Drohnenerkennung im Radar: KI unterscheidet Drohnen von Vögeln in Echtzeit

Das echte Ausmaß des Problems

Drohnen sind das neue Vogelschlagproblem — aber schwerer zu lösen, weil sie gesteuert werden. Und sie unterscheiden sich auf dem Radarschirm kaum von dem, was schon immer dort war.

Der Radarrückquerschnitt (RCS) einer handelsüblichen Konsumentendrohne liegt zwischen 0,001 und 0,1 Quadratmetern — exakt im selben Bereich wie Mittelgroßvögel. Bei einem DJI Phantom und einem kreisenden Milan sind die Radar-Signalstärken so ähnlich, dass klassische Schwellwert-Algorithmen systematisch versagen. Hinzu kommt: Drohnen fliegen oft langsam, manchmal schwebend — genau das Flugprofil, das Primärradare am schlechtesten erfassen, weil sich der Doppler-Shift kaum vom stehenden Hintergrund unterscheidet.

Das Deutsche Zentrum für Luft- und Raumfahrt (DLR) hat das Problem in Flugversuchen 2024 am Flughafen Magdeburg-Cochstedt konkret untersucht: Konventionelle Radarsysteme scheitern insbesondere bei schwebenden Drohnen, die keine Translationsbewegung zeigen. Erst neuere MIMO-Radarsysteme, die kleinste Eigenbewegungen durch Rotorvibrationen messen, verbessern die Erkennungsrate deutlich.

Die Vorfallszahlen sind eindeutig: Allein in Deutschland meldete die Deutsche Flugsicherung (DFS) im Jahr 2023 über 400 Drohnensichtungen nahe Flughäfen — mit steigendem Trend. Frankfurt und München betreiben dedizierte Drohnendetektionsprogramme. Die Dunkelziffer liegt nach Experteneinschätzungen um ein Vielfaches höher, weil viele Sichtungen nicht als Drohne erkannt oder nicht gemeldet werden.

Das eigentliche operative Problem ist dabei nicht die fehlende Erkennung — es ist das Gegenteil: zu viele Meldungen, von denen die meisten falsch sind. Ein klassisches Primärradar, das auf Drohnengröße kalibriert ist, meldet alles: Krähen, Bussarde, Stare, Plastikfolien im Aufwind, gelegentlich sogar starken Regen. Security-Teams, die täglich dutzende Fehlalarme abarbeiten, entwickeln eine pragmatische Anpassung — sie heben die Meldungsschwelle, bis die Fehlalarmrate erträglich ist. Damit heben sie gleichzeitig die Schwelle für echte Drohneneinflüge. Das ist der Kern des Problems.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zahlen zu Erkennungsraten und Falschalarmraten stammen aus akademischen Studien zur Micro-Doppler-Klassifikation (2023–2024) und Herstellerangaben für Multi-Sensor-Systeme; unabhängige Auditdaten öffentlicher Flughäfen liegen nicht vor. Behandle diese Werte als orientierende Praxisschätzungen, nicht als zertifizierte Benchmarks.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5)
Der Hebel ist nicht Zeitersparnis im klassischen Sinn, sondern Reaktionsgeschwindigkeit: von manueller Sichtprüfung eines vagen Radar-Rückscheins (8–12 Minuten bis zur Entscheidung) zu einer KI-klassifizierten Alarmmeldung mit Konfidenzwert (2–3 Minuten). In einem sicherheitskritischen Umfeld bedeutet dieser Unterschied nicht nur weniger Stress für das Team — er kann den Unterschied machen, ob ein Einflugvorfall noch abgewendet werden kann oder nicht. Innerhalb der luft-raumfahrt-Kategorie ist das einer der direktesten Zeitgewinne überhaupt.

Kosteneinsparung — mittel (3/5)
Die direkten Ersparnisse entstehen durch vermiedene Betriebsunterbrechungen: Eine Landebahnsperrung kostet im deutschen Luftraum erfahrungsgemäß 50.000–200.000 Euro in verlorenen Slots, Umplanungskosten und Passagierbetreuung — je nach Tageszeit und Auslastung. Wenn KI-Klassifikation drei von vier Fehlalarmen verhindert, die sonst zur vorübergehenden Bahnsperre geführt hätten, ist das messbar. Aber: Wie oft ein unbegründeter Fehlalarm tatsächlich zu einer teuren Unterbrechung geführt hätte — das bleibt schwer zu isolieren. 3 von 5 ist hier ehrlicher als eine 4.

