Innovatives Planungstool für optimale Sensorplatzierung im urbanen Raum

Akustische Aufklärung im urbanen Raum

Urbanes Gelände ist ein dynamischer Schauplatz: Zahlreiche Signalquellen entstehen, überlagern sich und werden durch Gebäude reflektiert oder abgeschattet. Akustische Sensoren spielen dabei eine besondere Rolle – sie liefern auch ohne direkte Sichtverbindung Informationen über die Position einer Schallquelle und tragen wesentlich zur Erstellung eines Lagebilds bei. Akustische Signale enthalten räumliche Informationen, die sich gezielt für die Aufklärung sicherheitsrelevanter Ereignisse nutzen lassen.

Herausforderung: Optimale Sensorplatzierung in der Stadt

Um diese Potenziale auszuschöpfen, ist eine durchdachte Sensorplatzierung entscheidend. Die Planung ist jedoch anspruchsvoll: Bebauung beeinflusst die Signalausbreitung, während städtische Randbedingungen – unzugängliche Flächen, Sicherheitsabstände oder Nutzungsbeschränkungen – die möglichen Standorte zusätzlich einschränken. Herkömmliche Methoden stoßen hier schnell an ihre Grenzen.

Das Planungstool: Entwicklung durch Fraunhofer FKIE und ISL

Hier setzt ein spezialisiertes Planungstool an, das vom Fraunhofer FKIE gemeinsam mit dem Deutsch-Französischen Forschungsinstitut Saint-Louis (ISL) im Auftrag der Wehrtechnischen Dienststelle 91 (WTD 91) entwickelt wird. Das Tool bezieht bauliche Hindernisse sowie technische und operative Randbedingungen ein und berechnet unter realistischen Annahmen optimale Sensorpositionen. Dabei werden:

• Ausbreitungswege im urbanen Raum modelliert
• Die zu erwartende Sensorperformanz berechnet
• Mithilfe moderner Optimierungsalgorithmen jene Sensorkonfigurationen identifiziert, die die höchste Aufklärungsleistung bei minimalen Blind Spots versprechen

Heatmaps und Weiterentwicklung

Ein zentrales Element ist die Visualisierung der Ergebnisse in Form von Heatmaps: Sie zeigen auf einen Blick sichtbar, an welchen Standorten das Sensornetzwerk die größte Leistungsfähigkeit erzielt und wo Abdeckungslücken bestehen. Perspektivisch sollen weitere Parameter – Art und Stärke der Signalquellen, unterschiedliche Sensortypen sowie spezifische Einsatzszenarien – flexibel eingebunden werden.

Ziel: Praxisnahes Werkzeug für Entscheidungsträger

Ziel des Projekts ist es, Entscheidungsträgern und Einsatzkräften ein leistungsfähiges, praxisnahes Planungswerkzeug bereitzustellen, das Aufklärungsmaßnahmen im urbanen Raum deutlich vereinfacht und verbessert. Bestehende Systeme können so rein softwarebasiert effizienter genutzt und ihre Fähigkeiten gezielt erweitert werden – ein wichtiger Beitrag zu mehr Sicherheit in komplexen Stadtgebieten.

Bewertungsmetriken als Optimierungsgrundlage

Bevor Sensorpositionen optimiert werden können, muss definiert sein, was eine »gute« Sensorgeometrie ausmacht. Dafür wurden zwei Metriken entwickelt:  

• Lokalisierungsgenauigkeit – wie präzise kann der Ort einer Signalquelle bestimmt werden?
• Klassifikationsgenauigkeit – wie zuverlässig kann der Typ der Signalquelle identifiziert werden?

Diese Kenngrößen bilden die Grundlage der Optimierung.

Zwei komplementäre Modellierungsansätze

Zur Berechnung der beiden Metriken wird das urbane Umfeld aus zwei komplementären Perspektiven modelliert:

• Signalbasierter Ansatz (ISL): Detailliert Beschreibung der Signalausbreitung im Stadtraum – inklusive Reflexionen, Beugungen und Abschattungen an Gebäuden und anderen Strukturen.
• Sensorbasierter Ansatz (Fraunhofer FKIE): Analyse des erwarteten Informationsgehalts der Sensormessungen in Abhängigkeit des Sensorortes.

Aus der Kombination beider Sichtweisen entsteht ein konsistentes Modell, mit dem sich Lokalisierungs- und Klassifikationsleistung einer Sensorgeometrie realitätsnah bewerten lassen.

