Fraunhofer-Institut für Integrierte Schaltungen IIS
Fraunhofer-Institut für Integrierte Schaltungen IIS

KI-gestützte Interferenzdetektion

Über die reine Detektion hinaus: Ein System, das aktiv mitdenkt

In einer zunehmend digitalisierten und vernetzten Welt sind technische Systeme verschiedenster Branchen auf störungsfreie Kommunikation und präzise Signalverarbeitung angewiesen. Doch Interferenzen – ob absichtlich oder unbeabsichtigt – stellen eine wachsende Herausforderung dar: Sie können Prozesse unterbrechen, Sicherheit gefährden und wirtschaftliche Schäden verursachen.

Intereferenzdetektion ist daher ein zentrales Thema in Bereichen wie Mobilität, Luftfahrt, Verteidigung und kritischer Infrastruktur.

Klassische, regelbasierte Verfahren stoßen jedoch in realen Mehrwegeumgebungen an ihre Grenzen: Reflexionen und Signalspiegelungen verfälschen Messergebnisse und erschweren eine zuverlässige Lokalisierung.

Unsere Lösung geht einen grundlegend anderen Weg:

Sie basiert auf künstlicher Intelligenz (KI), die nicht nur erkennt, sondern lernt, sich anpasst und mit jeder Anwendung besser wird – selbst in komplexen Umgebungen mit Mehrwegeffekten. 

Adaptiv

Unsere KI passt sich automatisch an neue Umgebungen, Antennen und Gerätekonfigurationen an – für zuverlässige Detektion auch in mobilen oder dynamischen Szenarien.

Datensparsam

Kompakte KI-Modelle, schnelle Verarbeitung und minimale Datenübertragung sorgen für geringe Latenz, geringen Speicherbedarf und hohe Skalierbarkeit.

Lernfähig

Neue Störquellen werden mit nur wenigen Beispielen erkannt und charakterisiert. Wiederkehrende Muster erhalten eine eindeutige ID – für schnelle Reaktion und gezielte Gegenmaßnahmen.

Präzise

Unsere KI liefert exakte Informationen zur Richtung, Entfernung und Stärke von Störquellen – für fundierte Entscheidungen und schnelle Lokalisierung.

Unser Leistungsangebot

Von der Forschung bis zur Anwendung - wir begleiten Sie ganzheitlich

Detektion

Zuverlässige Erkennung von Interferenzen in Echtzeit

Lokalisierung

Präzise Bestimmung von Richtung und Entfernung – auch in komplexen Umgebungen

 

Charakterisierung

Detaillierte Analyse von Störquellen für gezielte Gegenmaßnahmen

Anwendungsbereiche

Branchenübergreifend einsetzbar – von Mobilität bis Verteidigung

© Adobe Stock

GNSS & Navigation

Erkennung und Klassifikation von GNSS-Störungen wie Jamming und Spoofing – mobil und stationär.

© Adobe Stock

Mobilität

Rechtssichere Dokumentation von Störquellen auf Straßen und in Fahrzeugflotten.

© beawolf - Fotolia.com

Flugsicherung

Resiliente Kommunikation durch adaptive Störsendercharakterisierung – für mehr Sicherheit im Flugverkehr.

© Adobe Stock

Verteidigung

Zuverlässige Lokalisierung und Mitigation von Störsignalen – für den Schutz kritischer Systeme in Echtzeit.

Projekte

toggle full list
Abbrechen

  • Q-GeneSys

    Quantengenerative Modelle für industrielle Simulationssysteme

    Im Projekt „Q-GeneSys“ werden quantengenerative Modelle entwickelt, die mithilfe von IQP-Quantenschaltkreisen industrielle Anwendungen wie Molekül-, 3D- und Produktdesign unterstützen. Ziel ist es, durch die Kombination von Quantencomputing, KI und frühzeitiger Fehlertoleranz skalierbare und robuste Lösungen für komplexe Generations- und Simulationsaufgaben bereitzustellen.

    mehr Info

  • edih dina - Digitalisierung intelligent anwenden

    © Fraunhofer IIS / Paul Pulkert

    Das Fraunhofer IIS ist Projektpartner beim EDIH DIBI, einem der bislang drei Innovationszentren Bayerns. Die „European Digital Innovation Hubs" (EDIHs) gehören zum „The Digital Europe Programme“ der Europäischen Union. Mit einem flächendeckenden Netz an Innovationszentren in der EU soll die digitale Transformation von Verwaltung und Wirtschaft unterstützt werden.