Schnelle Umsetzung — niedrig (2/5)
Das ist der härteste Punkt: Radar-Integration erfordert Zugang zu I/Q-Rohdaten des Primärradars — und viele Flughafenradare bieten das nicht ohne Hersteller-Upgrade. Dann folgen lokales Modelltraining auf standortspezifischen Vogel- und Drohnensignaturen (Wochen bis Monate), Behördenkoordination mit Bundespolizei und Luftfahrtbehörde, und schließlich Integration in bestehende Sicherheitsleitstellen. Ein realistischer Zeitraum vom ersten Gespräch bis zum produktiven Betrieb liegt bei 6–12 Monaten. Das macht diesen Use Case zum anspruchsvollsten Implementierungsprojekt in der Kategorie.

ROI-Sicherheit — mittel (3/5)
Der Bedarf ist unbestreitbar — 400+ Vorfälle pro Jahr in Deutschland, wachsend. Aber die ROI-Kausalität ist komplex: Wie viele der erkannten Drohnen hätten ohne das System echten Schaden angerichtet? Die Investitionsentscheidung basiert auf Risikovermeidung, nicht auf quantifizierbaren Einsparzahlen. Flughäfen müssen das als Versicherungsprämie denken, nicht als Effizienzprojekt.

Skalierbarkeit — hoch (4/5)
Wenn das Modell auf einem Radar trainiert und validiert ist, läuft es ohne zusätzlichen Aufwand für jede neue Betriebsstunde auf derselben Hardware. Mehrere Radarstandorte desselben Herstellers lassen sich relativ schnell einbinden. Aber: Unterschiedliche Radarhersteller liefern unterschiedliche Signalcharakteristika — ein Modell, das auf Thales-Radar kalibriert ist, muss für Hensoldt-Hardware neu trainiert werden. Kein 5er, aber eine klare 4.

Richtwerte — stark abhängig von bestehender Radarinfrastruktur, Flughafengröße und verfügbarem Budget.

Was das System konkret macht

Das technische Herzstück ist die Analyse von Micro-Doppler-Signaturen. Wenn ein Radarimpuls auf ein Objekt trifft, das sich bewegt, verändert sich die Frequenz des reflektierten Signals (klassischer Doppler-Effekt). Aber ein Objekt mit rotierenden Teilen — Propeller, Rotorblätter, schlagende Flügel — erzeugt zusätzlich ein Spektrum von Mikro-Frequenzverschiebungen. Diese Micro-Doppler-Signatur ist charakteristisch: Ein Quadcopter-Rotor, der mit 6.000 Umdrehungen pro Minute dreht, erzeugt ein spezifisches Frequenzmuster, das sich fundamental von einem Vogelflügel unterscheidet, der mit 4–8 Hertz schlägt.

Das KI-System verarbeitet diese Signatur in mehreren Schritten:

1. Signalextraktion aus I/Q-Rohdaten: Das Radarsystem liefert komplexe In-Phase/Quadratur-Daten pro Radarimpuls. Ein Edge-Computing-Modul (typisch: NVIDIA Jetson oder ähnliches) empfängt diese Rohdaten und generiert daraus ein Zeit-Frequenz-Spektrogramm — ein 2D-Bild der Doppler-Verschiebungen über Zeit.

2. CNN-Klassifikation: Ein Deep Learning-Modell (meist ein Convolutional Neural Network) klassifiziert das Spektrogramm-Bild als Drohne, Vogel oder sonstige Klutter-Quelle. Aktuelle akademische Studien erreichen 96–98% Genauigkeit bei klar definierten Testbedingungen (Rahman & Robertson 2020, Spektral-Kurtosis-Studie 2024).

3. Ausgabe und Integration: Das klassifizierte Objekt wird mit Konfidenzwert, Flugbahn, Geschwindigkeit und Höhe an die Sicherheitsleitstelle übermittelt. Bestehende Alarm-Management-Systeme werden nicht ersetzt, sondern mit einem strukturierten Datenfeed erweitert.

Die wichtigste technische Einschränkung: Der Algorithmus braucht genug Signal. Bei sehr kleinen Drohnen (unter 250 Gramm) in großer Entfernung (über 3 km) oder bei ungünstigen Wetterbedingungen (Regen, starker Wind) sinkt die Klassifikationssicherheit spürbar. Die in Labors gemessenen 96-98% gelten für klare Bedingungen mit Testdrohnen in definierten Abständen — im realen Flughafenbetrieb mit variablem Wetter, hunderten von Vögeln gleichzeitig und unbekannten Drohnentypen liegt die praktische Erkennungsrate nach Herstellerangaben bei 85–95%.

Multisensor-Realität: Warum reines Radar selten ausreicht

Hier liegt der wichtigste Unterschied zwischen akademischer Theorie und operativer Realität: Die meisten tatsächlich eingesetzten Systeme sind keine reinen Radar-Klassifikationslösungen — sie sind Multi-Sensor-Fusionsplattformen.

