärksten über konturenreichem Gelände.

Inertialnavigation (INS/IMU). Navigation allein aus gemessener Beschleunigung und Drehrate, ohne äussere Referenz; prinzipiell immun gegen Störung und Täuschung, aber mit der Zeit driftend.

LPI/LPD-Wellenform. Funkübertragung mit geringer Abfang- und Entdeckungswahrscheinlichkeit, erreicht durch schmale Richtstrahlen, Frequenzsprung und Spreizung, sodass das Signal im Rauschen verschwindet.

Meaningful Human Control (MHC). Völkerrechtlich-ethisches Leitkonzept, das wirksame menschliche Kontrolle über die Entscheidung zum Waffeneinsatz fordert und die Verantwortungslücke autonomer Systeme adressiert.

Multifunction Advanced Data Link (MADL). Abhörarmer Stealth-Datenlink der fünften Generation, der mehrere Tarnkappenplattformen zu einem verdeckten Mesh verbindet.

Phased-Array-Antenne. Flächige Anordnung vieler Strahlerelemente, deren Hauptstrahl durch computergesteuerte Phasenverschiebung in Mikrosekunden elektronisch geschwenkt wird — ohne mechanische Bewegung.

Processing-in-Memory (PIM). Rechenarchitektur, die die Berechnung in das Speicherarray verlagert und so den Von-Neumann-Flaschenhals umgeht; analoge Crossbars führen Vektor-Matrix-Multiplikationen in einem Takt aus.

SemperFi. Anti-Spoofing-Architektur für Drohnen, die ein Falschsignal durch ein erzwungenes Flugmanöver entlarvt und es anschliessend durch sukzessive Störunterdrückung mathematisch auslöscht, um das echte Satellitensignal zurückzugewinnen.

Ternäres Sprachmodell (BitNet b1.58). Neuronales Netz, dessen Gewichte nur die Werte −1, 0 und +1 annehmen; eliminiert die Gleitkomma-Multiplikation und macht Milliarden-Parameter-Inferenz im einstelligen Wattbereich möglich.

Visual-Inertial Odometry (VIO). Fusion von Kamerabildern und Inertialdaten zur relativen Eigenbewegungsschätzung; bildet zusammen mit der geländereferenzierten Navigation das künstliche Auge der Drohne.

Quellenverzeichnis

[1] International Committee of the Red Cross — ICRC position on autonomous weapon systems. 12.05.2021. https://www.icrc.org/en/document/icrc-position-autonomous-weapon-systems

[2] Wright, M.; Anastassiou, L.; Mishra, C.; Davies, J.; Phillips, A. M.; Maskell, S.; Ralph, J. F. — Cold atom inertial sensors for navigation applications. Frontiers in Physics 10:994459, 2022. DOI 10.3389/fphy.2022.994459. https://doi.org/10.3389/fphy.2022.994459

[3] El-Sheimy, N.; Youssef, A. A. — Inertial sensors technologies for navigation applications: state of the art and future trends. Satellite Navigation 1:2 (Springer Open), 2020. DOI 10.1186/s43020-019-0001-5. https://doi.org/10.1186/s43020-019-0001-5

[4] Langfelder, G.; Bestetti, M.; Gadola, M. — Silicon MEMS inertial sensors evolution over a quarter century. J. Micromech. Microeng. 31(8):084002, 2021. DOI 10.1088/1361-6439/ac0fbf. https://doi.org/10.1088/1361-6439/ac0fbf

[5] GuideNav — What Are the Key Strengths and Limitations of the STIM300 MEMS IMU? Blog (Herstellerangabe; STIM300 & GUIDE730). https://guidenav.com/blog/what-are-the-key-strengths-and-limitations-of-the-stim300-mems-imu/

[6] Advanced Navigation — Inertial Measurement Unit (IMU) – An Introduction. Tech-Article (Herstellerangabe; Motus-Kennwerte). https://www.advancednavigation.com/tech-articles/inertial-measurement-unit-imu-an-introduction/

[7] Analog Devices — Precision Tactical Grade MEMS IMU Delivers Breakthrough System Level Advancements for Positioning and Navigation Applications. Investor/Press Release (Herstellerangabe; ADIS16490). https://investor.analog.com/news-releases/news-release-details/precision-tactical-grade-mems-imu-delivers-breakthrough-system/

[8] Safran Navigation & Timing — MEMS Accelerometers und MS1000 Datasheet (Datenblattangabe; Colibrys MS1000). https://safran-navigation-timing.com/solution/mems-accelerometers/ ; https://www.safran-group.com/sites/default/files/2022-04/safransensingtechnologies-30sms1000f0921.pdf

[9] LIDAR Magazine — SBG Systems Unveils World’s First MEMS-Based Gyrocompassing IMU. 1. April 2025 (Fachpresse/PR; < 1° Heading, < 150 g, 2 W, GNSS-frei). https://lidarmag.com/2025/04/01/sbg-systems-unveils-worlds-first-mems-based-gyrocompassing-imu/

[10] Xuan, J.; Zhu, T.; Peng, G.; Sun, F.; Dong, D. — A Review on the Inertial Measurement Unit Array of Microelectromechanical Systems. Sensors 24(22):7140, 2024. DOI 10.3390/s24227140. https://doi.org/10.3390/s24227140

[11] Han, S.; Meng, Z.; Omisore, O. M.; Akinyemi, T. O.; Yan, Y. — Random Error Reduction Algorithms for MEMS Inertial Sensor Accuracy Improvement — A Review. Micromachines 11(11):1021, 2020. DOI 10.3390/mi11111021. https://doi.org/10.3390/mi11111021

[12] Lv, J.; Zhu, F.; Zhang, X. — Overcoming the Intrinsic Performance Limitations of MEMS IMU via Diffusion-Based Generative Learning. arXiv:2605.16391, 2026. DOI 10.48550/arXiv.2605.16391. https://arxiv.org/abs/2605.16391

