ALBERT

Note: Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2017 , Contents 1 Introduction 1.1 Motivation, research questions and overview 1.1.1 Rainfall estimation at high spatial and temporal resolution 1.1.2 Precipitation estimation with cars 1.1.3 Motion estimation from in-situ sensor data 1.2 Outline 2 Basics 2.1 Precipitation 2.1.1 Resolution, accuracy and precision of precipitation measurements 2.1.2 In-situ point measurements of precipitation by rain gauges 2.1.3 Weather radar 2.2 Wireless Sensor Networks 2.2.1 Modeling sensor networks 2.2.2 Sensor network algorithms and protocols 2.3 Statistics 2.3.1 Basics and notation 2.3.2 Regression 2.3.3 Stochastic processes 2.3.4 Stochastic filtering and the Kalman filter 2.3.5 Geostatistics 2.4 Interpolation methods 2.4.1 Inverse-Distance-Weighted 2.4.2 Ordinary kriging 2.4.3 Regression kriging 2.4.4 Cross-validation for performance assessment 2.5 Optical flow 2.5.1 Optical flow intensity conservation 2.5.2 Gradient-based optical flow 2.5.3 Probabilistic optical flow 3 Related Work 3.1 Quantitative precipitation estimation from rain gauges, weather radar and other data sources 3.1.1 Precipitation estimation with weather radar 3.1.2 Precipitation estimation by interpolation of rain gauges measurements 3.1.3 Geostatistical merging of radar and rain gauge data 3.1.4 Motion-based methods used in nowcasting 3.1.5 New data sources for precipitation estimation 3.2 Decentralized estimation with geosensor networks 3.2.1 Estimation of spatio-temporal field properties with GSN 3.2.2 Object-tracking with GSN 4 Methodology for precipitation intensity estimation at 1-min resolution 4.1 Time-window approach for estimation 4.1.1 Estimation of field motion 4.1.2 Weather radar upsampling 4.1.3 Variogram estimation 4.2 Estimation methods 4.2.1 Spatial rain gauge interpolation methods 4.2.2 Space-time symmetric rain gauge interpolation method 4.2.3 Space-time asymmetric rain gauge interpolation methods 4.2.4 Radar-rain gauge merging methods 4.2.5 Estimation methods solely based on radar 4.3 Summary 5 Methodology for precipitation intensity estimation with car sensors 5.1 Car sensors 5.1.1 Wiper Frequency Sensor 5.1.2 Xanonex optical sensor 5.1.3 Other sensors investigated 5.1.4 Experimental setup and preprocessing 5.2 Theoretical considerations for the calibration of the W-R relationship in the field . 5.3 Dependency between car speed, windscreen angle and sensor readings 5.3.1 Manually-operated windscreen wipers 5.3.2 Automatically-operated windscreen wipers 5.3.3 Xanonex optical sensor 5.4 Summary 6 Methodology for motion estimation with a geosensor network 6.1 Algorithm overview 6.2 Network and field model 6.3 Gradient constraint estimation in the network 6.3.1 Gradient constraint estimation from irregular data 6.3.2 Requirements on node stationarity and sampling synchronicity 6.3.3 Estimation of partial derivative error 6.3.4 Gradient constraint selection and derivation of gradient constraint error 6.4 Temporal coherence: Kalman filter for recursive motion estimation 6.4.1 Estimation of process noise Q 6.4.2 Estimation of measurement noise R 6.4.3 Difference to common Kalman filtering problems 6.5 Algorithm protocol 6.6 Algorithm complexity 6.6.1 Communication complexity 