KI-gestützte Interferenzdetektion

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. 

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

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)

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)

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.