Warum? Weil jeder Sensor eine spezifische Blindstelle hat:

• Radar erkennt Flugbewegung und Micro-Doppler, kann aber nicht sagen, ob die Drohne ferngesteuert ist oder autonom fliegt. Vögel nahe an Drohnengrößen bleiben schwierig.
• RF-Detektion (Funkfrequenz-Spektrumanalyse) erkennt die Steuerverbindung zwischen Pilot und Drohne, identifiziert Hersteller und teilweise Modell anhand des Funksignals. Aber: Autonome GPS-Drohnen ohne aktive Funkverbindung werden nicht erkannt.
• Optische/IR-Kameras liefern visuelle Bestätigung und können bei ausreichender Auflösung sogar Typ und Aufschriften einer Drohne identifizieren. Aber: Funktionieren nur tagsüber zuverlässig (optisch) oder verlieren bei schlechter Witterung deutlich an Leistung.

Erst die Fusion aller drei Kanäle liefert eine belastbare Klassifikation: Wenn Radar ein kleines schnell fliegendes Objekt meldet, RF gleichzeitig ein DJI-Steuersignal aus Richtung X registriert und die Kamera ein weißes quadcopter-ähnliches Objekt sieht — dann ist das mit >99% Wahrscheinlichkeit eine Drohne, gesteuert von einem Piloten in Richtung X.

Aaronia (RF-First-Ansatz), Dedrone (Multisensor-Fusion) und Robin Radar IRIS (Radar-First) repräsentieren die drei verschiedenen Eingangspfade in dieselbe Multi-Sensor-Architektur. Keiner der drei führenden Anbieter empfiehlt mehr einen Einzelsensor-Ansatz für kritische Infrastruktur.

Was das für die Implementierungsplanung bedeutet: Du planst kein Radar-KI-Projekt, sondern ein Sensornetzwerk-Integrationsprojekt, bei dem KI-Klassifikation ein Modul ist. Das erhöht Aufwand und Kosten, aber auch die operationale Robustheit erheblich.

Konkrete Werkzeuge — was wann passt

Die Wahl hängt von drei Faktoren ab: vorhandene Radarinfrastruktur, Datenschutzanforderungen und Budget.

Robin Radar IRIS — wenn Radar der primäre Einstiegspunkt ist
IRIS ist das spezialisierte Produkt eines Unternehmens, das aus der Vogelschlag-Radarforschung kommt — das Kernproblem (Vogel vs. Drohne) ist buchstäblich deren DNA. Das mobile System (29 kg, 15 Minuten Aufbau) eignet sich für temporäre Einsätze (Staatsbesuche, Sportveranstaltungen) genauso wie für permanente Installation. Für Flughäfen, die bereits Robin-Vogelschlag-Radar betreiben, ist IRIS die logische Erweiterung: Selbe Oberfläche, selbes Team, zweiwöchige Kalibrierung. Preis pro Einheit: unter 1 Million USD.

Dedrone (jetzt Axon) — wenn multi-sensorische Abdeckung gefragt ist
Dedrone DroneTracker.AI ist die Softwareplattform, die heterogene Sensorquellen fusioniert. 20+ Flughäfen weltweit, vier G7-Regierungen, getestet in NATO-Übungen (Project VANAHEIM 2025). Stärke: umfangreiche Drohnen-Signaturdatenbank, die regelmäßig aktualisiert wird, wenn neue Drohnenmodelle auf den Markt kommen. Schwäche: US-amerikanisches Unternehmen (jetzt Axon-Konzern), Datenhaltung primär in den USA; für deutsche Behörden und Bundeswehr-Installationen müssen spezielle Vertragsklauseln zur Datensouveränität vereinbart werden.

Aaronia AARTOS — wenn On-Premise und deutsches Unternehmen Voraussetzung sind
Das einzige der drei Systeme, das vollständig On-Premise ohne Cloud-Anbindung betrieben werden kann und von einem deutschen Unternehmen stammt. Referenz London Heathrow: Komplettinstallation für ca. 6 Millionen Euro. RF-First-Ansatz: besonders stark bei der Identifikation von Drohnen mit aktiver Steuerverbindung. Schwäche: Autonome Drohnen ohne Funkkommunikation sind für RF-Sensoren unsichtbar.

Fraunhofer FHR / DLR-Kooperationen — für Forschungs- und Behördeninstallationen
Wer keine kommerziellen Produkte einsetzen will oder kann, kann auf Forschungseinrichtungen zurückgreifen: Das Fraunhofer-Institut für Hochfrequenzphysik und Radartechnik (FHR) in Wachtberg bietet MIMO-Radar-Forschungssysteme, das DLR hat 2024 eigene Technologie bei Magdeburg-Cochstedt validiert. Diese Option ist relevant für Bundeswehr-Installationen und kritische Infrastruktur mit hoher Geheimhaltungsanforderung.