6.6.2 Load balance 6.6.3 Computational complexity of partial derivative estimation 6.6.4 Computational complexity of motion estimation 6.7 Summary 7 Results 7.1 Precipitation intensity estimation at 1-min resolution 7.1.1 Study area and data basis 7.1.2 Performance assessment via cross-validation 7.1.3 Exploratory and visual data analysis 7.1.4 Radar estimation and rain gauge cross-validation results 7.1.5 Summary 7.2 Precipitation intensity estimation with cars 7.2.1 Study area and data basis 7.2.2 Selection of the reference method 7.2.3 Manually-operated windscreen wipers 7.2.4 Automatically-operated windscreen wipers 7.2.5 Xanonex optical rain sensor 7.2.6 Results of experiments on the VW rain track 7.2.7 Summary 7.3 Motion estimation with a geosensor network 7.3.1 Study Area, sensor network and deployment strategies 7.3.2 Error measures 7.3.3 Setting the filter parameters 7.3.4 Results - simulated field 7.3.5 Results - radar field 7.3.6 Summary 8 Summary and discussion of the research hypotheses 8.1 Discussion of research hypotheses 1 and 2: 1-min precipitation intensity estimation 8.2 Discussion of research hypothesis 3: precipitation estimation with cars 8.3 Discussion of research hypothesis 4: decentralized motion estimation 8.4 Outlook 9 Appendix 9.1 Discussion on the 'frozen field' distance function 9.2 Executable Kalman filter equations for the motion estimation algorithm 9.3 Controllability and Observability of the Kalman filter for motion estimation List of Figures List of Tables References

Note: Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2018 , 1 Einleitung 1.1 Hintergrund und Problemstellung 1.2 Ziel der Arbeit 1.2.1 Problemstellung: Erfassung von Trajektorien 1.2.2 Problemstellung: Erkennung von Bewegungsmustern in Trajektorien 1.3 Gliederung 2 Grundlagen 2.1 Modellierung von Objektbewegungen 2.2 Erfassung von Trajektorien 2.2.1 GNSS-Tracking 2.2.2 Videobasiertes Tracking 2.2.3 Vergleich des GNSS- und videobasierten Trackings 2.2.4 Weitere Tracking-Verfahren 2.2.5 Probabilistische Modellierung 2.2.6 Viterbi-Algorithmus 2.3 Erkennung von Bewegungsmustern 2.3.1 Data Mining 2.3.2 Filterung und Glättung 2.3.3 Segmentierung 2.3.4 Distanzmaße zur Bestimmung der Ähnlichkeit von Trajektorien 2.3.5 Maschinelles Lernen im Kontext raum-zeitlicher Daten 2.3.6 Sequenzmustererkennung 2.4 Dynamische Programmierung 2.5 Unterschiedliche Varianten der Datenverarbeitung 2.5.1 Zentrale und dezentrale Verarbeitung 2.5.2 Informationsaustausch 3 Stand der Forschung und verwandte Arbeiten 3.1 Erfassung von Trajektorien 3.1.1 Objektdetektion 3.1.2 Objekt-Tracking 3.1.3 Fusion heterogener Detektionen 3.1.4 Kommerzielle Systeme 3.1.5 Diskussion und Fazit 3.2 Mustererkennung in Trajektorien 3.2.1 Erkennung von wiederkehrenden unbekannten Mustern 3.2.2 Diskussion und Fazit 4 Erfassung von Trajektorien - GPS-unterstütztes Kamera-Tracking 4.1 Überblick über den Lösungsansatz 4.2 Sensoren und Eingangsdaten 4.2.1 GPS-Daten 4.2.2 Kameradaten 4.3 Vorverarbeitung 4.4 Fusion der heterogenen Daten 4.4.1 Detektionsbasierte Modellierung 4.4.2 Rasterbasierte Modellierung 4.4.3 Generierung der Trajektorien 4.5 Laufzeit des Algorithmus 4.6 System design 5 Mustererkennung in Trajektorien 5.1 Definition von Bewegungsmustern 5.2 Überblick