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

GNSS & Navigation

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

Mobilität

Rechtssichere Dokumentation von Störquellen auf Straßen und in Fahrzeugflotten.

Flugsicherung

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

Verteidigung

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

Projekte

 

DARCY

GNSS-Interferenzdetektion mit Maschinellem Lernen und Crowdsourcing

 

DARCII

Charakterisierung und Wiedererkennung von GNSS-Interferenzen durch Föderales Lernen

 

PaiL

Evaluation modell- und datengetriebener Methoden zur Peilung von GNSS-Störern in Mehrwege-Umgebungen

Publikationen

2025

Lucas Heublein, Thorsten Nowak, Tobias Feigl, Jaspar Pahl, and Felix Ott:

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

DGON Inertial Sensors and Applications (ISA)

 

Lucas Heublein, Christian Wielenberg, Thorsten Nowak, Tobias Feigl, Christopher Mutschler, and Felix Ott:

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

In: IEEE Radar Conference

 

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: 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)