[13] State-of-the-Art and Development Trends of Inertial Navigation Systems Based on the Ring Laser Gyroscopes. Eco-Vector Journals Portal, 2024. https://journals.eco-vector.com/1993-7296/article/view/642242

[14] Carr, K.; Greer, R.; May, M. B.; Gift, S. — Navy testing of the iXBlue MARINS Fiber Optic Gyroscope (FOG) Inertial Navigation system (INS). IEEE/ION PLANS 2014. DOI 10.1109/plans.2014.6851515. https://doi.org/10.1109/plans.2014.6851515

[15] Heckman, D. W.; Baretela, L. M. — Improved affordability of high precision submarine inertial navigation by insertion of rapidly developing fiber optic gyro technology. IEEE PLANS 2000. DOI 10.1109/plans.2000.838332. https://doi.org/10.1109/plans.2000.838332

[16] Xu, H.; Wang, L.; Zu, Y.; Gou, W.; Hu, Y. — Application and Development of Fiber Optic Gyroscope Inertial Navigation System in Underground Space. Sensors 23(12):5627, 2023. DOI 10.3390/s23125627. https://doi.org/10.3390/s23125627

[17] Dell’Olio, F.; Natale, T.; Wang, Y.-C.; Hung, Y.-J. — Miniaturization of Interferometric Optical Gyroscopes: A Review. IEEE Sensors Journal 23(23), 2023. DOI 10.1109/jsen.2023.3327217. https://doi.org/10.1109/jsen.2023.3327217

[18] Fang, J.; Qin, J. — Advances in Atomic Gyroscopes: A View from Inertial Navigation Applications. Sensors 12(5):6331, 2012. DOI 10.3390/s120506331. https://doi.org/10.3390/s120506331

[19] Lee, J. et al. — A compact cold-atom interferometer with a high data-rate grating magneto-optical trap and a photonic-integrated-circuit-compatible laser system. Nature Communications 13, 2022. DOI 10.1038/s41467-022-31410-4. https://doi.org/10.1038/s41467-022-31410-4

[20] Wheeler, J. M.; Chamoun, J. N.; Dangui, V.; Digonnet, M. J. F. — Analytic Method for Estimating Aircraft Fix Displacement from Gyroscope’s Allan-Deviation Parameters. arXiv:2202.09360 (eess.SY), 2022. DOI 10.48550/arXiv.2202.09360. https://arxiv.org/abs/2202.09360

[21] Surace et al. — An Evaluation of MEMS-IMU Performance on the Absolute Trajectory Error of Visual-Inertial Navigation System. Sensors / PMC9024873, 2022. https://pmc.ncbi.nlm.nih.gov/articles/PMC9024873/

[22] van Goor, P.; Mahony, R. — An Equivariant Filter for Visual Inertial Odometry. arXiv:2104.03532, 2021. https://arxiv.org/abs/2104.03532

[23] Gallego, G.; Delbrück, T.; Orchard, G.; … Scaramuzza, D. — Event-Based Vision: A Survey. IEEE TPAMI, 2020. DOI 10.1109/tpami.2020.3008413 — https://doi.org/10.1109/tpami.2020.3008413

[24] Choi, E.; Hong, J.; Lee, D.; et al. — Benchmarking Visual Feature Representations for LiDAR-Inertial-Visual Odometry Under Challenging Conditions. IEEE Access, 2026. DOI 10.1109/ACCESS.2026.3667112 — https://arxiv.org/abs/2603.18589

[25] Mueggler, E.; Gallego, G.; Rebecq, H.; Scaramuzza, D. — Continuous-Time Visual-Inertial Odometry for Event Cameras. IEEE Transactions on Robotics, 2018. DOI 10.1109/TRO.2018.2858287 — https://arxiv.org/abs/1702.07389

[26] Niu, J.; Zhong, S.; Lu, X.; Shen, S.; Gallego, G.; Zhou, Y. — ESVO2: Direct Visual-Inertial Odometry with Stereo Event Cameras. IEEE Transactions on Robotics, 2025. DOI 10.1109/TRO.2025.3548523 — https://arxiv.org/abs/2410.09374

[27] Zhu, A. Z.; Yuan, L.; Chaney, K.; Daniilidis, K. — EV-FlowNet: Self-Supervised Optical Flow Estimation for Event-based Cameras. Robotics: Science and Systems XIV, 2018. DOI 10.15607/rss.2018.xiv.062 — https://doi.org/10.15607/rss.2018.xiv.062

[28] Davies, M.; Wild, A.; Orchard, G.; et al. — Advancing Neuromorphic Computing With Loihi: A Survey of Results and Outlook. Proceedings of the IEEE, 2021. DOI 10.1109/jproc.2021.3067593 — https://doi.org/10.1109/jproc.2021.3067593

[29] Bartolozzi, C.; Indiveri, G.; Donati, E. — Embodied neuromorphic intelligence. Nature Communications, 2022. DOI 10.1038/s41467-022-28487-2 — https://doi.org/10.1038/s41467-022-28487-2

[30] Efficient Visual-Inertial Perception on Resource-Constrained Systems (LEVIO / GAP9). ETH Zürich Research Collection. https://www.research-collection.ethz.ch/items/37e0067a-0b9c-4a2d-916c-cd1ca182a766

[31] Cioffi, G.; Bauersfeld, L.; Kaufmann, E.; Scaramuzza, D. — Learned Inertial Odometry for Autonomous Drone Racing. arXiv:2210.15287, 2022/2023. https://arxiv.org/abs/2210.15287

[32] Cioffi, G.; Bauersfeld, L.; Scaramuzza, D. — HDVIO: Improving Localization and Disturbance Estimation with Hybrid Dynamics VIO. arXiv:2306.11429, 2023. https://arxiv.org/abs/2306.11429

[33] Cui, J.; Yu, F.; Zhang, L.; Hu, Y.; Zou, D. — AI-IO: An Aerodynamics-Inspired Real-Time Inertial Odometry for Quadrotors. arXiv:2603.00597, 2026. https://arxiv.org/abs/2603.00597

