Studienabschlussarbeiten

Trägerphasenmessungen sind ein Verfahren, das zur Schätzung der Position eines Benutzers auf der Grundlage der Phasenverschiebung des empfangenen Signals verwendet wird. Sie ist ein Maß für die Entfernung zwischen Sender und Empfänger, ausgedrückt in Zykluseinheiten der Trägerfrequenz. Dies ist eine der Standardmethoden, die im Global Navigation Satellite System (GNSS) zur Positionsschätzung verwendet wird. Sie liefert eine präzise Positionsbestimmung, ist aber eine ganzzahlige Anzahl von Wellenlängen mehrdeutig und wird durch Mehrwegeausbreitung gestört. GNSS ist in Innenräumen nicht anwendbar, da die Signale durch Wände und Decken gedämpft werden. Aber die Trägerphasenmethode ist anwendbar, wenn sie mit 5G-NR-Signalen verwendet wird, und das wollen wir beweisen. Die 5G-Technologie taucht mit den brandneuen Konzepten wie Millimeterwellen (mmWave), kleine Zellen, Massively Multiple Input Multiple Output (mMIMO), Beamforming (BF) und Vollduplex auf. Diese neuen Technologien bieten 5G-Systemen nicht nur die verbesserte Kommunikationsleistung, sondern auch die Möglichkeit, eine präzise Positionsschätzung zu erreichen. Eines der Ziele des 5G-Netzes ist die zentimetergenaue Auflösung der Lokalisierung. Dies erfordert neue Algorithmen, die die Phasenverschiebung des empfangenen Signals berücksichtigen. Diese Arbeit zielt darauf ab, Signalverarbeitungsalgorithmen zu implementieren und zu validieren, um Trägerphasenmessungen auszunutzen und eine experimentelle Machbarkeitsstudie mit dem verfügbaren Gerät DecaWave Ultrabreitband (DW-UWB)-Positionierungssystem zu erstellen. Wir charakterisierten die empfangene Pulsform der DW-UWB-Module. Wir führten Modifikationen am verfügbaren Hardware-Aufbau für die Einspeisung eines Referenzsignals in den Empfänger durch, um differentielle Phasenmessungen zu berechnen. Wir haben Signalverarbeitungsalgorithmen auf dem Hardware-Ausgang für Trägerphasenmessungen implementiert. Der Algorithmus wird sowohl an simulierten Daten als auch an realen Messungen von DW-UWB-Modulen getestet. Mit dem modifizierten Aufbau erreichten wir eine signifikante Auflösung der Abstandsmessung durch differentielle Trägerphasenmessungen. Unser Proof of Concept zeigt, dass Trägerphasenmessungen in einer realistischen Umgebung möglich sind, und wir schätzten den Abstand mit einer Genauigkeit von 2 mm

Für viele technische Anwendungen, etwa in der Robotik, ist die höchst zuverlässige Übertragung von Sensordaten oder schnellen Steuersignalen über drahtgebundene Netzwerke unabdingbar. Daher ist zur Sicherstellung der Zuverlässigkeit die Messung und Überwachung asymetrischer oder differenzieller Verbindungen hinsichtlich elektrischen Reflektions- und Übertragungseigenschaften von größter Bedeutung. Ziel ist es, Veränderungen von Kabeleigenschaften zu erkennen um darauf reagieren zu können bevor sich das System unerwartet verhält. Die vorliegende Arbeit zeigt verschiedene Konzepte auf um das elektrische Verhalten dieser Kabelverbindungen durch Zeitbereichsmessungen mit m-Sequenz Pseudorauschcode mit geringer Störung der Nutzsignale zu erfassen und im Zeit- aber auch im Frequenzbereich als Streuparameter darzustellen. Der Fokus liegt dabei auf der preiswerten Skalierbarkeit hin zu einer Mehrkanalmessung, die sowohl für asymmetrische als auch differenzielle Testobjekte einsetzbar ist und dem Entwickeln einer Kalibrierungsmethode möglichst geringer Komplexität. Um die Zuverlässigkeit der Messungen sicherzustellen, wurden die verwendeten m-Sequenz Messköpfe auf ihre Langzeitstabilität und Empfindlichkeit gegenüber Umweltparametern untersucht und Kompensationsmaßnahmen ergriffen. Darüber hinaus wurde eines der zuvor erstellten Messkonzepte, basierend auf Hochfrequenzschaltern und Richtkopplern, ausgewählt und als Hardware-Frontend gebaut, welches bezüglich seiner Eigenschaften charakterisiert wurde. Anschließend wurden geeignete Kalibrierungsmethoden untersucht, ausgewählt und hiermit exemplarische Testmessungen zur Evaluierung durchgeführt. Basierend auf den hieraus hervorgegangenen Erkenntnissen wurden Schlussfolgerungen gezogen, wie das System weiter verbessert werden kann.

