Arbeitsgruppe Expertengestützte Datenanalyse und Qualitätsprozesse

Aufgrund der zunehmenden Komplexität geodätischer Messprozesse ist eine fortlaufende Erweiterung des mathematisch-statistischen Werkzeugkastens notwendig.  

Die Mitglieder der Arbeitsgruppe befassen sich mit der Entwicklung von mathematisch-statistischen Modellen, Schätzverfahren und Algorithmen, um raum-zeitlich bezogene und möglicherweise unvollständige Daten auszugleichen. Die Daten können dabei durch zufällige, systematische, ausreißerbehaftete und korrelierte Messabweichungen charakterisiert sein. Die Herausforderung besteht hierbei in der genauen, zuverlässigen und effizienten Schätzung der unbekannten Modellparameter sowie in der Ableitung von Qualitätsmaßen bezüglich der Schätzung. Solche Schätzungen werden auch als expertengestützten Verfahren entwickelt, bei denen Bayesische Vorinformationen oder a-priori vorhandenes Systemverhalten der zu schätzenden Modellparameter integriert werden. Diese Forschungsschwerpunkte haben verschiedene Anwendungsmöglichkeiten in den Bereichen der Ingenieurgeodäsie, Satellitengeodäsie und Immobilienbewertung gefunden.

Kompetenzfelder der Arbeitsgruppe

  • Wissensbasierte Filterung im Zustandsraum

    Optimale und sequentielle Schätzung der Zustände anhand beliebiger Beobachtungen im Zustandsraum. Hierbei werden neben linearen hauptsächlich auch nichtlineare Systeme berücksichtigt. Ziel ist es die Ansätze möglichst effizient und robust gegenüber Ausreißern zu gestallten. Zudem soll auch vorab vorhandenes Wissen als priori-Wissen in den Filteralgorithmus integriert werden und so zu einer verbesserten Schätzung führen. Ebenso stehen Methoden im Vordergrund, mit welchem normalverteiltes System- und Messrauschen aber auch beliebige und multimodale System- und Messrauschen beherrscht werden können.

  • Optimierung und Qualitätssicherung geodätischer Messprozesse

    Durch die Modellierung und Optimierung von Messprozessen wird eine Steigerung der Effizienz erreicht. Die Modellierung von Messprozessen mit geeigneten Modellierungsverfahren und das Festlegen der notwendigen Detailtiefe ist ein Schwerpunkt des Forschungsfeldes. Des Weiteren erfolgt eine Validierung geeigneter Optimierungsverfahren für die Effizienzoptimierung der jeweiligen Messprozesse.

  • Bayessche Modellierung und Monte Carlo Verfahren

    Dieses Forschungsfeld beschäftigt sich mit der Adaption der Bayesschen Inferenz, in derer Mittelpunkt das Bayes-Theorem steht, auf einige geodätische Anwendungen. Ausgehen von Bayes-Theorem werden unbekannte Parameter festgelegt und Hypothesentests für die Parameter getestet. Die Anwendungen erfolgen in linearen und in nicht-linearen Modellen Zudem werden gegenüber Ausreißern robuste Schätzungen und das Bayes-Filter abgeleitet. Da einige analytische Integrationen zur Parameterschätzung , zur Festlegung von Unsicherheitsbereichen oder zur Prüfung von Hypothesen nicht abgeleitet werden können, wurden nummerische Methoden basierend auf Monte Carlo Verfahren entwickelt und angewandt.

  • Klassische und robuste Parameterschätzung und Hypothesentests

    Im Bereich der klassischen Parameterschätzung werden einerseits unterschiedliche deterministische Trendmodelle untersucht, z. B. Regression- und Basisfunktionsmodelle (B-Splines, Polynome, usw.). Anderseits steht die realistische Modellierung von stochastischen Modellen in der Form von Kovarianzmatrizen im Fokus. Im Bereich Hypothesentests werden geeignete Optimalitätskriterien (z. B. basierend auf gleichmäßig bester Invarianz) für verschiedene Modellszenarien entwickelt. Sind Ausreißer in den Messdaten zu erwarten, wird die Methode der Kleinsten-Quadrate durch ein robustes Schätzverfahren ersetzt. Zu diesem Zweck untersuchen wir u. a. M-,  R-, Maximum-Likelihood-, LMS-, und RANSAC-Schätzer. Neben Ausreißern stellen auch Datenlücken ein großes Problem bei der Parameterschätzung dar. Um dieses Problem zu lösen untersuchen wir robuste Expection-Maximization-Algorithmen, welche in der Lage sind, Datenlücken mit stochastischer Vorinformation aufzufüllen.