[34] Kaufmann, E.; Bauersfeld, L.; Loquercio, A.; Müller, M.; Koltun, V.; Scaramuzza, D. — Champion-level drone racing using deep reinforcement learning. Nature 620(7976):982–987, 2023. DOI 10.1038/s41586-023-06419-4 — https://doi.org/10.1038/s41586-023-06419-4

[35] Carroll, J. D.; Canciani, A. J. — Terrain-referenced navigation using a steerable-laser measurement sensor. NAVIGATION 68(1):115–134, 2021. DOI 10.1002/navi.406 — https://doi.org/10.1002/navi.406

[36] Groves, P. D.; Handley, R. J.; Runnalls, A. R. — Optimising the Integration of Terrain Referenced Navigation with INS and GPS. Journal of Navigation 59(1):71–89, 2006. DOI 10.1017/s0373463305003462 — https://doi.org/10.1017/s0373463305003462

[37] Turan, B. — Comparison of Nonlinear Filtering Methods for Terrain Referenced Aircraft Navigation. IEEE/ION PLANS, 2020. DOI 10.1109/plans46316.2020.9109984 — https://doi.org/10.1109/plans46316.2020.9109984

[38] Kim, T.; Nam, S.; Lee, H.; Oh, J. — Verification of Vision-Based Terrain-Referenced Navigation Using the Iterative Closest Point Algorithm Through Flight Testing. Sensors 25(18):5813, 2025. DOI 10.3390/s25185813 — https://www.mdpi.com/1424-8220/25/18/5813

[39] Terrain Referenced Navigation of AUVs and Submarines Using Multibeam Echo Sounders (FFI / KNM Utsira). NavLab. https://www.navlab.net/Publications/Terrain_Referenced_Navigation_of_AUVs_and_Submarines_Using_Multibeam_Echo_Sounders.pdf

[40] Melo, J.; Matos, A. — Survey on advances on terrain based navigation for autonomous underwater vehicles. Ocean Engineering, 2017. DOI 10.1016/j.oceaneng.2017.04.047 — https://doi.org/10.1016/j.oceaneng.2017.04.047

[41] Rosati, S.; Kruzelecki, K.; Heitz, G.; Floreano, D.; Rimoldi, B. — Dynamic Routing for Flying Ad Hoc Networks. IEEE Transactions on Vehicular Technology, 2014/2015. DOI 10.1109/TVT.2015.2414819. https://arxiv.org/abs/1406.4399

[42] Cong Pu. — A Stochastic Packet Forwarding Algorithm in Flying Ad Hoc Networks: Design, Analysis, and Evaluation. IEEE Access, 2021. https://congpu.github.io/document/paper/ieee_access_2021.pdf

[43] Mishra, S.; Bhargava, B.; Liu, Z.; Islam, S. — UAV-CAS: A Calibrated Digital-Twin Dataset for Intrusion Detection in UAV Swarm Networks. arXiv:2606.17845, 2026. https://arxiv.org/abs/2606.17845

[44] Banaei, A.; Cline, D. B. H.; Georghiades, C. N.; Cui, S. — On the Random 1/2-Disk Routing Scheme in Wireless Ad Hoc Networks. arXiv:1102.5739, 2011/2013. https://arxiv.org/abs/1102.5739

[45] — A Robust Routing Protocol in Cognitive Unmanned Aerial Vehicular Networks (Central Node Resolution Factor, CNRF). PMC11478788, NIH. https://pmc.ncbi.nlm.nih.gov/articles/PMC11478788/

[46] — Reinforcement Learning-Based Routing Protocols in Flying Ad Hoc Networks (FANET): A Review. Mathematics (MDPI) 10(16):3017, 2022. https://www.mdpi.com/2227-7390/10/16/3017

[47] — Review and Comparison of Emerging Routing Protocols in Flying Ad Hoc Networks. Symmetry (MDPI) 12(6):971, 2020. https://www.mdpi.com/2073-8994/12/6/971

[48] — A survey on FANET routing from a cross-layer design perspective. Computer Communications (Elsevier), 2021. https://ruomoplus.lib.uom.gr/bitstream/8000/180/1/1-s2.0-S1383762121001934.pdf

[49] Kfoury, E.; Crichigno, J.; Bou-Harb, E. — An Exhaustive Survey on P4 Programmable Data Plane Switches: Taxonomy, Applications, Challenges, and Future Trends. IEEE Access, 2021. DOI 10.1109/ACCESS.2021.3086704

[50] — P4 FANET In-band Telemetry (FINT) for AI-assisted wireless link failure forecasting and recovery. Computer Networks (Elsevier), 2024. https://www.iris.sssup.it/retrieve/b1eb8cd6-b3c0-4e19-adf5-fd3699b46724/1-s2.0-S1389128624004316-main.pdf

[51] Papadopoulos, K.; Papadimitriou, P.; Papagianni, C. — Deterministic and Probabilistic P4-Enabled Lightweight In-Band Network Telemetry (DLINT/PLINT). IEEE TNSM, 2023. DOI 10.1109/TNSM.2023.3301839

[52] — A Multichannel MAC Protocol without Coordination or Prior Information for Directional Flying Ad hoc Networks. Drones (MDPI) 7(12):691, 2023. https://www.mdpi.com/2504-446X/7/12/691

[53] Temel, S.; Bekmezci, İ. — LODMAC: Location oriented directional MAC protocol for FANETs. Computer Networks (Elsevier), 2015. https://www.researchgate.net/publication/273399929

[54] Garg, S.; Venkatraman, N.; Bentley, E. S.; Kumar, S. — An Asynchronous Multi-Beam MAC Protocol for Multi-Hop Wireless Networks. IEEE ICCCN, 2022. DOI 10.1109/ICCCN54977.2022.9868910. https://arxiv.org/abs/2111.10073

