guest ::
| 001 | 1026564 | ||
| 005 | 20260213060258.0 | ||
| 024 | 7 | _ | |2 HBZ |a HT031388769 |
| 024 | 7 | _ | |2 Laufende Nummer |a 45026 |
| 024 | 7 | _ | |2 datacite_doi |a 10.18154/RWTH-2026-00971 |
| 037 | _ | _ | |a RWTH-2026-00971 |
| 041 | _ | _ | |a English |
| 082 | _ | _ | |a 620 |
| 100 | 1 | _ | |0 P:(DE-82)IDM05204 |a Zhang, Haoming |b 0 |u rwth |
| 245 | _ | _ | |a Handling GNSS-outliers in multisensor state estimation |c vorgelegt von Haoming Zhang |h online |
| 246 | _ | 3 | |a Behandlung von GNSS-Messausreißern in der Multisensor-Zustandsschätzung |y German |
| 260 | _ | _ | |a Aachen |b RWTH Aachen University |c 2025 |
| 260 | _ | _ | |c 2026 |
| 300 | _ | _ | |a 1 Online-Ressource : Illustrationen |
| 336 | 7 | _ | |0 2 |2 EndNote |a Thesis |
| 336 | 7 | _ | |0 PUB:(DE-HGF)11 |2 PUB:(DE-HGF) |a Dissertation / PhD Thesis |b phd |m phd |
| 336 | 7 | _ | |2 BibTeX |a PHDTHESIS |
| 336 | 7 | _ | |2 DRIVER |a doctoralThesis |
| 336 | 7 | _ | |2 DataCite |a Output Types/Dissertation |
| 336 | 7 | _ | |2 ORCID |a DISSERTATION |
| 500 | _ | _ | |a Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2026 |
| 502 | _ | _ | |a Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025 |b Dissertation |c Rheinisch-Westfälische Technische Hochschule Aachen |d 2025 |g Fak04 |o 2025-10-27 |
| 520 | 3 | _ | |a Fahrzeuglokalisierung unter Verwendung klassischer Ansätze nutzt in der Regel least-square Techniken, um unbekannte Zustandsvariablen durch die Fusion von nichtlinearen Systemdynamiken und Sensormodellen abzuleiten. In diesem Rahmen wird angenommen, dass Modellunsicherheiten einer Gaußschen Verteilung folgen. Ein optimaler Zustandsschätzwert lässt sich erreichen, vorausgesetzt, dass die vordefinierten Rauschparameter den tatsächlichen Unsicherheiten entsprechen. Die Annahme einer Gaußschen Rauschverteilung hat sich jedoch in realen Umgebungen unrealistisch erwiesen, wo Sensorausfälle und Signalstörungen häufig zu Messausreißern führen. Die Messausreißer weisen zeitlich variierende Rauschdynamiken auf, die mit long-tail, asymmetrischen und multimodalen Verteilungen verbunden sind. Folglich kann ein Zustandsschätzer degradieren oder sogar vollständig divergieren, wenn ein inkonsistentes Messmodell mit übermäßig selbstsicheren, handgefertigten Rauschparametern verwendet wird. Daher bleibt es eine herausfordernde Aufgabe, einen Fahrzeuglokalisierungsansatz zu entwickeln, der einen robusten Langzeitbetrieb in verschiedenen Umgebungen gewährleistet. Diese Dissertation untersucht Methoden zum Umgang mit Ausreißern in einem graphenoptimierungsbasierten Zustandsschätzer, der speziell für die Fahrzeuglokalisierung mit Globalen Satellitennavigationssystemen (GNSS) entwickelt wurde. Neben der Entwicklung neuartiger Zustandsabschätzungsmethoden liegt diese Arbeit besonderen Wert auf zwei zentrale Bereiche: (a) eine theoretische Analyse moderner Ansätze zur Ausreißererkennung und (b) lernbasierte Methoden, unterstützt durch umfangreiche Ablationsstudien. Insbesondere werden zwei Methoden zur Behandlung von Ausreißern in unterschiedlichen Anwendungen der Fahrzeuglokalisierung untersucht. Die erste Methode umfasst klassische M-estimation, die häufig verwendet wird, um den Einfluss von Ausreißern in der Zustandsschätzung zu reduzieren und sich in der Praxis als effektiv erwiesen hat. Die zweite Methode setzt auf lernbasierte Techniken zur Prognose von Ausreißermessungen. Neben klassischen maschinellen Lernmodellen stelle ich eine neuartige Deep-Learning-Netzwerkarchitektur vor, die die raum-zeitliche Modellierung unter Berücksichtigung der GNSS-Rauschfortpflanzungs-eigenschaften durchführt. Zusammenfassend trägt diese Dissertation zum Verständnis des Umgangs mit Ausreißern bei und verbessert so die robuste Fahrzeuglokalisierung für den Langzeitbetrieb in herausfordernden Umgebungen. Durch die Betonung dieser Ansätze ziele ich darauf ab, wichtige Einblicke zu geben und zukünftige Fortschritte in der robusten Zustandsschätzung für die Fahrzeuglokalisierung voranzutreiben. |l ger |
