Mit einer Kamera und 500 Befehlen pro Sekunde: KI-Drohne der TU Delft schlägt drei FPV-Weltmeister

Zwei Runden durch elf Tore in 16,56 Sekunden, in der Spitze gut 100 Kilometer pro Stunde, ohne GPS, ohne externe Kameras, ohne vorab gelernte Flugbahn: Damit gewann eine Drohne der Technischen Universität Delft am 11. und 12. April 2025 das Zeitfahren der Abu Dhabi Autonomous Racing League (A2RL) und anschließend ein K.-o.-Turnier gegen die besten menschlichen FPV-Piloten. Das System heißt MonoRace. Die Studie des Micro Air Vehicle Laboratory (MAVLab) dazu ist am 14. Oktober 2026 begutachtet in Science Robotics erschienen. 

Die Drohne stellte der Veranstalter. An Bord waren eine einzelne Kamera mit Rolling-Shutter-Sensor, eine Inertialmesseinheit (IMU) und ein Rechner vom Typ Jetson Orin NX von NVIDIA. 

Das Rennen: elf Tore, zwei Runden, drei K.-o.-Duelle

Der Wettbewerb fand in einer 100 × 30 Meter großen Halle statt, organisiert von A2RL und der Drone Champions League (DCL). Die Strecke bestand aus elf quadratischen Toren mit 1,5 Metern Öffnung, darunter zwei Doppeltore und ein Split-S-Manöver. Vier Disziplinen standen an: ein Zeitfahren, das Duell Mensch gegen KI in drei K.-o.-Runden, ein Rennen mit vier KI-Drohnen gleichzeitig und ein Drag Race über 83 Meter; laut Veranstalter waren 14 Teams aus elf Ländern qualifiziert. 

MonoRace gewann Zeitfahren, Duell und Drag Race; im Vierer-Rennen wurde es Dritter, weil das System andere Drohnen weder erkennt noch ihnen ausweicht. Die menschlichen Gegner waren die bestplatzierten Piloten des parallel ausgetragenen DCL Falcon Cup, laut Studie drei ehemalige FPV-Weltmeister. Die Namen der Piloten nennt der Text der Studie nicht; nur in einer Bildunterschrift taucht Killian Rousseau als Gegner des schnellsten erfolgreichen Flugs auf. Die vom Veranstalter gemessenen Zeiten der K.-o.-Läufe stehen in einer Abbildung der Studie. 

Eine Kamera, ein Lagesensor, 500 Motorbefehle pro Sekunde

Die Wahrnehmung beruht darauf, dass Form und Position der Tore bekannt sind. Ein neuronales Netz (GateNet) trennt in einem 384 × 384 Pixel großen Bildausschnitt, in dem die nächsten Tore erwartet werden, die Torrahmen vom Hintergrund. Aus den Eckpunkten der Tore berechnet das System per Perspektiv-Projektion die eigene Position; ein Kalman-Filter verschmilzt sie mit den Daten der IMU. 

Die Steuerung übernimmt ein kleines neuronales Netz mit drei Schichten zu je 64 Neuronen. Es erhält 24 Zustandsgrößen und gibt direkt die Befehle für die vier Motoren aus, ohne die üblichen Zwischenregler, mit 500 Hertz auf dem Flugregler. Trainiert wurde es per Reinforcement Learning (PPO) in einer Simulation, in der die meisten Parameter des Drohnenmodells pro Episode um mindestens 40 Prozent variiert wurden. 

Ein Zusatz erwies sich im Wettbewerb als entscheidend: Der Beschleunigungssensor sättigt bei 16 g; weicht die Messung mehr als 22 m/s² vom physikalischen Modell ab, vertraut der Filter dem Modell. Die Kameraausrichtung kalibriert das Team zudem aus den eigenen Flugdaten, auf etwa ein Grad genau. 

Ergebnisse in Zahlen

Werte laut Studie; nur die Wettbewerbszeit wurde vom Veranstalter gemessen. 