[55] Wang, G.; Qin, Y. — MAC Protocols for Wireless Mesh Networks with Multi-beam Antennas: A Survey. 2019. DOI 10.1007/978-3-030-12388-8_9. https://arxiv.org/abs/1910.00772

[56] Medjo Me Biomo, Jean-Daniel. — MBA-DRR: A Delay-Reducing Routing Protocol for Multi-Beam Directional Antennas in Multi-Hop Ad Hoc Networks. PhD Thesis, Carleton University. https://www.csit.carleton.ca/~msthilaire/Thesis/JeanDaniel%20PhD.pdf

[57] Polese, M.; Restuccia, F.; Melodia, T. — DeepBeam: Deep Waveform Learning for Coordination-Free Beam Management in mmWave Networks. ACM MobiHoc, 2021. DOI 10.1145/3466772.3467035. https://arxiv.org/abs/2012.14350

[58] Chaloun, T.; Boccia, L.; Arnieri, E.; Fischer, M.; Valenta, V.; Fonseca, N. J. G.; Waldschmidt, C. — Electronically Steerable Antennas for Future Heterogeneous Communication Networks: Review and Perspectives. IEEE Journal of Microwaves, 2022. DOI 10.1109/JMW.2022.3202626

[59] Rappaport, T. S.; Xing, Y.; Kanhere, O.; et al. — Wireless Communications and Applications Above 100 GHz: Opportunities and Challenges for 6G and Beyond. IEEE Access, 2019. DOI 10.1109/ACCESS.2019.2921522

[60] Singh, H.; Sneha, H. L.; Jha, R. M. — Mutual Coupling in Phased Arrays: A Review. International Journal of Antennas and Propagation, 2013. DOI 10.1155/2013/348123

[61] Li, M.; Chen, S.-L.; Liu, Y.; Guo, Y. J. — Wide-Angle Beam Scanning Phased Array Antennas: A Review. IEEE Open Journal of Antennas and Propagation, 2023. DOI 10.1109/OJAP.2023.3296636

[62] — Proceedings of the 1990 Antenna Applications Symposium, Volume 2 (modulare Ferrit-Phased-Arrays). DTIC ADA237057. https://apps.dtic.mil/sti/tr/pdf/ADA237057.pdf

[63] — Multifunction Advanced Data Link. Grokipedia. https://grokipedia.com/page/Multifunction_Advanced_Data_Link — nur für unstrittige Plattform- und Herstellerzuordnung (F-35, B-2, Northrop Grumman); physikalisch-technische Aussagen via [Zhao2024], [Simon1994], [Zou2016] abgesichert.

[64] Zhao, J.; Qiao, S.; Booske, J. H.; Behdad, N. — Low-probability of Intercept/Detect (LPI/LPD) Secure Communications Using Antenna Arrays Employing Rapid Sidelobe Time Modulation. arXiv:2406.11229, 2024. https://arxiv.org/abs/2406.11229

[65] Simon, M. K.; Omura, J. K.; Scholtz, R. A.; Levitt, B. K. — Spread Spectrum Communications Handbook (Kap. Low probability of intercept communications). McGraw-Hill, 1994/2002. https://doi.org/10.5860/choice.32-3356

[66] Zou, Y.; Zhu, J.; Wang, X.; Hanzo, L. — A Survey on Wireless Security: Technical Challenges, Recent Advances, and Future Trends. Proceedings of the IEEE, 2016. DOI 10.1109/JPROC.2016.2558521

[67] Karthik, A. K.; Jameer Ali, M. S.; Khan, M. Z. A.; Bhagavathi Rao, A. — A Novel Method for Spectrum Sensing of Linear Modulation Schemes (Cyclostationary Feature Detection). arXiv:2002.03451, 2020. https://arxiv.org/abs/2002.03451

[68] Saggar, H.; Mehra, D. K. — Cyclostationary Spectrum Sensing in Cognitive Radios Using FRESH Filters. arXiv:1312.5257, 2013. https://arxiv.org/abs/1312.5257

[69] Quan, Z.; Shellhammer, S. J.; Zhang, W.; Sayed, A. H. — Spectrum sensing by cognitive radios at very low SNR. IEEE GLOBECOM, 2009. DOI 10.1109/GLOCOM.2009.5426262. https://arxiv.org/abs/0907.1992

[70] Jang, G.; Kim, D.; Lee, I.-H.; Jung, H. — Cooperative Beamforming With Artificial Noise Injection for Physical-Layer Security. IEEE Access, 2023. DOI 10.1109/ACCESS.2023.3252503

[71] Bithas, P. S.; Moustakas, A. L. — Generalized UAV Selection With Distributed Transmission Policies. IEEE Transactions on Communications, 2022. DOI 10.1109/TCOMM.2022.3229665

[72] Khan, S. Z. / Radoš, K. et al. — GNSS Spoofing and Jamming Mitigation: A Comprehensive Review. University of Vaasa / Osuva, 2023. https://osuva.uwasa.fi/bitstreams/70bb2825-1a24-4520-b63a-92007649bb21/download

[73] Egea-Roca, D.; Arizabaleta-Diez, M.; Pany, T.; Antreich, F.; López-Salcedo, J. A.; Paonni, M.; Seco-Granados, G. — GNSS User Technology: State-of-the-Art and Future Trends. IEEE Access 10, 2022. DOI: 10.1109/ACCESS.2022.3165594 — https://doi.org/10.1109/ACCESS.2022.3165594

[74] Radoš, K.; Brkić, M.; Begušić, D. — Recent Advances on Jamming and Spoofing Detection in GNSS. Sensors 24(13):4210, 2024. DOI: 10.3390/s24134210 — https://doi.org/10.3390/s24134210

[75] Sathaye, H.; LaMountain, G.; Closas, P.; Ranganathan, A. — SemperFi: Anti-spoofing GPS Receiver for UAVs. NDSS Symposium, 2022. DOI: 10.14722/ndss.2022.23071 — https://doi.org/10.14722/ndss.2022.23071