Die manuelle Ultraschallprüfung ist ein zerstörungsfreies Prüfverfahren das zur Identifizierung von Fehlern in Bauteilen eingesetzt wird. Sie ist aufgrund ihrer Kompatibilität mit komplexen Probenstrukturen weit verbreitet. Die Synthetic Aperture Focusing Technique (SAFT) ist eine Rekonstruktionstechnik, die zur Abbildung des Inneren von Objekten durch Nachbearbeitung von Ultraschallmessungen verwendet wird. Sie wird bei Messungen angewandt, die mit einem Positionierroboter in der Industrie durchgeführt werden. Bei gleicher Verarbeitung händischer Daten treten Artefakte aufgrund unvermeidlicher Probleme auf, die mit manueller Prüfung verbunden sind: variable Prüfdichte, räumliche Spärlichkeit und Versatz bei A-Bildern aufgrund von inkonsistentem Anpressdruck. Tiefe Neuronale Netzwerke (Deep Neural Networks, DNN) werden häufig zur Klassifiezierung von Daten als Vorverabeitung zur Verbesserung der Bildgebung verwendet. Ziel dieser Arbeit ist, die SAFT-Rekonstruktion für manuelle mit 3D SmartInspect, einem vom Fraunhofer Institut für Zerstörungsfreie Prüfverfahren IZFP entwickeltes Assistenzsystem, gemessene Ultraschalldaten zu verbessern. Als Ergebnis verbesserten wir die SAFT-Ergebnisse im Vergleich zum Stand der Technik durch optimierte Parameterauswahl basierend auf dem Messaufbau. Wir haben ein DNN-Modell entwickelt, mit dem die erfassten Messungen vorverarbeitet werden können, um sie für eine weitere Artefaktreduzierung robust gegenüber messtechnischen Herausforderungen zu machen. Das vorgeschlagene DNN kann räumlich spärliche Scans interpolieren und mögliche Offsets durch variierenden Anpressdruck korrigieren, indem es ein Regressionsproblem im Zeitbereich löst. Es kann den Prüfer bei der Ermittlung der Mindestmessungen helfen, die für Rekonstruktionen mit wenig Artefakten erforderlich sind. Das DNN wird sowohl mit simulierten als auch mit realen Messungen getestet. Die Rekonstruktionen vorverarbeiteter Messungen mittels DNN sowie unbearbeiteter Messungen werden an Hand des Generalized Contrast to Noise Ratio (GCNR) verglichen. Wir verbesserten den GCNR um 12% und 3% für simulierte bzw. Realdaten. Wir konnten unter Verwendung des DNNs auch die Größe und Form der Defekte besser abschätzen. Die vorgeschlagene Strategie und die Verbesserungen können Assistenzsysteme erheblich aufwerten und eine bessere Lokalisierung und Bemessung von Mängeln ermöglichen.