über das entwickelte Mustererkennungsverfahren 5.3 Trajektorien als Datengrundlage 5.4 Vorverarbeitung 5.4.1 Datenbereinigung 5.4.2 Datenselektion 5.4.3 Datenintegration und Transformation 5.5 Mustererkennung: Clustering-basierter Ansatz 5.5.1 Segmentierung der Trajektorien 5.5.2 Clustering der Trajektorien 5.6 Mustererkennung: Sequenzbasierter Ansatz 5.6.1 Eingangsdaten 5.6.2 Generierung der Sequenzen aus Bewegungen 5.6.3 Bestimmung des Alphabets 5.6.4 Identifikation wiederkehrender Teilsequenzen 5.6.5 Rücktransformation zu Trajektorien 5.7 Laufzeit des Algorithmus 6 Experimente und Evaluation der Erfassung der Trajektorien 6.1 Verwendete Software 6.2 Verwendete Sensoren 6.3 Korrektheit der Zuordnungen 6.3.1 Experiment: 2 Personen 6.3.2 Experiment: Fußballanalyse 6.4 Geometrische Genauigkeit der Trajektorien 6.5 Laufzeit 6.6 Fazit 7 Experimente und Evaluation der Mustererkennung 7.1 Verwendete Software 7.2 Ergebnisverifikation 7.3 Interessantheitsmaß für Bewegungsmuster 7.4 Parameterstudien 7.4.1 Eingabeparameter 7.4.2 Datendichte 7.4.3 Invarianzen 7.5 Experimente auf realen Datensätzen 7.5.1 Beschreibung der Datensätze und Experimente 7.5.2 Experiment 1 - ACM DEBS 2013-Datensatz 7.5.3 Experiment 2 - GPS-Fußball-Datensatz 7.5.4 Experiment 3 - MapConstruction.org 7.5.5 Experiment 4 - Mantelpaviane 8 Zusammenfassung und Ausblick 8.1 Zusammenfassung 8.2 Ausblick Abbildungsverzeichnis Tabellenverzeichnis Literaturverzeichnis Lebenslauf Danksagung

Note: Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2019 , 1 Einleitung 2 Grundlagen 2.1 Entwicklung der Gravimeter 2.1.1 Funktionsprinzip Freifall-Absolutgravimeter 2.1.2 Stand der Technik Absolutgravimeter 2.1.3 Funktionsprinzip der Relativgravimeter 2.1.4 Relativgravimetrische Methoden 2.1.5 Anwendungen gravimetrischer Messungen 2.1.6 Abgrenzung klassischer gegenüber neuartiger Sensoren 2.1.7 Entwicklungen der Atominterferometer und Quantengravimeter 2.2 Zeitlich variable Schwereeffekte 2.2.1 Gezeiten 2.2.2 Atmosphäre 2.2.3 Polbewegung 2.2.4 Lokale Hydrologie 2.3 Methoden der Modellierung geometrischer Objekte 3 Kombination klassischer Instrumente und Quantensensoren 3.1 Die klassische Referenz: Untersuchung des FG5X-220 3.1.1 Umrüstung des FG5-220 auf das FG5X-220 3.1.2 Rückführung des FG5X-220 auf SI-Einheiten 3.1.3 Zur Genauigkeit des FG5X-220 3.2 State-of-the-Art Relativgravimeter 3.3 Charakterisierung von Quantengravimetern 3.3.1 Vergleichskampagnen in Berlin 3.3.2 Vergleichskampagne in Onsala 3.4 Anforderungen an Reduktionen neuartiger Sensoren 3.4.1 Verbesserte Atmosphärenmodellierung 3.4.2 Vergleich der ERA5 Lösung mit Atmacs 4 Modellierung beliebiger Körper 4.1 Erste Tests anhand Laborumgebungen 4.1.1 Gravimetermesskampagne 4.1.2 Modell der 200 kN Kraft-Normalmesseinrichtung 4.1.3 Vergleich Messung und Modell 4.1.4 Berechnung der Schwere innerhalb der Belastungskörper 4.2 Modellierung des VLBAI 4.2.1 Das Modell des HITec Gebäudes 4.2.2 Gravimetrische Messkampagne 4.2.3 Effekt der Ausstattung am Beispiel der optischen Tische 4.2.4 Beitrag der lokalen Hydrologie 4.2.5 Zusammenfassung der Modellierung im Umfeld des VLBAI 5 Zusammenfassung und Ausblick A Quantengravimeter: Ergänzungen A.1 Atominterferometer Sequenz A.2 Das Gravimetric Atom Interferometer B