[76] RDI (Radiocommunications Agency Netherlands) — GNSS spoofing. 2019. https://www.rdi.nl/site/binaries/site-content/collections/documenten/2019/07/16/gnss-spoofing/GNSS+spoofing.pdf

[77] Gallardo, F.; Pérez Yuste, A. — SCER Spoofing Attacks on the Galileo Open Service and Machine Learning Techniques for End-User Protection. IEEE Access 8, 2020. DOI: 10.1109/ACCESS.2020.2992119 — https://doi.org/10.1109/ACCESS.2020.2992119

[78] Park, S. et al. — Global Navigation Satellite System Spoofing Attack Detection Using Receiver Independent Exchange Format (RINEX) Data and Long Short-Term Memory Algorithm. Information (MDPI) 16(6):502, 2025. https://www.mdpi.com/2078-2489/16/6/502

[79] Jansen, K.; Schäfer, M.; Moser, D.; Lenders, V.; Pöpper, C.; Schmitt, J. — Crowd-GPS-Sec: Leveraging Crowdsourcing to Detect and Localize GPS Spoofing Attacks. IEEE Symposium on Security and Privacy (S&P), 2018. DOI: 10.1109/SP.2018.00012 — https://doi.org/10.1109/SP.2018.00012

[80] Inside GNSS — Q: What has been learned recently about GNSS RF jamming and spoofing events? What tools are available online to track and investigate these events? 2022/2023. https://insidegnss.com/q-what-has-been-learned-recently-about-gnss-rf-jamming-and-spoofing-events-what-tools-are-available-online-to-track-and-investigate-these-events/

[81] Oligeri, G.; Sciancalepore, S.; Ibrahim, O. A.; Di Pietro, R. — GPS spoofing detection via crowd-sourced information for connected vehicles. Computer Networks 216, 2022. DOI: 10.1016/j.comnet.2022.109230 — https://doi.org/10.1016/j.comnet.2022.109230

[82] Sun, Y.; Yu, M.; Wang, L.; Li, T.; Dong, M. — A Deep-Learning-Based GPS Signal Spoofing Detection Method for Small UAVs. Drones (MDPI) 7(6):370, 2023. DOI: 10.3390/drones7060370 — https://doi.org/10.3390/drones7060370

[83] Iqbal, A.; Aman, M. N.; Sikdar, B. — A Deep Learning Based Induced GNSS Spoof Detection Framework. IEEE Transactions on Machine Learning in Communications and Networking 2, 2024. DOI: 10.1109/TMLCN.2024.3386649 — https://doi.org/10.1109/TMLCN.2024.3386649

[84] Wei, X.; Wang, Y.; Sun, C. — PerDet: Machine-Learning-Based UAV GPS Spoofing Detection Using Perception Data. Remote Sensing (MDPI) 14(19):4925, 2022. DOI: 10.3390/rs14194925 — https://doi.org/10.3390/rs14194925

[85] Zhang, J.; Cui, X.; Xu, H.; Lu, M. — A Two-Stage Interference Suppression Scheme Based on Antenna Array for GNSS Jamming and Spoofing. Sensors 19(18):3870, 2019. DOI: 10.3390/s19183870 — https://doi.org/10.3390/s19183870

[86] Sathaye, H.; LaMountain, G.; Closas, P.; Ranganathan, A. — SemperFi: A Spoofer Eliminating GPS Receiver for UAVs. arXiv:2105.01860, 2021. https://arxiv.org/abs/2105.01860

[87] Cognitive Edge Computing: A Comprehensive Survey on Optimizing Large Models and AI Agents for Pervasive Deployment. arXiv:2501.03265, 2025. https://arxiv.org/abs/2501.03265

[88] AI+HW 2035: Shaping the Next Decade. arXiv:2603.05225 (Konsortial-Roadmap, Vertrauen C). https://arxiv.org/abs/2603.05225

[89] TSMC — Logic Technology Roadmap (Hersteller-Roadmap, Vertrauen C). https://www.tsmc.com/english/dedicatedFoundry/technology/logic

[90] IMEC — Introducing 2D-material based devices in the logic scaling roadmap (Vertrauen C). https://www.imec-int.com/en/articles/introducing-2d-material-based-devices-logic-scaling-roadmap

[91] TSMC 1-Trillion-Transistor-Roadmap (Sekundärberichte, Vertrauen C). https://wccftech.com/tsmc-over-1-trillion-transistors-3d-packaged-200-billion-monolithic-chips-2030/

[92] PromptQuorum — MRAM In-Memory Computing 2026 (Sekundärquelle der 640 pJ / 0,9 pJ / 200×-Grössenordnung; deckt sich mit Horowitz, ISSCC 2014; Vertrauen C). https://www.promptquorum.com/local-llms/mram-in-memory-computing-local-ai-2026

[93] Mehonic, A.; Sebastian, A.; Rajendran, B.; Simeone, O.; Vasilaki, E.; Kenyon, A. J. — Memristors — from In-memory computing, Deep Learning Acceleration, Spiking Neural Networks, to the Future of Neuromorphic and Bio-inspired Computing. arXiv:2004.14942, 2020. https://arxiv.org/abs/2004.14942

[94] Dataintelo — Analog In-Memory AI Compute Market Research Report 2034 (Quelle der >2000-TOPS/W-Spitzenwerte; Vertrauen C). https://dataintelo.com/report/analog-in-memory-ai-compute-market

[95] Zhang, F.; Hu, M. — Mitigate Parasitic Resistance in Resistive Crossbar-based Convolutional Neural Networks. arXiv:1912.08716, 2019. https://arxiv.org/abs/1912.08716

[96] Ibrayev, T.; Garg, I.; Chakraborty, I.; Roy, K. — Pruning for Improved ADC Efficiency in Crossbar-based Analog In-memory Accelerators. arXiv:2403.13082, 2024. https://arxiv.org/abs/2403.13082