Grenzen: feste Tore, keine Kollisionsvermeidung, ein Mensch gewinnt zurück

Die Autoren benennen die Grenzen selbst: Das Steuernetz setzt eine fehlerfreie Positionsschätzung voraus, die Bilderkennung ist auf rechteckige Tore trainiert, und andere Drohnen erkennt das System nicht, was im Vierer-Rennen zu einer Kollision führte. Die Geschwindigkeitsangaben weichen ab: 100 km/h in der Studie, 95,8 km/h in der TU-Delft-Mitteilung vom April 2025, „über 150 km/h“ beim Veranstalter ohne Zuordnung zu einer Drohne. 

Und das Duell ist nicht entschieden. Bei der zweiten A2RL-Saison im Januar 2026 schlug der südkoreanische Pilot Minchan Kim, laut DroneDJ amtierender FPV-Weltmeister, im Finale die KI-Drohne des Technology Innovation Institute (TII) aus Abu Dhabi: Nach 4:4 Läufen im Best-of-nine streifte die KI im entscheidenden Lauf ein Tor. Die schnellste KI-Runde fuhr dort TII mit 12,032 Sekunden, das MAVLab folgte mit 12,832 Sekunden und gewann das Mehrdrohnen-Rennen. 

Vergleich mit Swift: von 22 auf 28 Meter pro Sekunde

Den ersten Sieg einer autonomen Drohne über Weltklassepiloten hatte 2023 die Gruppe um Davide Scaramuzza an der Universität Zürich in Nature veröffentlicht. Swift trat gegen Alex Vanover, Thomas Bitmatta und Marvin Schaepper an, gewann die Mehrheit der Rennen und fuhr die schnellste Zeit, eine halbe Sekunde vor dem besten Menschen. Es nutzte eine Stereo-Trackingkamera von Intel RealSense und eine per Reinforcement Learning trainierte Steuerung; die Simulation wurde mit Motion-Capture-Daten abgeglichen. Als Grenzen nannten die Zürcher: keine Erholung nach einem Absturz, Empfindlichkeit gegenüber veränderter Beleuchtung, eine Kamera mit nur 30 Hertz. 

MonoRace geht in drei Punkten darüber hinaus: eine statt zwei Kameras, kein Motion-Capture-System in irgendeiner Phase, und ein fremd ausgerichteter Wettbewerb mit fremder Hardware. Die Spitzengeschwindigkeit stieg laut Studie von rund 22 m/s auf 28,23 m/s, allerdings auf einer längeren Strecke (76 × 18 × 5,4 statt 30 × 30 × 8 Meter). 

Was das für Drohnen bedeutet

Man habe sehen wollen, wie viel Intelligenz sich aus sehr begrenzten Mitteln herausholen lasse, statt dem Roboter immer leistungsfähigere Sensoren und Computer zu geben, sagt Teamleiter Christophe De Wagter in der Mitteilung der TU Delft. Guido de Croon, Professor am MAVLab, sieht die Prinzipien auch jenseits des Rennens, von Staubsaugerrobotern bis zu großen Hafenkränen. Die Autoren erwähnen auch militärische Einsatzmöglichkeiten und hoffen auf zivile Nutzung; die Steuerung wurde aus dem EU-Projekt SPEAR gefördert. Eine Veröffentlichung des Codes nennt das Preprint nicht. 

Die Studie

„MonoRace: Winning Champion-Level Drone Racing with Robust Monocular AI“ von Stavrow A. Bahnam, Robin Ferede, Till M. Blaha, Anton E. Lang, Erin Lucassen, Quentin Missinne, Aderik E. C. Verraest, Christophe De Wagter und Guido C. H. E. de Croon (alle TU Delft) erschien am 14. Oktober 2026 in Science Robotics (DOI 10.1126/scirobotics.aee9250). Die Zahlen in diesem Artikel stammen aus dem Preprint auf arXiv (2601.15222, CC BY 4.0), da die Science-Robotics-Seite für uns nicht abrufbar war.