Charakterisierung und Wiedererkennung von GNSS-Interferenzen durch Föderales Lernen (DARCII)

Federated Learning for (mobile) GNSS-interference Analysis:
Das Gesamtziel dieses Vorhabens ist die Orchestrierung aktueller KI-Technologien zur personalisierten Störsendercharakterisierung über (geografisch) verteilte und mobile Erkennungsknoten hinweg. Es soll eine Erlangung von Resilienz gegenüber verschiedenen Umgebungen, Antennenmustern und unbekannten Störsendern erzielt werden. Dafür wird Föderales Lernen (engl. Federated Learning) von GNSS-Interferenzen am Sensorknoten zur Reduzierung lokaler Einflüsse, sowie in der Cloud zur Adaptierung eines gerätetypischen Störmusters als Fingerprint erforscht und entwickelt. Durch Lernen mit wenigen Referenzpunkten (engl. Few-shot Learning) werden die KI-Modelle auf neuartige Störmuster adaptiert. Außerdem werden Zusatzinformationen zum Fingerprint, wie bspw. Bild, manuell abgespeichert. Ziel ist, die relevanten Ergebnisinformationen in einem Webfrontend darzustellen. Zur Orchestrierung der KI-Technologien wird ein dezentraler DARCII-Datenraum aufgespannt und dessen Öffnung für externe Daten entwickelt. Durch die Einbindung dieser externer Anbieter wird eine hohe Generalisierbarkeit der KI-Modelle erzielt. Dies ermöglicht einen wissenschaftlichen und technischen Fortschritt gegenüber Drittanbietern.

Mehr Informationen

 

Satelllitenbasierte Lokalisierungssysteme

Satellitennavigationsempfänger und -antennen für vielfältige Anwendungen

 

Data Analytics und Machine Learning

Robuste Tracking-Algorithmen und Datenanalyseverfahren mittels maschinellem Lernen sowie statistischer Methoden