  • Raumzeitliche stochastische Prozesse und Signalverarbeitung

    Geodätische Messreihen haben neben dem typischen Raumbezug oftmals auch einen Zeitbezug. Dies trifft dann insbesondere auch auf das Messrauschen zu, dessen Charakteristik oftmals mit Hilfe stochastischer Prozesse modelliert werden kann. Stochastische Prozesse in Form von autoregressiven Moving-Average (ARMA) Prozessen sind hierbei besonders interessant, da sie durch relativ wenige Koeffizienten beschrieben werden, welche zudem direkte Beziehungen zur Autokovarianzfunktion bzw. zum Leistungsdichtespektrum besitzen. Somit kann speziell farbiges Messrauschen sowohl im Zeitbereich als auch im Spektralbereich effizient und aussagekräftig modelliert werden.

Arbeitsgruppenleitung

PD Dr.-Ing. Hamza Alkhatib
Leitende wissenschaftliche Mitarbeiterinnen und Mitarbeiter
Adresse
Nienburger Straße 1-4
30167 Hannover
Gebäude
Raum
PD Dr.-Ing. Hamza Alkhatib
Leitende wissenschaftliche Mitarbeiterinnen und Mitarbeiter
Adresse
Nienburger Straße 1-4
30167 Hannover
Gebäude
Raum

Aktuelle Projekte der Arbeitsgruppe

  • AutoMap - Entwicklung eines robusten Positionierungssystems für autonome Fahrzeuge auf der Grundlage erfasster Umgebungsinformationen und GNSS/IMU-Daten
    Die genaue Bestimmung der Position von Fahrzeugen ist nicht nur für autonomes Fahren, sondern auch für viele andere Anwendungen von entscheidender Bedeutung. Die bisherigen Technologien, wie globale Navigationssatellitensysteme (GNSS) oder inertiale Messeinheit (IMU), stoßen jedoch aufgrund von Störungen und Ungenauigkeiten, insbesondere in innerstädtischen Gebieten, an ihre Grenzen.
    Leitung: Hamza Alkhatib, Sören Vogel
    Team: Mohamad Wahbah, Rozhin Moftizadeh
    Jahr: 2023
    Förderung: mFUND-Projekt | BMDV (Bundesministerium für Digitales und Verkehr)
    Laufzeit: 2023-2025
    © GIH
  • Unsicherheitsmodellierung für kinematische LiDAR-basierte Multisensorsysteme
    Ziel dieses Promotionsprojekts ist es, Methoden zu untersuchen, die eine konsistente Schätzung von Unsicherheiten für LiDAR-basierte MSS ermöglichen, während gleichzeitig die Herausforderungen bewältigt werden, die durch die Unsicherheiten einzelner Sensoren und deren Wechselwirkungen im System entstehen.
    Leitung: Prof. Dr.-Ing. Ingo Neumann
    Team: Dominik Ernst, M. Sc.
    Jahr: 2022
    Förderung: DFG - GRK 2159 i.c.sens
    Laufzeit: 11/2022 - 11/2025
    © GIH | Dominik Ernst
  • Entwicklung eines kollaborativen robusten Partikelfilters zur Zustandsschätzung mit stochastischen und mengenbasierten Unsicherheiten in Sensornetzwerken
    Eine präzise Fahrzeuglokalisierung ist eine wichtige Voraussetzung für autonomes Fahren, insbesondere in städtischen Umgebungen, in denen GNSS-Signale häufig ausfallen. Um diese Herausforderung zu meistern, schätzt ein fortschrittlicher Partikelfilter die Fahrzeugposition durch die Verschmelzung von 3D-LiDAR-Daten mit ergänzenden Sensoreingaben. Die Hauptmotivation besteht darin, trotz der Komplexität städtischer Umgebungen eine Lokalisierungsgenauigkeit von wenigen Dezimetern zu erreichen.
    Leitung: PD Dr.-Ing. Hamza Alkahtib
    Team: Marvin Scherff, M. Sc.
    Jahr: 2022
    Förderung: DFG - GRK 2159 i.c.sens
    Laufzeit: 11/2022 - 11/2025
Abgeschlossene Projekte der Arbeitsgruppe