Zusammenfassung: Wann welcher Ansatz

• Vorhandenes Vogelschlag-Radar, Erweiterung um Drohnenerkennung → Robin Radar IRIS
• Multi-Sensor-Fusion mit globaler Drohnen-Signaturdatenbank → Dedrone DroneTracker.AI
• Deutsches Unternehmen, On-Premise, kein US-Datentransfer → Aaronia AARTOS
• Bundeswehr/Behörde mit Geheimhaltungsanforderung → Fraunhofer FHR / DLR-Kooperation

Regulatorischer Rahmen: Was das Recht wirklich erlaubt

Drohnenerkennung ohne Rechtsrahmen ist teures Theater. Bevor du in Technologie investierst, musst du verstehen, was das System rechtlich leisten darf — und was nicht.

Deutsche Sperrgebiete: LuftVG § 21b
In Deutschland sind Flughäfen mit einem Umkreis von typischerweise 1,5 km (Kontrollzone) bis zu 5 km (erweitertes Kontrollgebiet) als Flugverbotszonen für Drohnen ausgewiesen. Ein Einflug ist eine Ordnungswidrigkeit (bis 50.000 Euro Bußgeld) bzw. bei vorsätzlicher Gefährdung eine Straftat nach § 315 StGB. Die Strafverfolgung liegt beim zuständigen Polizeipräsidium.

EU U-space: Verordnung (EU) 2021/664
Das U-space-Regelwerk der EU definiert vier verpflichtende Dienste für UAS-Betrieb in designierten Lufträumen: Netzwerk-Identifikation, Geo-Awareness, Flugautorisierung und Verkehrsinformation. Ab 2025 schrittweise verpflichtend in EU-Mitgliedsstaaten. Deutschland ist in der Umsetzung — Hamburg ist einer der ersten U-space-Demonstratorstandorte. Für Flughafenbetreiber bedeutet das: Dein Drohnendetektionssystem muss künftig in die U-space-Diensteinfrastruktur integriert werden können.

Behördenkoordination: Wer handelt bei einem Einflug?
Flughafenbetreiber haben keine Exekutivbefugnis. Das Detektionssystem meldet — die Bundespolizei (zuständig für Flughafensicherheit) handelt. Das erfordert ein vorab vereinbartes Einsatzprotokoll: Welcher Alarm-Schwellwert löst eine Benachrichtigung aus? Welche Informationen übermittelt das System an die Bundespolizei? Wer entscheidet über eine Landebahnsperre? Diese Abstimmung dauert Monate und muss vor der Inbetriebnahme abgeschlossen sein.

Jamming und elektronische Gegenmaßnahmen: Nicht ohne Sondergenehmigung
RF-Jamming (Störung der Drohnen-Steuerverbindung) und GPS-Spoofing sind in Deutschland grundsätzlich nach dem Telekommunikationsgesetz (TKG) untersagt — auch zur Gefahrenabwehr. Ausnahmen existieren für bestimmte Bundesbehörden (Bundespolizei, Bundeswehr) unter spezifischen rechtlichen Bedingungen. Für zivile Flughafenbetreiber gilt: Das System darf erkennen und melden — gegenmaßnahmen sind Behördensache.

Detektion ist nicht Intervention: Was nach dem Alarm passiert

Das ist der konzeptuelle Fehler, der teuer werden kann: “Wir installieren Drohnenerkennung und sind geschützt.”

Drohnenerkennung bedeutet: Du weißt, dass da eine Drohne ist. Was dann passiert, hängt von Faktoren ab, die das technische System nicht kontrolliert.

Das Zeitfenster ist klein. Eine Drohne mit 15 m/s auf Endanflugkurs bei 3 km Entfernung hat den kontrollierten Luftraum in unter 3,5 Minuten durchquert. Die KI-Klassifikation dauert Sekunden — aber die Entscheidungskette (Alarm → Lagecenter → Tower → Pilot → Bahnabbruch oder Umkehranweisung) kann länger dauern. Wenn das Einsatzprotokoll nicht vorab eingeübt und automatisiert ist, hilft die schnellste KI der Welt nicht.

Erkennung ohne Identifikation ist Strafverfolgung im Blindflug. Das System zeigt: Drohne, Quadcopter, 2,1 kg, aus nordöstlicher Richtung. Ohne RF-Fingerabdruck kann die Bundespolizei den Piloten nicht lokalisieren. Ohne optische Identifikation keine Beweissicherung. Das Problem wird erkannt, aber selten aufgeklärt — was die Abschreckungswirkung begrenzt.

Psychologische Desensibilisierung ist das versteckte Langzeitrisiko. Wenn das neue System die Falschalarmrate von 80% auf 15% senkt — was ein enormer Fortschritt ist — aber trotzdem noch täglich 5–8 Alarme produziert, von denen letztlich 4–6 keine operationale Konsequenz haben, beginnt der bekannte Lerneffekt wieder: Teams entwickeln Ermessensspielräume. Der Betrieb dokumentiert: Von 200 Alarmen im ersten Monat führten 12 zu einer Lagebeurteilung, 3 zu Bundespolizei-Benachrichtigung, 0 zu Festnahmen. Was passiert im zweiten Monat mit der Alertness?