Absolutgravimetrie mit dem FG5X-220: Ergänzungen B.1 Geräteuntersuchungen B.1.1 Einfluss der Super Spring B.1.2 Bestimmung des Coriolis-Effekt B.2 Absolutgravimetervergleiche B.3 FG5X-220 Zeitreihen C Ergänzende Untersuchungen der Relativgravimeter C.1 Defekt am ZLS B-64 C.2 Kalibrierfaktoren der IfE Relativgravimeter C.3 ZLS B-114 D Arbeiten an der Physikalisch-Technischen Bundesanstalt D.1 Die 200 kN K-NME der PTB D.2 Koordinatensystem an der Kraft-Normalmesseinrichtung (K-NME) D.3 Absolutgravimetermessungen E Hannover Institut für Technologie E.1 Gravimetrische Messungen , Zusammenfassung in Deutsch und Englisch

Note: Zusammenfassung in englisch und deutsch Seite v-vii

Note: 1 Introduction 1.1 Motivation and Research Questions 1.2 Objective Definition and Contributions 1.3 Outline of the Thesis 2 Theory and Related Work in Geodetic Network Analysis 2.1 Parameter Estimation in a Gauß - Markov Model 2.2 Parameter Estimation in a Gauß - Helmert Model 2.3 Geodetic Network Optimization: Theoretical Background and Related Work 2.3.1 Network Quality Criteria 2.3.2 Objective Functions and Optimality Criteria 2.3.3 Types of Optimization Problems 2.4 Discussion 3 Theoretical Background in Positioning and Navigation 3.1 Global Navigation Satellite Systems 3.1.1 GNSS Observables 3.1.2 GNSS positioning techniques 3.2 Inertial Navigation Systems 3.2.1 Coordinate Frames 3.2.2 Mechanization in the Navigation Frame 3.2.3 INS/GNSS Integration 3.3 Filtering Techniques 3.3.1 Bayes Filter 3.3.2 Kalman Filter 3.3.3 Linearized Kalman Filter 3.3.4 Extended Kalman Filter 3.4 Multi-Sensor Fusion 3.4.1 Laser Scanner 3.4.2 Stereo Cameras 3.4.3 Localization Versus Simultaneous Location and Mapping 4 State of the art in Collaborative Positioning 4.1 Introduction 4.2 Communication Architectures 4.3 Collaborative Positioning 4.3.1 GNSS Collaborative Positioning Approaches 4.3.2 Inertial Measurement Collaborative Positioning 4.3.3 Collaborative Positioning with Laser Scanner 4.3.4 Collaborative Positioning with Vision-Based Sensors 4.3.5 Collaborative Positioning Using Other Sensors 4.4 Simulation Technologies 4.4.1 Simulation Environments: Overview 4.4.2 Monte Carlo Methods 4.5 Discussion 5 Simulation Framework for Collaborative Scenarios 5.1 Design and Implementation 5.1.1 Vehicle Trajectories Simulator 5.1.2 Environmental Model 5.1.3 Measurement Generation 5.1.4 Collaborative-Extended Kalman Filter 5.1.5 Collaborative SLAM 5.1.6 Localization with Landmark Uncertainty 5.2 Application Example 5.2.1 Scenario and Setup 5.2.2 Sample Run 5.3 Discussion 6 Sensitivity Analysis of Dynamic Sensor Networks 6.1 Geodetic Network Optimization Problems for Dynamic Networks 6.2 Best Sensor Combination 6.2.1 Scenario and Sensor Setup 6.2.2 Sensitivity Results 6.3 Vehicle Dynamics Evaluation 6.3.1 Simulation Scenario and Setup 6.3.2 Process Noise Assessment 6.3.3 Process Noise to Measurement Noise Selection 6.4 Summary and Conclusions 7 Collaboration Versus Single Vehicle Estimation 7.1 Collaborative Navigation: Concept 7.2 Experiment Scenario and Setup 7.3 Collaboration Results 7.3.1 Accuracy and Precision Analysis 7.3.2 Integrity Analysis 7.4 Summary and Discussion 8 Conclusions 8.1 Summary 8.2 Outlook , Zusammenfassung in Englisch und Deutsch Seite i-iii