[97] Ma, S.; Wang, H.; Ma, L.; Wang, L.; Wang, W.; Huang, S.; Dong, L.; Wang, R.; Xue, J.; Wei, F. — The Era of 1-bit LLMs: All Large Language Models are in 1.58 Bits. arXiv:2402.17764, 2024. DOI 10.48550/arXiv.2402.17764. https://arxiv.org/abs/2402.17764

[98] Ma, S.; Wang, H.; Huang, S.; Zhang, X.; Hu, Y.; Song, T.; Xia, Y.; Wei, F. — BitNet b1.58 2B4T Technical Report. arXiv:2504.12285, 2025. https://arxiv.org/abs/2504.12285

[99] Wang, J.; Zhou, H.; Song, T.; Mao, S.; Ma, S.; Wang, H.; Xia, Y.; Wei, F. — 1-bit AI Infra: Part 1.1, Fast and Lossless BitNet b1.58 Inference on CPUs. arXiv:2410.16144, 2024. Code: https://github.com/microsoft/BitNet https://arxiv.org/abs/2410.16144

[100] Gu, A.; Dao, T. — Mamba: Linear-Time Sequence Modeling with Selective State Spaces. arXiv:2312.00752, 2023. https://arxiv.org/abs/2312.00752

[101] Ren, R.; Li, Z.; Liu, Y. — Exploring the Limitations of Mamba in COPY and CoT Reasoning. arXiv:2410.03810, 2024. https://arxiv.org/abs/2410.03810

[102] Hasani, R.; Lechner, M.; Amini, A.; Rus, D.; Grosu, R. — Liquid Time-constant Networks. arXiv:2006.04439, 2020. https://arxiv.org/abs/2006.04439

[103] Hasani, R.; Lechner, M.; Amini, A.; Liebenwein, L.; Ray, A.; Tschaikowski, M.; Teschl, G.; Rus, D. — Closed-form Continuous-time Neural Models. arXiv:2106.13898, 2021; publ. Nature Machine Intelligence, 2022. DOI 10.1038/s42256-022-00556-7. https://arxiv.org/abs/2106.13898

[104] Vorbach, C.; Hasani, R.; Amini, A.; Lechner, M.; Rus, D. — Causal Navigation by Continuous-time Neural Networks. arXiv:2106.08314, 2021. https://arxiv.org/abs/2106.08314

[105] Hajizada, E.; Rager, D.; Shea, T.; Campos-Macias, L.; Wild, A.; Hüllermeier, E.; Sandamirskaya, Y.; Davies, M. — Online Continual Learning on Intel Loihi 2 via a Co-designed Spiking Neural Network. arXiv:2511.01553, 2025. https://arxiv.org/abs/2511.01553

[106] Massa, R.; Marchisio, A.; Martina, M.; Shafique, M. — An Efficient Spiking Neural Network for Recognizing Gestures with a DVS Camera on the Loihi Neuromorphic Processor. arXiv:2006.09985, 2020. https://arxiv.org/abs/2006.09985

[107] Polykretis, I.; Michmizos, K. P. — An Astrocyte-Modulated Neuromorphic Central Pattern Generator for Hexapod Robot Locomotion on Intel’s Loihi. arXiv:2006.04765, 2020. https://arxiv.org/abs/2006.04765

[108] Lam Research Newsroom — Silicon Photonics: Powering the Next Revolution in AI (Quelle der 0,05–0,2 pJ/Bit; Vertrauen C). https://newsroom.lamresearch.com/silicon-photonics-ai-energy-efficiency

[109] Jiang, W.; Wang, Y.; Li, Y.; Lin, Y.; Shen, W. — Radar Target Characterization and Deep Learning in Radar Automatic Target Recognition: A Review. Remote Sensing 15(15):3742, 2023. https://doi.org/10.3390/rs15153742

[110] Liu, L.; Ouyang, W.; Wang, X. et al. — Deep Learning for Generic Object Detection: A Survey. IJCV 128:261–318, 2019. https://doi.org/10.1007/s11263-019-01247-4

[111] Mostofi, N. et al. (UMass Amherst) — Detection and Tracking of Drone Swarms using LiDAR (LiSWARM). ACM MobiSys, 2025. https://people.cs.umass.edu/~phuc/papers/2025_MobiSys_LiSWARM.pdf

[112] Morgan, D. A. E. — Deep convolutional neural networks for ATR from SAR imagery. Proc. SPIE 9475, 2015. https://doi.org/10.1117/12.2176558

[113] Li, J.; Yu, Z.; Yu, L.; Cheng, P.; Chen, J.; Chi, C. — A Comprehensive Survey on SAR ATR in Deep-Learning Era. Remote Sensing 15(5):1454, 2023. https://doi.org/10.3390/rs15051454

[114] Huang, Z.; Pan, Z.; Lei, B. — Transfer Learning with Deep CNN for SAR Target Classification with Limited Labeled Data. Remote Sensing 9(9):907, 2017. https://doi.org/10.3390/rs9090907

[115] Li, S.; He, X.; Xu, X.; Zhao, T.; Song, C.; Li, J. — Weapon-Target Assignment Strategy in Joint Combat Decision-Making Based on Multi-Head Deep Reinforcement Learning. IEEE Access 11, 2023. https://doi.org/10.1109/access.2023.3324193

[116] Kong, X.; Zhou, Y.; Li, Z.; Wang, S. — Multi-UAV simultaneous target assignment and path planning based on deep reinforcement learning in dynamic multiple obstacles environments. Frontiers in Neurorobotics 17:1302898, 2024. https://doi.org/10.3389/fnbot.2023.1302898

[117] King, A. — Digital Targeting: Artificial Intelligence, Data, and Military Intelligence. Journal of Global Security Studies 9(2):ogae009, 2024. https://doi.org/10.1093/jogss/ogae009

[118] Kurakin, A.; Goodfellow, I.; Bengio, S. — Adversarial Examples in the Physical World. 2017/2018. https://doi.org/10.1201/9781351251389-8