Das Detektionssystem ist nur so gut wie das operative Protokoll dahinter.

Datenschutz und Datenhaltung

Drohnendetektionssysteme erfassen personenbezogene Daten: Wenn ein Drohnenpilot identifiziert wird (GPS-Position, RF-Fingerabdruck der Fernsteuerung, visuelle Kameraaufnahmen), entstehen personenbezogene Daten im Sinne der DSGVO. Zusätzlich gelten für die optische Überwachung des Flughafenperimeters die Grundsätze des Bundesdatenschutzgesetzes (BDSG).

Wichtige Punkte für den Betrieb:

• Videoüberwachung: Wenn Kameras öffentlichen oder halböffentlichen Raum (Straßen, Parkplätze, Außenbereiche) erfassen, gilt §4 BDSG (Videoüberwachung öffentlich zugänglicher Räume). Entsprechende Beschilderung und Datenschutz-Folgenabschätzung sind erforderlich.
• RF-Fingerprinting von Fernsteuerungen: Ob Funksignatur-Daten als personenbezogene Daten einzustufen sind, hängt davon ab, ob sie einer Person zugeordnet werden können (z.B. über DJI-Registrierungsdaten). Rechtlich noch nicht vollständig geklärt in Deutschland.
• Datenhaltung bei US-Anbietern: Dedrone als Axon-Tochter ist US-amerikanisch. Für deutsche Behörden und sicherheitskritische Installationen muss ein Datenverarbeitungsvertrag (AVV) nach Art. 28 DSGVO mit Klauseln zur Datensouveränität vereinbart werden. Praktischer Hinweis: Einige Dedrone-Installationen laufen on-premise ohne Cloud-Übertragung — das muss vertraglich explizit festgelegt werden.
• Aaronia und Robin Radar: EU-basiert, On-Premise möglich, deutlich einfachere DSGVO-Compliance.

Empfehlung: Beziehe Datenschutzbeauftragten und Rechtsabteilung in die Systemauswahl ein — nicht nach der Beschaffungsentscheidung, sondern davor. Die Wahl zwischen US-basiertem und EU-basiertem Anbieter hat direkte datenschutzrechtliche Konsequenzen.

Was es kostet — realistisch gerechnet

Die Kostenbandbreite ist enorm — weil die Komplexität des Problems enorm ist.

Einmalige Investitionskosten

Zum Vergleich: Aaronia hat London Heathrow — Europas größten Flughafen — für ca. 6 Millionen Euro ausgestattet.

Laufende Kosten

• Software-Lizenzen und Datenbankupdates (Drohnen-Signaturen): 50.000–200.000 EUR/Jahr
• Wartung und Kalibrierung: 5–10% der Investitionskosten pro Jahr
• Betriebspersonal: Je nach Automatisierungsgrad 0,5–2 FTE für Systemüberwachung und -pflege
• Modell-Retraining bei neuen Drohnenmodellen: quartalsweise oder anlassbezogen

Was du dagegenrechnen kannst
Eine einzige Landebahnsperre durch Drohnenvorfall kostet Flughäfen typisch 50.000–200.000 EUR in Slot-Verlusten, Passagierbetreuung und operativen Kosten. London Gatwick 2018: Drohnenvorfälle führten zu einer 36-stündigen Abfertigung unter erheblichen Einschränkungen — Kostenschätzungen von über 50 Millionen Pfund in Gesamtverlusten für Airlines und Flughafen. Flughäfen mit 5+ Unterbrechungen pro Jahr haben eine klare ROI-Rechnung. Flughäfen mit 1 Vorfall pro 3 Jahre haben sie nicht.

Wie du den Nutzen tatsächlich misst
Der fairste Maßstab ist nicht die vermiedene Unterbrechung (counterfactual), sondern die operationale Verbesserung: Wie hat sich die Ratio von Alarmen zu tatsächlichen Incidents entwickelt? Wie lange dauert die Entscheidungskette vom Alarm bis zur bestätigten Lagebewertung? Diese Zahlen sind messbar, objektiv und unabhängig von hypothetischen Schäden.

Typische Einstiegsfehler

1. Das Radarsystem als alleinige Lösung kaufen.
Kein ernstzunehmendes System arbeitet heute Radar-only. Wer ein Drohnenerkennung-Produkt kauft, ohne die Multi-Sensor-Fusionsfrage zu beantworten, kauft die halbe Lösung: Ein reines Radar-System verpasst autonome Drohnen ohne Translationsbewegung und erreicht in der Praxis Erkennungsraten unter 60 % — weit unter den >95 %, die Multi-Sensor-Fusion liefert. Die Nachbestellung der fehlenden Sensorschicht kostet dann 30–50 % mehr als eine von Anfang an integrierte Planung. Lösung: Systemauswahl von Anfang an als Sensorfusion-Architektur denken, auch wenn das Budget zunächst nur den RF-Einstieg erlaubt.