    mehr Info

  • ProCheck - Verifikation innerbetrieblicher Materialflussprozesse durch CPS-basiertes Process Mining

    Schneller und moderner Produktionsprozess.
    © 安琦 王 - stock.adobe.com

    moderne Produktion

    Im Projekt „ProCheck“ entwickelt das Fraunhofer IIS gemeinsam mit Partnern Methoden des Process Minings, um Materialfluss- und Produktionsprozesse in kleinen und mittleren Unternehmen automatisch zu analysieren und zu optimieren. Ziel ist es, auf Basis von Cyber-physischen Systemen transparente Prozessdaten zu gewinnen und dadurch Effizienz, Qualität und Flexibilität in der Produktion zu steigern.

    mehr Info

  • Search Engine for Sports Scenes

    Die Fraunhofer-IIS-Technologie ermöglicht eine extrem schnelle, KI-basierte Suche und Bewertung ähnlicher Spielszenen in großen Sport-Trackingdatenbanken. Dadurch können relevante Spielsituationen in unter einer Sekunde gefunden und automatisch analysiert werden, um Spieltaktiken und Entscheidungen datenbasiert zu optimieren.

    mehr Info

  • QLindA – Quantum Reinforcement Learning

    Die Entwicklung von Quantencomputern schreitet rasant voran, die Nutzung in industriellen Anwendungen hingegen steht noch am Anfang. Dabei haben Quantencomputer das Potenzial, in vielen Industrien Anwendungen grundlegend zu verbessern. Die aktuell voranschreitende Steigerung der Kapazität von Quantencomputern eröffnet die Möglichkeit, Quantencomputer in KI‐Systemen einzusetzen. Die optimale Steuerung dynamischer Systeme wird in der KI meist mit Reinforcement Learning Methoden gelöst. Erste Realisierungen dieser Methoden mit Quantencomputern gibt es schon heute.

    mehr Info

  • KID-QC² - KI-gestützte Quantenalgorithmenentwicklung für Quantenchemie

    Computational Chemistry - Area of Chemistry that Uses Computer Simulations to Assist in Solving Complex Chemical and Biochemical Problems - Conceptual Illustration

    Im Projekt „KID-QC²“ entwickeln das Fraunhofer IIS und die Universität Augsburg KI-gestützte Methoden zur automatisierten Optimierung von Quantenschaltungen für Anwendungen in der Quantenchemie. Ziel ist es, sogenannte Molecular Quantum Circuits effizienter, skalierbarer und an verschiedene Quantenhardware-Plattformen anpassbar zu machen.

    mehr Info

  • Optical Tracking - CNNLok

    LINK Halle
    © Fraunhofer IIS

    LINK Halle

    Mit optischen Trackingverfahren erfassen wir Positionen und Bewegungen präzise in Echtzeit. Durch moderne Bildverarbeitung und KI entwickeln wir robuste Lösungen für Industrie, Robotik, Sport und weitere anspruchsvolle Anwendungen.

    mehr Info

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

    © istockphoto.com/Andy

    AI_Federated Learning

    DARCII erforscht den Einsatz von Künstlicher Intelligenz und Federated Learning zur Analyse von GNSS-Interferenzen über verteilte und mobile Sensorknoten. Dabei werden unterschiedliche Störmuster erkannt und als individuelle Fingerprints charakterisiert. Ziel ist es, Störquellen zuverlässiger zu identifizieren und die Robustheit satellitenbasierter Navigation zu verbessern.

    mehr Info

  • GNSS Interferenz-Detektion mit Maschinellem Lernen und Crowdsourcing (DARCY)

    GNSS Störeridentifikation
    © adobestock/ehrenberg-bilder

    Lkw Maut / Transport

    Satellitennavigation ist ein wichtiger Bestandteil unserer kritischen Infrastruktur. Das Projekt DARCY entwickelt ein intelligentes Sensornetzwerk, das Störungen von GNSS-Signalen erkennt, bewertet und lokalisiert. Mithilfe von Machine Learning und Crowdsourcing werden Messdaten zusammengeführt, um Störquellen zuverlässig aufzuspüren und die Robustheit satellitenbasierter Navigation zu erhöhen.

    mehr Info

  • ROLF – Reinforcement Learning für betriebswirtschaftliche Prozesse

    © Adobe Stock / ipopba - stock.adobe.com

    Digital marketing, Data analysis for performance and create insight report, Goal of digital marketing strategy and service through digital channel of search engine and data science on social network