Die autonome Lokalisierung und Navigation von Servicerobotern erfordert eine zuverlässige und präzise Umgebungswahrnehmung. Die gängigen optischen Sensoren, die bisher bei Servicerobotern eingesetzt werden, weisen einige Schwächen in der Erkennung von Hindernissen auf. Zur Kompensation dieser Schwächen wird der kombinierte Einsatz mit Ultrabreitband (UWB)-Sensoren erforscht. Ziel dieser Masterarbeit ist es, die Leistungsfähigkeit der UWB-Radarsensorik zur Umgebungswahrnehmung in realistischen Szenarien zu untersuchen. Dazu wird ein vollpolarimetrisches UWB-Radarsystem in einen Serviceroboter integriert. Mit diesem werden verschiedene Testobjekte, wie Kleiderständer, Glasscheiben und absteigende Treppen aus der Bewegung heraus gemessen. Um präzise und zuverlässige Informationen über die Umgebung aus den Messdaten zu gewinnen, wird eine Signalverarbeitungskette konzipiert und implementiert. Diese besteht aus Algorithmen zur Vorverarbeitung und zur Analyse der Messdaten. Zur Aufbereitung der Messdaten werden mit Kalibriermessungen Filter entworfen, mit denen die deformierte Impulsform der Echosignale korrigiert wird. Des Weiteren werden Methoden der Hintergrundsubtraktion angewandt, um Signalanteile, die durch Antennenüberkoppeln verursacht werden, zu eliminieren. Um diesbezüglich bei statischen Szenarien ein Verrauschen der Messdaten zu verhindern, wird die Bewegungsintensität analysiert und die exponentielle Mittelung fortlaufend angepasst. Bei der Analyse der Messdaten spielt die Objekterkennung eine entscheidende Rolle. Es werden die automatisierten Methoden zur Objekterkennung CA-CFAR, CFAR-OS und SOCA-CFAR untersucht und die Ergebnisse miteinander verglichen. In Szenarien mit mehreren Echosignalen tritt der sogenannte Maskierungseffekt auf, der genauer untersucht wird. Anhand der Messdaten wird die Zuverlässigkeit dieser Methoden mit Operationscharakteristik (ROC-Kurven) bewertet. Zudem werden kurzzeitige Beobachtungsverluste kompensiert, indem die erkannten Objekte mit dem rechengünstigen Kalmanfilter verfolgt werden. Bei mehreren erkannten Objekten in einer Messung, können diese auf Grundlage der Methode des nächsten Nachbarn einander zugeordnet werden. Anschließend werden die verfolgten Echosignale der Testobjekte anhand der vollpolarimetrisch gemessenen Streumatrix analysiert. Auf Grundlage dessen wird eine Abschätzung über eine mögliche Objektklassifizierung und Objektidentifizierung getätigt.

In dieser Arbeit wird untersucht, wie sich Python-Module in C++-Anwendungen einbinden lassen. Während Python in Forschung und Entwicklung für Rapid Prototyping weit verbreitet ist, ist C++ die De-facto-Standardsprache für einsetzbare, kundenspezifische Software. Beide Sprachen haben ihre Vor- und Nachteile, daher ist die Integration beider sinnvoll, z.B. um Kunden schnell neuentwickelte Signalverarbeitungsalgorithmen zur Verfügung zu stellen, ohne dass diese vorher in C++ neu implementiert werden müssen. Umgekehrt kann das Verhalten solcher Algorithmen im Kontext der Kundenanwendung untersucht werden, unter Verwendung aller vorhandener Funktionen, die im Rapid-Prototyping-Framework eventuell nicht existieren. Als Grundlagen des Frameworks werden die technischen Aspekte der Ausführung von Python-Code und das Design des CPython-Interpreters im Besonderen vorgestellt. Es werden verfügbare Python-Implementierungen evaluiert, wobei CPython als am besten geeignet erachtet wird; seine umfangreiche Programmierschnittstelle (API) erweist sich als besonders vorteilhaft. Zur Verwendung der C-API in C++ werden API-Frameworks wie pybind11 als hilfreich angesehen, da sie C++-Funktionen wie implizite Datentypkonvertierung nutzen. Von den unterstützten Arten von Python-Code erfüllen Binärmodule durch Verwendung der C-API weitere wichtige Anforderungen: Durch vorherige Übersetzung in Maschinencode erlauben sie höchste Rechengeschwindigkeiten, zeitgleich ein hohes Maß an Schutz von geistigem Eigentum (IP). Um eine Neuimplementierung in C zu vermeiden, werden Werkzeuge zur Generierung von Modulcode aus Python-Quellcode untersucht, von denen Nuitka die komfortabelsten Funktionen bietet. Das vorgestellte Framework-Konzept PyUnion umfasst Softwarekomponenten, welche für Rapid Prototyping die Ausführung Python-Module jeglicher Art aus C++-Anwendungen heraus, sowie die Nutzung gemeinsamer Datenstrukturen für den Austausch zwischen beiden Umgebungen ermöglichen. Zur Unterstützung langlaufender Prozesse wird die Verwendung von im Hintergrund laufenden Threads vorgesehen, sowohl für die Ausführung der Python-Module als auch für Steuerungs- und Überwachungszwecke. Weitere wichtige Designaspekte sind der Einsatz von pybind11 zur Interaktion mit Python und Einbettung des CPython-Interpreters, sowie Nuitka zur Kompilierung von Python-Quellcode zu Binärmodulen.