Art der Arbeit: Bachelorarbeit / Masterarbeit (Umfang siehe Text)

Fachlicher Hintergrund:

Ziel der Arbeit ist die Schaffung eines großflächigen Sensornetzwerks zur Lokalisierung von Schallquellen (z.B. Donner, Explosion, Lärm). Die Universität Rostock verfügt über viele Standorte im Stadtgebiet. Diese sollen in das Sensornetzwerk integriert werden. Es sollen Schallsensoren (Mikrofone) aufgestellt werden. Das System soll mit niedriger Datenrate auskommen.

Aufgabenbeschreibung:

Es soll ein System konzipiert und idealerweise prototypisch umgesetzt werden, mit dessen Hilfe auffällige Schallquellen in einem Stadtgebiet lokalisiert werden können. Aufgrund der Schallgeschwindigkeit treffen die Schallsignale zeitlich versetzt an unterschiedlichen Stellen ein. Aus der zeitlichen Differenz lässt sich die Position recht präzise bestimmen. Zwischen den Stationen und einer Basis kommen Computernetzwerke und eventuell LoRaWAN zum Einsatz. Das führt zu unterschiedlichen Latenzen für die Anbindung einzelnen Sensoren und Jitter bei der Übertragung selbst.

Die Rohdaten (Audio-Daten) sollen aufgrund der Netzwerkanbindung mit geringer Datenrate nicht selbst übertragen werden, sondern nur präzise Zeitstempel für zuvor in Ihrer Charakteristik beschriebene Schallereignisse.

Es ergeben sich folgende Herausforderungen:

• Unterscheidung einzelner Schallquellen an den Sensoren. Erkennung eines von einer einzelnen Quelle stammenden Schallsignals. Finden eines geeigneten Geräusches, mit dessen Hilfe die Zeitdifferenz bestimmt werden kann.
• Zuordnen einzelner Geräusche zu einer potentiell gemeinsamen Ursache.
• (Optional) Präzise zeitliche Synchronisation zwischen den Sensoren an unterschiedlichen Standorten. Nutzung hochpräziser Zeitstempel (z.B. mittels GPS Timestamp).
• Lokalisierung der Schallquelle mittels Time Difference of Arrival (TDOA).

Es sollen folgende Fragestellungen beantwortet werden (sinnvolle Auswahl entsprechend der Bearbeitungszeit treffen):

• Können einzelne Schallquellen sicher unterschieden werden?
• Wie gut lassen sich Schallsignale beschreiben, um geschickt filtern zu können?
• Wie hoch ist der Ressourcenbedarf (Speicher, Rechenleistung)? Welche Leistungsklasse muss das Edge-Device haben? Reichen Microcontroller aus?
• Welche Beschreibungsmöglichkeiten eignen sich?
• Wie hoch ist die erzielbare Genauigkeit?
• Kann ein solches System mit sehr niedriger Datenrate funktionieren (eventuell Anbindung über ein IoT-Protokoll)?
• Lassen sich geeignete Schallsignale finden (und beschreiben), über die die Zeitdifferenz beim Eintreffen bestimmt werden kann?

Mögliche Arbeitsschritte:

Dem Aufgabensteller ist klar, dass in der zur Verfügung stehenden Zeit unter Umständen nicht alle Aufgaben vollständig erfüllt werden könnten. Es ist daher sinnvoll abzugrenzen.

• Konzeption des Gesamtsystems. Beschreibung der Komponenten. Definition der Hardwareanforderungen für Prototyp.
• Einarbeitung in Verfahren zur Beschreibung des Geräuschsignals
  • ggfs. Maschinelles Lernen zum Trainieren des Geräuschfilters.
  • Prototyp mit Mikrocontroller oder Kleincomputer, Mikrofon, Maschinelles Lernen
• Einarbeitung Lokalisierung mittels TDOA.
• Einarbeitung Verfahren zur Zeitsynchronisation / Verfahren für präzises Timing.
• Experimente
• Auswertung

Die genaue Festlegung des Themas erfolgt in Abstimmung mit dem Betreuer unter Berücksichtigung eventuell schon an andere Studenten vergebener Themengebiete. Eine gemeinsame Bearbeitung verschiedener Teilthemen durch mehrere Studenten ist unter Umständen möglich. 

Literatur und Ressourcen:

• Jose A. Belloch u. a. „Practical Considerations for Acoustic Source Locali- zation in the IoT Era: Platforms, Energy Efficiency, and Performance“. In: IEEE Internet of Things Journal 6.3 (2019), S. 5068–5079. doi: 10.1109/ JIOT.2019.2895742.

• Christos Bouras u.a. „Time Difference of Arrival Localization Study for SAR Systems over LoRaWAN“. In: Procedia Computer Science 175 (2020), S. 292–299. issn: 18770509. doi: 10.1016/j.procs.2020.07.043.

• Nordby, Jon Opedal. Environmental sound classification on microcontrollers using Convolutional Neural Networks. MS thesis. Norwegian University of Life Sciences, Ås, 2019.

• Markwardt, Tim. Konzipierung eines Systems zur Lo- kalisierung und Klassifizierung von Geräuschquellen im urbanen Raum mittels verteilter Sensoren bei niedriger Datenrate, Masterarbeit, Universität Rostock, 2023

Betreuer: Dr. Thomas Mundt (thomas.mundt@uni-rostock.de) 

Voraussetzungen: Keine besonderen.