2. Das Modell nach der Inbetriebnahme nicht mehr pflegen.
Das ist das härteste Wartungsproblem dieser Use-Case-Kategorie. Drohnenmodelle entwickeln sich schnell: 2020 war der DJI Phantom das Standardproblem, heute sind es Mini-Drohnen unter 250g, autonome Drohnen und First-Person-View-Drohnen mit anderen Signaturcharakteristika. Ein Modell, das 2024 trainiert wurde, erkennt 2026er Drohnen mit statistisch messbarem Genauigkeitsverlust. Wer kein Retraining-Budget und -Protokoll einplant, hat nach 18–24 Monaten ein System, das neue Drohnentypen schlechter erkennt, aber trotzdem “aktiv” ist. Lösung: Vierteljährliche Modell-Überprüfung einplanen, sobald neue kommerzielle Drohnenmodelle die 5-Prozent-Marktschwelle überschreiten.

3. Behördenabstimmung ans Ende der Projektplanung schieben.
Das Einsatzprotokoll mit der Bundespolizei und der zuständigen Luftfahrtbehörde ist kein bürokratisches Detail — es ist die Bedingung dafür, dass das System operativ wirksam wird. Diese Abstimmung dauert in der Praxis 3–6 Monate. Wer damit wartet, bis die Hardware installiert ist, hat ein fertiges System, das noch nicht betrieben werden darf. Lösung: Behördenkoordination in Woche 1 des Projekts beginnen, parallel zur technischen Planung.

4. Fehlalarme als “normalen Betrieb” akzeptieren, statt das Modell nachzuschärfen.
Eine initiale Fehlalarmrate von 15–20% nach Inbetriebnahme ist normal — das Modell kennt den lokalen Vogelbestand und das Wetterumfeld noch nicht vollständig. Das Gefährliche: Viele Betreiber akzeptieren das als Systemcharakteristik statt als Kalibrierungsproblem. Falschalarmraten unter 5% sind bei gut kalibrierten Systemen realistisch erreichbar — aber nur mit konsequentem Feedback-Loop in den ersten 6–12 Betriebsmonaten (jeder Fehlalarm wird gelabelt und für Nachtraining verwendet). Lösung: Annotationsprotokoll für Fehlalarme vor dem Go-Live definieren — wer gelabelt, wie gespeichert, wann ins Retraining.

Was mit der Einführung wirklich passiert — und was nicht

Drohnenerkennung ist kein IT-Projekt, das ein Team einführt und das dann läuft. Es ist ein sicherheitsbetriebliches Transformationsprojekt.

Was sich ändert, bevor die erste Drohne erkannt wird:
Das Security-Team muss umlernen. Die bisherige Aufgabe “schaue auf Radar, entscheide selbst ob Drohne oder Vogel” wird zu “empfange klassifizierte Meldung, prüfe Konfidenzwert, leite Protokoll ein”. Das klingt einfacher, ist es aber nicht — weil Menschen dazu neigen, Systemempfehlungen zu über- oder untergewichten. Wer dem System blind vertraut, hat ein neues Problem; wer es systematisch überstimmt, hat das alte Problem zurück.

Der Bundespolizei-Koordinator ist die unterschätzte Schlüsselperson.
Bei vielen Installationen zeigt sich, dass nicht die Technologie, sondern die Einbindung der Bundespolizei-Dienststelle am Flughafen den Zeitplan bestimmt. Die Bundespolizei hat eigene Protokolle, eigene IT-Systeme und eigene Priorisierungen. Eine Schnittstelle zwischen deinem Alarmsystem und der Bundespolizei-Leitstelle ist keine technische Herausforderung — sie ist eine koordinationslogistische. Plane dafür 3–4 Monate Abstimmungsaufwand ein.

Techniker und Security-Team sprechen nicht dieselbe Sprache.
Systemingenieure sprechen von “Falsch-Positiv-Rate” und “ROC-Kurven”, Security-Operatoren von “Fehlalarm” und “zu viele Störmeldungen”. Beides beschreibt dasselbe Problem, aber die Lösung sieht für beide unterschiedlich aus. Ein Implementierungsprojekt, das keine gemeinsame Metrik-Sprache entwickelt, scheitert nicht an der KI — es scheitert an der Kommunikation zwischen den Gruppen.

Was konkret hilft:

• In Woche 1: Cross-funktionale Kerngruppe bilden — Flughafensicherheit, IT, Bundespolizei-Vertreter, Systemanbieter. Die Gruppe definiert gemeinsam die Alarm-Schwellwerte und das Eskalationsprotokoll.
• Vor Go-Live: Tabletop-Übung mit einem simulierten Drohnenvorfall durchführen — wer tut was, innerhalb welcher Zeit?
• Nach Go-Live: Wöchentlicher 30-Minuten-Review der Alarm-Statistiken in den ersten 3 Monaten. Kein technischer Tiefgang — nur: Was war richtig, was war falsch, was fehlt?