    Im Forschungsprojekt ROLF untersuchen das Fraunhofer IIS und die DATEV das Potential von künstlicher Intelligenz (KI) in betriebswirtschaftlichen Prozessen.

    mehr Info

Publikationen

2026

Karim R., Raichur L. N., Heublein L., Feigl T., Mutschler C., Ott F. (2026):

ZK-Trace: Certified Collusion Tracing with Zero-Knowledge Credentials for Federated GNSS Interference Monitoring

In: IEEE Transactions on Aerospace and Electronic Systems (TAES)

 

Pirkl, J., Ott, J., Schelenz, L., Böhm, L., Eidloth, A., Feigl, T., Mutschler, C. (2026):

Democratizing Label-Free Localization: On-Device WiFi-RTT Channel charting

In: Asilomar Conference on Signals, Systems, and Computers 2026

 

Schelenz, L., Ott, J., Pirkl, J., Pahl,  J., Feigl, T., Mutschler, C. (2026):

EchoNeRF. Time-Resolved RF Channel Synthesis with Neural Radiance Fields for Localization

In: IPIN2026

 

Foroushani, M., Pirkl, J., Stahlke, M., Yammine, G., Feigl, T., Mutschler, C. (2026):

ChronoChart: Setup-Agnostic Channel Charting for Label-Free Indoor Localization

In: IPIN2026

 

Heublein, L., Vidal, I., Feigl, T., Rügamer, A., Ott, F. (2026):

Analyzing and Characterizing Multi-Source Interference Effects at Jammertest Norway 2026 

In: arXiv: 2608.15819

 

Khan, S., Raichur, N., Heublein, L., Wielenberg, C., Mattick, A., Feigl, T., Mutschler, C., Ott, F. (2026):

Active Sensing with MEta-Reinforcement Learning for emitter Localization from RF Observations

In: arXiv: 2605.12569

 

Wielenberg, C., Heublein, L., Ott, J., Mattick, A., Raichur, N., Pirkl, J., Schelenz, L., Feigl, T., Yammine, G., Mutschler, C., Ott, F. (2026):

The S-ICDF Dataset: Sionna-Simulated Dynamic Interference Characterization and Direction Finding

In: arXiv: 2607.03411

 

Raichur, N., Heublein, L., Seuß, D., Deinzer, F., Ott, F. (2026):

Physics-Informed Domain-Invariant Feature Learning with Autoencoder-Driven Gaussian Clustering for Robust Non-line-of-Sight Scenarios

In: arXiv: 2607.02537

 

Heublein, L., Deutel, M., Plinge, A., Ott, F. (2026): 

Efficient Network Inference via Hardware-Aware Architecture Search, Model Prunning & Quantization

In: arXiv: 2606.23210

 

Heublein, L., Benschuh, F., Rügamer, A., Ott, F. (2026):

Receiver-Aware Analysis and Verification of the Spectral Separation Coefficient Under Interference-Induced Degradation

In: arXiv: 26.06.18196

 

Wielenberg, C., Ott, F., Heublein, L., Pahl, J., Mutschler, C., Feigl, T., Yammine, G., Seitz, J., and Schwerna, P., (2026):

Simulationsgestützte Funkpeilung in Mehrwegeumgebungen

In: DWT Angewandte Forschung für Verteidigung und Sicherheit

 

Raichur, N. L., Heublein, L., Pahl, J., Seuß, D., Mutschler, C., & Ott, F. (2026):

Adaptive & Efficient Sample Selection for Domain Incremental 5G Indoor Localization in Dynamic Multipath Environments

In: IEEE Journal of Indoor and Seamless Positioning and Navigation  (J-ISPIN), doi: 10.1109/JISPIN.2025.3648680, January 2026

 

Heublein, L., Feigl, T., Rügamer, A., Mutschler, C., and Ott, F. (2026):

Variational and Generative Models with Quantization for Disentanglement and Compressed Sensing of GNSS Spectrograms

In: IEEE Journal of Indoor and Seamless Positioning and Navigation (J-ISPIN), doi:10.1109/JISPIN.2026.3655630, January 2026

2025

Pirkl, J., Ott, J., Stahlke, M., Yammine, G., Feigl, T., Mtuschler, C. (2025):

Resilient Channel Charting Under Varying Radio Link Availability

In: Asilomar Conference on Signals, Systems, and Computers 2025

 