[119] Gu, T.; Liu, K.; Dolan-Gavitt, B.; Garg, S. — BadNets: Evaluating Backdooring Attacks on Deep Neural Networks. IEEE Access 7, 2019. https://doi.org/10.1109/access.2019.2909068

[120] Inkawhich, N. et al. — Bridging a Gap in SAR-ATR: Training on Fully Synthetic and Testing on Measured Data. IEEE JSTARS 14:2942–2955, 2021. https://doi.org/10.1109/jstars.2021.3059991

[121] Liu, B.; Wang, S.; Li, Q.; Zhao, X.; Pan, Y.; Wang, C. — Task Assignment of UAV Swarms Based on Deep Reinforcement Learning (Ex-MADDPG). Drones 7(5):297, 2023. https://doi.org/10.3390/drones7050297

[122] — A Robust Routing Protocol in Cognitive Unmanned Aerial Vehicular Networks (CNRF). PMC11478788, 2024. https://pmc.ncbi.nlm.nih.gov/articles/PMC11478788/

[123] Wang, B.; Li, S.; Gao, X.; Xie, T. — UAV Swarm Confrontation Using Hierarchical Multiagent Reinforcement Learning. International Journal of Aerospace Engineering 2021:3360116. https://doi.org/10.1155/2021/3360116

[124] Kang, H.; Joung, J.; Kim, J.; Kang, J. & Cho, Y. S. (2020): Protect Your Sky: A Survey of Counter Unmanned Aerial Vehicle Systems. IEEE Access 8. DOI 10.1109/access.2020.3023473. https://doi.org/10.1109/access.2020.3023473

[125] Nallamalli, R.; Singh, K. & Kumar, I. D. (2023): Technological Perspectives of Countering UAV Swarms. Defence Science Journal 73. DOI 10.14429/dsj.73.18695. https://doi.org/10.14429/dsj.73.18695

[126] Rogers, J. (2021): Future threats: Military UAS, terrorist drones, and the dangers of the second drone age. JAPCC. https://www.japcc.org/wp-content/uploads/A-Comprehensive-Approach-to-Countering-Unmanned-Aircraft-Systems.pdf

[127] Grachauskas, A. (2026): Modern Warfare Tendencies and Implications for the Baltic Region: Adapting to a New Era of Conflict. Military Science Journal (Mokslo zurnalas) 41(1). DOI 10.47459/mz.2026.41.1.3. https://doi.org/10.47459/mz.2026.41.1.3

[128] Investigation on Electromagnetic Immunity of Unmanned Aerial Vehicles in Electromagnetic Environment. (2025) Electronics 14(21):4332, MDPI. https://www.mdpi.com/2079-9292/14/21/4332

[129] Analysis of High-Power Electromagnetic Pulses Effect on Unmanned Aerial Vehicles. (2026) Drones 10(4):272, MDPI. https://www.mdpi.com/2504-446X/10/4/272

[130] Kim, S.-G.; Lee, E.; Hong, I.-P. & Yook, J.-G. (2022): Review of Intentional Electromagnetic Interference on UAV Sensor Modules and Experimental Study. Sensors 22(6):2384. DOI 10.3390/s22062384. https://doi.org/10.3390/s22062384

[131] Jie, H. et al. (2024): A review of intentional electromagnetic interference in power electronics: Conducted and radiated susceptibility. IET Power Electronics. DOI 10.1049/pel2.12685. https://doi.org/10.1049/pel2.12685

[132] Jafari, A. A. & Anbarjafari, G. (2026): A Multi-physics Simulation Framework for High-power Microwave Counter-unmanned Aerial System Design and Performance Evaluation. arXiv:2602.08477. https://arxiv.org/abs/2602.08477

[133] Min, S.-H. et al. (2021): Analysis of Electromagnetic Pulse Effects Under High-Power Microwave Sources. IEEE Access 9. DOI 10.1109/access.2021.3117395. https://doi.org/10.1109/access.2021.3117395

[134] Christie, L. (2026): Shaping Modern Warfare: The Strategic Role of High-Power Microwave Directed Energy Weapons in Multi-Domain Operations. Defence Science Journal. DOI 10.14429/dsj.21114. https://doi.org/10.14429/dsj.21114

[135] Diehl Defence: Drohnenabwehr | Counter-UAS (SKY SPHERE, SkyWolf, CICADA). https://new.diehl.com/defence/de/produkte/drohnenabwehr-counter-uas

[136] Karkadakattil, A. (2026): Laser-Based Directed Energy Weapons: Technological Capabilities, Material Interaction, and Strategic Deployment Pathways. Defence Science Review (PNO). DOI 10.37055/pno/216776. https://doi.org/10.37055/pno/216776

[137] Counter-Unmanned Aerial Vehicles Study: Shipboard Laser Weapon System Engagement Strategies for Countering Drone Swarm Threats. NPS/DTIC AD1165019. https://apps.dtic.mil/sti/trecms/pdf/AD1165019.pdf

[138] Siora, O.; Lukashenko, V. & Bernatskyi, A. (2025): An interdisciplinary study of the effect of laser radiation on carbon fiber-reinforced polymer, in the context of counteracting unmanned aerial vehicles. History of Science and Technology 15(1). DOI 10.32703/2415-7422-2024-15-1-195-215. https://doi.org/10.32703/2415-7422-2024-15-1-195-215

[139] MBDA Deutschland: Hochenergie-Lasereffektor. https://www.mbda-deutschland.de/produkte/marine/hochenergie-lasereffektor/

[140] produktion.de (2024): Laserwaffen: System von Rheinmetall und MBDA vor Marktreife. https://www.produktion.de

[141] Electro Optic Systems: Apollo High Energy Laser Weapon. Broschüre 2025. https://eos-aus.com/wp-content/uploads/2025/08/Apollo-brochure-AUS-Aug2025_web.pdf