Realistischer Zeitplan mit Risikohinweisen

Wichtige Einschätzung: Dieser Zeitplan gilt für eine gut vorbereitete Installation mit sofort zugänglicher Radarinfrastruktur und kooperativer Bundespolizei-Dienststelle. In der Praxis berichten Systemintegratoren von 14–18 Monaten bis zum zertifizierten Vollbetrieb.

Häufige Einwände — und was dahintersteckt

“Wir haben bereits ein Sicherheitsradar — das reicht.”
Klassische Primärradare wurden für die Luftraumüberwachung großer Luftfahrzeuge entwickelt, nicht für Objekte mit 50–200 Gramm RCS. Das sind fundamental andere Signalanforderungen. Das bestehende Radar liefert die Rohdaten — die KI-Klassifikation ist der Verarbeitungsschritt, der daraus eine verwertbare Aussage macht. Beides ist nötig.

“Die Fehlalarmrate von 10% ist immer noch zu hoch für unseren Betrieb.”
Das ist ein berechtigter Einwand, kein Missverständnis. 10% Falschalarmrate bedeutet bei 50 Alarmen pro Tag immer noch 5 falsche Meldungen. Die Antwort ist Kontextualisierung: Nicht jeder Alarm löst dieselbe Reaktion aus. Confidence-Level und Kontextinformationen (Tageszeit, Wetterlag, Vogelzugkalender) ermöglichen ein abgestuftes Protokoll: Hoher Confidence-Wert + ungünstige Flugbahn → sofortige Eskalation; Mittlerer Confidence-Wert + harmlose Flugbahn → Beobachtung. Kein binäres Alarm/kein-Alarm-System.

“Wir können das Modell nicht auf unserem Radar trainieren — der Hersteller gibt uns keinen I/Q-Datenzugang.”
Das ist ein reales und häufiges Hindernis. Viele Radarhersteller sichern ihre Rohdaten-Schnittstellen proprietär ab. Lösungsansätze: (a) Dediziertes Sekundärradar speziell für Drohnenerkennung installieren (Robin Radar IRIS-Ansatz — eigener Sensor, kein Zugang zum Primärradar nötig), (b) Mit dem Primärradar-Hersteller ein Upgrade auf offene I/Q-Schnittstelle verhandeln, (c) Auf RF-only-Ansatz (Aaronia) ausweichen, der das bestehende Radar gar nicht braucht.

“Das ist zu teuer für einen Flughafen unserer Größe.”
Für kleine Regional- oder Verkehrsflughäfen unter einer bestimmten Vorfallsdichte stimmt das. Ein RF-only-Basisschutz für 300.000–500.000 EUR ist aber auch für kleinere Betreiber darstellbar — und erfüllt die Mindestanforderungen an nachweisbare Sorgfaltspflicht. Die Frage ist nicht “Komplettsystem ja oder nein”, sondern “Was ist der risikoproportionale Mindestschutz für unsere Vorfallshistorie?”

Woran du merkst, dass das zu dir passt

Du bist in der richtigen Zielgruppe, wenn mindestens drei dieser Punkte zutreffen:

• Dein Flughafen hatte in den letzten 24 Monaten mindestens einen dokumentierten Drohnenvorfall, der zu einer Betriebsunterbrechung oder zu einem Pilotenreport geführt hat
• Dein Security-Team behandelt Radar-Drohnenmeldungen mit systematischer Skepsis — weil die Falschalarmrate aus der Vergangenheit gelernt hat, dass die meisten Meldungen Vögel sind
• Du betreibst kritische Infrastruktur (Kraftwerk, Gefängnisgelände, Militärstandort, Kernanlage) mit Flugverbotszone und hast kein automatisiertes Detektionssystem
• Du bist Sicherheitsbehörde (Bundespolizei, Landespolizei) und benötigst belastbare Grundlage für Strafverfolgungsmaßnahmen nach Drohnenvorfällen
• Dein Flughafen steht vor Erneuerung des Vogelschlag-Radarsystems — dies ist der kostengünstigste Zeitpunkt, Drohnenerkennung mit einzuplanen

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Kein permanentes 24/7-Sicherheits-Team am Standort. Ein Drohnendetektionssystem, das Alarme erzeugt, aber niemanden hat, der darauf reagiert, ist nutzlos und gefährlich — nutzlos weil keine operative Wirkung, gefährlich weil es formal aktiv wirkt. Kleinstflughäfen und Heliports ohne dediziertes Sicherheitspersonal sollten Drohnenschutz nicht über Technologie lösen, sondern über Gemeinschaftslösungen mit der lokalen Polizei.