| 520 | _ | _ | |a Vehicle localization using classic state estimation approaches generally conducts least-square techniques to infer unknown state variables by fusing nonlinear system dynamics and sensor models. In this setting, model uncertainties are typically assumed to follow a zero-mean Gaussian distribution. An optimal state estimate can be achieved by minimizing covariances using redundant state representations (aka models), provided the predefined noise parameters match the actual uncertainties. However, the assumption of Gaussian noise has been shown to be overly conservative and unrealistic in real-world environments, where sensor failures and signal interference frequently result in measurement outliers. In this case, measurement outliers typically exhibit time-varying noise dynamics associated with heavy-tailed, skewed, and multimodal distributions that cannot be adequately modeled in advance. Consequently, a state estimator employing the least-square technique may degrade or even completely diverge once an inconsistent measurement model with overly confident hand-crafted noise parameters is used. Therefore, developing a vehicle localization approach that achieves robust long-term operation in diverse environments remains a challenging problem. This dissertation examines methods for handling outliers in a graph-optimization-based state estimator, specifically designed for vehicle localization using Global Navigation Satellite Systems (GNSS). In addition to developing novel state estimation techniques, this thesis places noticeable emphasis on two key areas: (a) a theoretical analysis of the state-of-the-art robust outlier rejection approaches, and (b) learning-based methods, supported by extensive ablation studies. In this regard, I explore two methods for handling GNSS outliers. The first considers the classic M-estimation techniques, which are commonly used to reduce the impact of outliers in state estimation and have proven effective in practice. However, their application to ranging sensors, particularly in terms of robustness and efficiency across different loss kernels, has received little attention. The second method leverages learning-based techniques to predict outlier measurements. Beyond traditional machine learning models, such as Support Vector Machines, I introduce a novel deep network architecture that performs spatiotemporal modeling, specifically considering the characteristics of GNSS noise propagation. In summary, this dissertation advances the understanding of outlier handling using M-estimation and learning-based methods to enhance the robustness of vehicle localization for long-term operation in challenging environments. By emphasizing these approaches, the thesis aims to provide critical insights and inspire future advancements in robust state estimation for vehicle localization. Additionally, I prioritize reproducibility and comparability by open-sourcing the code for all methods discussed. |l eng |
| 588 | _ | _ | |a Dataset connected to Lobid/HBZ |
| 591 | _ | _ | |a Germany |
| 700 | 1 | _ | |0 P:(DE-82)IDM05832 |a Vallery, Heike |b 1 |e Thesis advisor |u rwth |
| 700 | 1 | _ | |a Barfoot, Timothy |b 2 |e Thesis advisor |
| 700 | 1 | _ | |a Kok, Manon |b 3 |e Thesis advisor |
| 856 | 4 | _ | |u https://publications.rwth-aachen.de/record/1026564/files/1026564.pdf |y OpenAccess |
| 856 | 4 | _ | |u https://publications.rwth-aachen.de/record/1026564/files/1026564_source.zip |y Restricted |
| 909 | C | O | |o oai:publications.rwth-aachen.de:1026564 |p openaire |p open_access |p VDB |p driver |p dnbdelivery |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-82)IDM05204 |a RWTH Aachen |b 0 |k RWTH |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-82)IDM05832 |a RWTH Aachen |b 1 |k RWTH |
| 914 | 1 | _ | |y 2026 |
| 915 | _ | _ | |0 StatID:(DE-HGF)0510 |2 StatID |a OpenAccess |
| 920 | 1 | _ | |0 I:(DE-82)416610_20140620 |k 416610 |l Lehrstuhl und Institut für Regelungstechnik |x 0 |
| 980 | 1 | _ | |a FullTexts |
| 980 | _ | _ | |a I:(DE-82)416610_20140620 |
| 980 | _ | _ | |a UNRESTRICTED |
| 980 | _ | _ | |a VDB |
| 980 | _ | _ | |a phd |
| Library | Collection | CLSMajor | CLSMinor | Language | Author |
|---|