[142] Gupta, T.: The role of High Energy Laser as a U.S. Army Counter-small Unmanned Aircraft System (UAS) Weapon. DTIC AD1230685. https://apps.dtic.mil/sti/trecms/pdf/AD1230685.pdf

[143] Michnewich, D. A. (2018): Modeling Energy Storage Requirements for High-Energy Lasers on Navy Ships. NPS. http://hdl.handle.net/10945/59554

[144] Yan, H.; Yang, K.; Cheng, Y.; Wang, Z. & Li, D. (2024): Precise Interception Flight Targets by Image-based Visual Servoing of Multicopter. arXiv:2409.17497. DOI 10.48550/arxiv.2409.17497. https://arxiv.org/abs/2409.17497

[145] Liu, L. Y.; Yang, K.; Zou, H. et al. (2026): Planar-Sector LOS Guidance for Interception of Agile Targets with Lifting-Wing Quadcopters. arXiv:2606.10639. https://arxiv.org/abs/2606.10639

[146] DLR (2025): Reliable drone defence (CUSTODIAN-Projekt). https://www.dlr.de/en/latest/news/2025/reliable-drone-defence

[147] Brust, M. R.; Danoy, G.; Stolfi, D. H.; Bouvry, P. (2021): Swarm-based counter UAV defense system. Discover Internet of Things 1. https://doi.org/10.1007/s43926-021-00002-x

[148] Chipade, V. S.; Wang, X.; Panagou, D. (2021): IDCAIS: Inter-Defender Collision-Aware Interception Strategy against Multiple Attackers. arXiv:2112.12098. https://arxiv.org/abs/2112.12098

[149] Rheinmetall: Oerlikon Skynex Air Defence System (35 mm AHEAD). Broschüre B200e0424. https://www.rheinmetall.com

[150] Cumpson, P. J. (2026): Movement To Contact and Vanguard UAVs: Strategies for Swarm UAV Battlefield Economics in the era of Microwave Directed Energy Weapons. Security and Defence Quarterly. DOI 10.35467/sdq/221147. https://doi.org/10.35467/sdq/221147

[151] LiDAR Technology for UAV Detection: From Fundamentals and Operational Principles to Advanced Detection and Classification Techniques. (2025) Sensors 25(9):2757, MDPI. https://www.mdpi.com/1424-8220/25/9/2757

[152] Abir, T. A.; Le, V.; Kuantama, E. et al. (2025): Detection and Tracking of Drone Swarms using LiDAR (LiSWARM). ACM MobiSys. DOI 10.1145/3711875.3729156. https://doi.org/10.1145/3711875.3729156

[153] Cost-Effectiveness Analysis of Counter-UAS Technologies: A Comparative Study of Kinetic, EW, and Directed Energy Countermeasures (2022–2026). ResearchGate-Preprint (Multi-Layered Defense Economics Model), nicht peer-reviewed. https://www.researchgate.net/publication/401707891

[154] Bächle, T. C., Bareis, J. (2022): “Autonomous weapons” as a geopolitical signifier in a national power play: analysing AI imaginaries in Chinese and US military policies. European Journal of Futures Research 10:20. https://doi.org/10.1186/s40309-022-00202-w

[155] CCW Group of Governmental Experts (2019): Guiding Principles affirmed by the GGE on Emerging Technologies in the Area of LAWS, CCW/MSP/2019/9 Annex III. https://ccdcoe.org/uploads/2020/02/UN-191213_CCW-MSP-Final-report-Annex-III_Guiding-Principles-affirmed-by-GGE.pdf

[156] Amoroso, D. (2020): A Legality “Test” for Autonomous Weapons Systems. The (In)compatibility of Autonomous Targeting with IHL and IHRL. In: Autonomous Weapons Systems and International Law, Nomos, S. 31–120. https://doi.org/10.5771/9783748909538-31

[157] Zhu, L., Hu, X., Han, Y. (2025): The Status of Meaningful Human Control of Lethal Autonomous Weapons System in International Humanitarian Law. Brawijaya Law Journal 12(2):206–228. https://doi.org/10.21776/ub.blj.2025.012.02.02

[158] Canellas, M., Haga, R. (2015): Toward Meaningful Human Control of Autonomous Weapons Systems through Function Allocation. IEEE ISTAS 2015. https://doi.org/10.31228/osf.io/uvwd9

[159] Cummings, M. L. (2019): Lethal Autonomous Weapons: Meaningful Human Control or Meaningful Human Certification? IEEE Technology and Society Magazine 38(4):20–26. https://doi.org/10.1109/mts.2019.2948438

[160] ICRC (2020): ICRC commentary on the ‘Guiding Principles’ of the CCW GGE on LAWS. UNODA. https://documents.unoda.org/wp-content/uploads/2020/07/20200716-ICRC.pdf

[161] UN-Generalversammlung (2023): Resolution A/RES/78/241 — Lethal autonomous weapons systems, 22.12.2023. https://digitallibrary.un.org/record/4033027 · PDF: https://digitallibrary.un.org/nanna/record/4033027/files/A_RES_78_241-EN.pdf

[162] Longpre, S., Storm, M., Shah, R. (2022): Lethal autonomous weapons systems & artificial intelligence: Trends, challenges, and policies. MIT Science Policy Review 3. https://doi.org/10.38105/spr.360apm5typ

[163] Futter, A., Zala, B. (2021): Strategic non-nuclear weapons and the onset of a Third Nuclear Age. European Journal of International Security 6(3). https://doi.org/10.1017/eis.2021.2

[164] Johnson, J. (2021): Inadvertent escalation in the age of intelligence machines: A new model for nuclear risk in the digital age. European Journal of International Security 6(4). https://doi.org/10.1017/eis.2021.23

[165] Williams, H. (2019): Asymmetric arms control and strategic stability: Scenarios for limiting hypersonic glide vehicles. Journal of Strategic Studies 42(6):789–813. https://doi.org/10.1080/01402390.2019.1627521