Ott, F., Karim, R., Heublein, L., Pahl, J., and Feigl, T., (2025):

Digitale Resilienz im Gefechtsfeld der Zukunft: Föderale KI-Sicherheit durch Digitales Watermarking

In: DWT Cyber Defence Conference

 

Heublein, L., Nowak, T., Feigl, T., Pahl, J., and Ott, F. (2025):

GNSS Jammer Direction Finding in Dynamic Scenarios Using an Inertial-based Multi-Antenna System

In: DGON Inertial Sensors and Applications (ISA), October 2025

 

Heublein, L., Wielenberg, C., Nowak, T., Feigl, T., Mutschler, C., and Ott, F. (2025):

Attention-Based Fusion of IQ and FFT Spectrograms with AoA Features for GNSS Jammer Localization

In: IEEE Radar Conference, doi:10.1109/RadarConf2559087.2025.11204959, Krakow, Poland, October 2025

 

Heublein, L., Kocher, S., Feigl, T., Rügamer, A., Mutschler, C., and Ott, F. (2025):

VAE-based Feature Disentanglement for Data Augmentation and Compression in Generalized GNSS Interference Classification

In: IEEE Intl. Conf. on Localization and GNSS (ICL-GNSS), doi:10.1109/ICL-GNSS65520.2025.11046129, June 2025

 

Ott, F., Heublein, L., Feigl, T., Rügamer, A. & Mutschler, C.:

Metric-Based Few-Shot Learning With Triplet Selection for Adaptive GNSS Interference Classification

In: IEEE Journal of Indoor and Seamless Positioning and Navigation, vol. 3, pp. 81-104, 2025, doi: 10.1109/JISPIN.2025.3562140, April 2025

 

Raichur, N., Heublein, L., Feigl, T., Nowak, T., Rügamer, A., Mutschler, C., & Ott, F. (2025):

Bayesian Learning-driven Prototypical Contrastive Loss for Class-Incremental Learning

In: Trans. on Machine Learning Research (TMLR), April 2025

 

Manjunath, H., Heublein, L., Feigl, T., & Ott, F. (2025):

Multimodal-to-Text Prompt Engineering in Large Language Models Using Feature Embeddings for GNSS Interference Characterization

In: IEEE Wireless Communications and Networking Conference (WCNC) March 2025

 

Heublein, L., Feigl, T., Nowak, T., Rügamer, A., Mutschler, C., & Ott, F. (2025):

Evaluating ML Robustness in GNSS Interference Classification, Characterization & Localization 

In: IEEE Intl. Conf. on Localization and GNSS (ICL-GNSS)

2024

Gaikwad, N. S., Heublein, L., Raichur, N. L., Feigl, T., Mutschler, C., & Ott, F. (2024):

Federated Learning with MMD-based Early Stopping for Adaptive GNSS Interference Classification

In: IEEE/IFIP Network Operations and Management Symposium (NOMS) Mai 2024

 

Heublein, L., Feigl, T., Rügamer, A., & Ott, F. (2024):

Achieving Generalization in Orchestrating GNSS Interference Monitoring Stations Through Pseudo-Labeling

In: DGON Positioning and Navigation for Intelligent Transport Systems (POSNAV)

 

Ott, F., Heublein, L., Raichur, N. L., Feigl, T., Hansen, J., Rügamer, A., & Mutschler, C. (2024):

Few-Shot Learning with Uncertainty-Based Quadruplet Selection for Interference Classification in GNSS Data

In: 2024 International Conference on Localization and GNSS (ICL-GNSS) (pp. 1-7)

 

Heublein, L., Raichur, N. L., Feigl, T., Brieger, T., Heuer, F., Asbach, L., ... & Ott, F. (2024):

Evaluation of (Un-) Supervised Machine Learning Methods for GNSS Interference Classification with Real-World Data Discrepancies

In: Proceedings of the 37th International Technical Meeting of the Satellite Division of The Institute of Navigation (ION GNSS+ 2024) (pp. 1260-1293)

 

Veröffentlichung unserer Datensätze und Methoden

Transparenz, Reproduzierbarkeit und der offene Austausch mit der Forschungsgemeinschaft sind zentrale Bestandteile unserer Arbeit im Bereich der KI‑gestützten Interferenzdetektion. Daher veröffentlichen wir ausgewählte Datensätze, Modelle und Methoden in einem eigenen GitLab‑Repository.