2. Kein vorab vereinbartes Einsatzprotokoll mit der Bundespolizei. Solange kein unterschriebenes Einsatzprotokoll vorliegt, das definiert, welcher Alarm welche Reaktion auslöst und wer wann die Bundespolizei informiert, fehlt die rechtliche und operative Grundlage für den Betrieb. Technologie ohne Protokoll ist ein Experiment, kein Sicherheitssystem.

3. Keine existierende Radarinfrastruktur und Budget unter 1 Million Euro. Wer von null aufbaut, muss Sensor-Hardware, Integration, Training und Behördenabstimmung aus demselben Budget finanzieren. Das funktioniert nicht unter 1 Million Euro für einen Standort mit mehr als kleinster Fläche. Unterhalb dieser Schwelle ist ein RF-only-Ansatz (günstiger Einstieg, aber blinde Flecken bei autonomen Drohnen) oder die Investition in passive Maßnahmen (sensorgestützte Zaunüberwachung, verstärkte Kontrollen bei bekannten Risikozeiträumen) die ehrlichere Alternative.

Das kannst du heute noch tun

Starte nicht mit einer Ausschreibung, sondern mit einer Schwachstellenanalyse. Die folgende Übung dauert einen halben Tag und kostet nichts — sie zeigt dir, ob und wo du ein reales Problem hast:

Lass dein Security-Team rückwirkend alle Radar-Meldungen der letzten 90 Tage kategorisieren: Vogel bestätigt / Drohne bestätigt / unklar / nicht verfolgt. Wenn der “unklar”-Anteil über 30% liegt oder wenn es Vorfälle gibt, die mit “nicht verfolgt” abgelegt wurden, hast du ein messbares Problem. Das Ergebnis ist auch die beste Vorbereitung für ein Gespräch mit potenziellen Systemanbietern — wer mit konkreten Vorfallsdaten ins Erstgespräch geht, bekommt belastbarere Systemempfehlungen als wer allgemein fragt.

Für eine erste technische Bewertung deiner Radarinfrastruktur:

Quellen & Methodik

• DLR Flugversuche 2024 (MIMO-Radar Magdeburg-Cochstedt): Deutsches Zentrum für Luft- und Raumfahrt, „DLR bestätigt in Flugversuchen Radarsystem für den unkontrollierten Luftraum”, August 2024. URL: dlr.de. Validierung des MIMO-Radarsystems für die Erkennung schwebender Drohnen durch Rotorvibrationsanalyse.
• HENSOLDT Kostenangabe: HENSOLDT-CEO Oliver Dörre, zitiert in airliners.de, „Hensoldt: Drohnenschutz für einen Flughafen kostet zehn Millionen Euro”, Oktober 2025. Direktes Zitat zu Investitionskosten für einen Großflughafen.
• Aaronia Heathrow-Referenz: Aerointernational.de, „Automatisches Abwehrsystem: Auf Drohnenjagd am Flughafen mit AARTOS”. London Heathrow als Referenzinstallation für ca. 6 Mio. EUR.
• Micro-Doppler-Klassifikationsgenauigkeit: Rahman & Robertson, „Classification of drones and birds using convolutional neural networks applied to radar micro-Doppler spectrogram images”, Sensors 2020; Narayanan et al., MDPI Sensors 2023 (96% Genauigkeit Drohne/Vogel mit SVM auf 10-GHz-CW-Radar); Spektral-Kurtosis-Studie, MDPI Electronics 2024 (98% durchschnittliche Klassifikationsgenauigkeit).
• Vorfallszahlen Deutschland: Deutsche Flugsicherung (DFS), Berichte zu Drohneneinflügen nahe Flughäfen; DFS-Website „Drones at airports” (Ersthalbjahr 2024: 75 Vorfälle bestätigt; Hochrechnung auf 400+ für 2023 basierend auf DFS-Pressemitteilungen).
• Robin Radar IRIS: Produktdatenblatt Robin Radar Systems (robinradar.com, 2024); Defense News, „Dutch radar firm Robin turns bird-spotting skills into drone defense”, September 2025.
• U-space Regulierung: Verordnung (EU) 2021/664 der Kommission vom 22. April 2021; EASA Easy Access Rules for U-space, Mai 2024.
• Dedrone / Axon: Axon-Pressemitteilung, Oktober 2024 (Abschluss der Dedrone-Akquisition); Project VANAHEIM 2025, axon.com.
• Rechtlicher Rahmen Deutschland: Luftverkehrsgesetz (LuftVG) § 21b (Flugverbotszonen); Telekommunikationsgesetz (TKG) § 55 ff. (Frequenznutzung/Störverbot); BDSG § 4 (Videoüberwachung öffentlich zugänglicher Räume).

Willst du wissen, ob deine bestehende Radarinfrastruktur für KI-Klassifikation geeignet ist oder welcher Systemansatz für deinen Standort passt? Meld dich — das klären wir konkret.