Large Language Models (LLMs) spielen in der Command & Control (C2) von modernen Drohnenabwehrsystemen eine spezialisierte, noch junge Rolle. Sie ergänzen klassische Machine-Learning- und Sensor-Fusion-Verfahren, ersetzen sie aber nicht.
Wo LLMs ansetzen
Die zeitkritischen Kernaufgaben der Kill Chain – Detektion, Tracking und schnelle Effektor-Zuweisung – bleiben bei spezialisierten, latenzarmen ML-Modellen und regelbasierten Systemen (z. B. Hensoldt Elysion Mission Core oder Anduril Lattice).
LLMs kommen vor allem als höhere Reasoning- und Entscheidungsschicht darüber zum Einsatz. Sie verarbeiten bereits fusionierte Sensor- und Track-Daten und liefern kontextuelles Verständnis, Intent-Bewertung und menschenverständliche Empfehlungen.
Konkrete Funktionen
- Multi-modale Bedrohungs- und Intent-Analyse
Das LLM reasoniert über Radar-, RF-, EO/IR- und akustische Daten hinweg, erkennt Widersprüche zwischen Sensoren und schätzt die Absicht einer Drohne (Aufklärung, Angriff, Schwarm-Element). Ein Beispiel ist das ATLAS-Konzept (Continuum Resources), das LLM-gestützte Fusion für Threat Classification und Engagement-Empfehlungen in unter 8 Sekunden anstrebt. - Natürliche Sprache als Interface
Operatoren können in normaler Sprache Anweisungen geben oder nachfragen. Das LLM übersetzt diese in konkrete C2-Aktionen. Anduril hat 2025 demonstrativ LLM-ähnliche Modelle für Sprachbefehle an Drohnen-Schwärme eingesetzt. - Erklärbarkeit und Entscheidungsunterstützung
LLMs erzeugen nachvollziehbare Begründungen („Warum wird diese Spur als hohe Bedrohung eingestuft?“). Das entlastet den Operator und verbessert die Nachvollziehbarkeit unter Zeitdruck. - Höhere Planung und Koordination
In Forschungsarbeiten werden LLMs für Task Allocation in Schwärmen, kollaborative Missionsplanung und die Integration externer Threat-Intelligence genutzt.
Aktueller Stand und Grenzen (2026)
LLMs befinden sich in der C-UAS-C2 noch weitgehend im Forschungs- und Prototyp-Stadium. Operative Systeme setzen weiterhin primär auf klassische AI/ML-Verfahren für die Echtzeit-Teile der Abwehrkette.
Vorteile: Besseres Kontextverständnis, Umgang mit neuartigen Bedrohungen, Erklärbarkeit.
Nachteile: Höhere Latenz, Halluzinationsrisiko und schwierige Verifikation – deshalb bleiben sie meist in einer unterstützenden, nicht in einer vollautonomen Rolle.
Kurz gesagt: LLMs machen die C2-Ebene „verständiger“ und dialogfähiger. Die eigentliche schnelle Abwehrentscheidung bleibt bei den bewährten, spezialisierten Systemen. Die Kombination beider Ansätze ist der aktuelle Entwicklungspfad.
