Modellbasierte Schätzverfahren in verteilten Umgebungen für integrierte Kommunikation und Radarsensorik – MEDICAS

• Antragsteller: Dr.-Ing. Sebastian Semper
• Fachliche Zuordnung: Kommunikationstechnik und -netze, Hochfrequenztechnik und photonische Systeme, Signalverarbeitung und maschinelles Lernen für die Informationstechnik
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 540576436

Die jüngsten Fortschritte im Bereich der integrierten Sensorik und Kommunikation (ICAS) verwandeln Mobilfunknetze im Wesentlichen in ein vielfältiges, dynamisches und heterogenes Sensoriknetz. Für die Anwendung der Lokalisierung müssen die erfassten Erfassungsdaten zeitkritisch zu Schätzungen der Zustandsvektoren der Ziele verarbeitet werden. Für eine solche Aufgabe bietet das Konzept des Edge Computing den notwendigen theoretischen Rahmen, der eine Kommunikation mit einer entfernten Cloud überflüssig macht. Um Lokalisierungsinformationen in einem solchen verteilten, asynchronen und heterogenen Rechenszenario bereitstellen zu können, untersuchen wir, wie bestehende Maximum-Likelihood-Schätzverfahren in Algorithmen umgewandelt werden können, die in der Nähe der "Edge" orchestriert werden können. Der Vorteil dieser Verfahren besteht darin, dass sie über gut untersuchte statistische Eigenschaften verfügen und effiziente algorithmische Implementierungen existieren. Ein wichtiger Schritt wird darin bestehen, einen Graphen abzuleiten, der die Verarbeitung dieser Algorithmen kodiert, indem einzelne und isolierte Berechnungen durch das Eingabe-/Ausgabeverhalten sogenannter Berechnungsknoten in Beziehung gesetzt werden. Diese Rechengraphenstruktur kann dann flexibel über mehrere Geräte und sogar gänzlich verschiedene Verarbeitungs-/Sensoreinheiten verteilt werden. Darüber hinaus nutzen moderne Computerarchitekturen solche Graphenstrukturen, um die effektive Auslastung der Computerhardware zu gewährleisten. Sobald dieser Graph aufgebaut ist, haben wir außerdem die Grundlage für den Austausch bestimmter Berechnungsschritte durch Deep-Learning-Architekturen geschaffen. Dies ermöglicht es uns beispielsweise, einige kostspielige iterative Teile traditioneller Maximum-Likelihood-Schätzer zu umgehen, was wiederum zu einer niedrigen Latenzzeit der Lokalisierungsaufgabe beiträgt. Darüber hinaus versprechen Deep-Learning-Methoden, dass sie im Gegensatz zu den herkömmlichen modellbasierten Ansätzen robuster gegenüber Modellfehlern sind. Infolgedessen können wir das Verhältnis zwischen diesen klassischen Methoden und den neuen Deep-Learning-Methoden untersuchen und die erreichbare Güte der Schätzung analysieren. Das Ergebnis dieses Projekts ist ein tiefes Verständnis dafür, wie gut sich der Maximum-Likelihood-Ansatz auf die Lokalisierung mit ICAS anwenden lässt und wie sehr er von der Kombination mit modernen Deep-Learning-Techniken profitiert.

• DFG-Verfahren: Sachbeihilfen