Optimierung mittels genetischem Algorithmus

Die Optimierung der Sensorpositionen erfolgt mithilfe eines genetischen Algorithmus: Viele verschiedene Sensorkonfigurationen werden erzeugt, anhand der Metriken bewertet, vielversprechende Lösungen kombiniert und iterativ weiterentwickelt. Durch Multi-Objective-Optimierung lassen sich zudem Anordnungen identifizieren, die einen besonders guten Kompromiss zwischen Lokalisierungs- und Klassifikationsleistung bieten.

Eingesetzte Sensortypen und Ausblick

Im Projekt kommen unterschiedliche Sensortypen zum Einsatz:

• Akustische Peilsensoren (Fraunhofer FKIE)
• Synchronisierte Einzelmikrofone, mit Time Difference of Arrival (TDOA)-Messungen (ISL)

Aktuell wird für eine vorgegebene Anzahl und einen festgelegten Mix dieser Sensoren die optimale Platzierung bestimmt. Perspektivisch soll die Methodik so erweitert werden, dass auch Sensoranzahl und Sensortypen Teil der Optimierung werden – für eine noch bessere Anpassung an unterschiedliche Einsatzszenarien.

Experimentelle Validierung anhand drei realer Datensätze

Zur experimentellen Erprobung des Softwaretools dienen drei Datensätze aus realen Messkampagnen:

• Mai 2023 – Walenstadt, Schweiz: Messungen mit scharfen Schüssen im Rahmen eines NATO-Experiments der SET-286
• Februar 2024 – ISL-Institutsgelände: Messungen mit einer Propangaskanone zur Erzeugung von Impulsgeräuschen ähnlich zu Schüssen
• August 2024 – Lehnin, Teilnahme an einem Schießexperiment der WTD 91mit scharfen Schüssen

Die drei Versuchsumgebungen repräsentieren unterschiedliche Szeanarien: (a) einen Häuserblock (ISL-Institutsgelände), (b) eine dörfliche Umgebung (Versuchsgelände Äuli, Walenstadt) sowie (c) eine Ortskampfanlage mit großstädtischen Straßenzügen (Lehnin).

Die experimentellen Ergebnisse bestätigen, dass die erzielte Aufklärungsleistung mit der Vorhersage des Tools übereinstimmt und durch eine optimierte Sensorplatzierung gezielt gesteigert werden kann. 

Interaktive Heatmap-Visualisierung in Echtzeit

Ein Beispielergebnis des genetischen Algorithmus zeigt die Optimierung von vier akustischen Peilsensoren im Versuchsgelände Äuli in Walenstadt. Neben den optimalen Sensorpositionen (schwarze Punkte) ist die erwartete Lokalisierungsgenauigkeit als Heatmap in die Karte eingezeichnet. Manuelle Anpassungen der Sensorpositionen werden in Echtzeit berücksichtigt – so entsteht eine interaktive Karte, die unmittelbar zeigt, wie Abweichungen von der optimalen Lösung die Performance des Sensoretzwerks beeinflussen.

L. Still, M. Oispuu, W. Koch, “Accuracy Study on Target Localization Using Acoustic Bearing Measurements Including Urban Reflections,” 25th International Conference on Information Fusion (FUSION), Linköping, Sweden, Jul. 2022.

L. Still, M. Oispuu, W. Koch, “Optimal Sensor Placement for Shooter Localization Using a Genetic Algorithm,” 24th International Conference on Information Fusion (FUSION), Sun City, South Africa, Nov. 2021.

L. Still, M. Oispuu, “Optimal Sensor Placement for Shooter Localization within a Surveillance Area,” IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems (MFI), Karlsruhe, Sep. 2021.

D.-O. Iacob, et al., “Optimizing sensor placement in urban environments for time difference of arrival shooter localization and event classification,” in 27th International Conference on Information Fusion, Venedig, Italien, Jul. 2024.

D.-O. Iacob, et al., “Optimal acoustic sensor placement in urban areas: DOA, TOA and sound signature classification,” in 9th Workshop on Battlefield Acoustics, Saint-Louis, Frankreich, Jul. 2024.

P. Mikus, et al., “On Localization Accuracy in Urban Environments Using TDOA Measurements,” in 16th Symposium Sensor Data Fusion: Trends, Solutions and Applications, Bonn, Nov. 2024.

M. Ospel and P. Mikus, “Multi-Sensor Multi-Source Localization under Clutter and Uncertainty,” IEEE Transactions on Signal Processing, 2026.

M. Ospel, “Impact of operational uncertainty on acoustic time difference of arrival multilateration performance,” The Journal of the Acoustical Society of America, vol. 157, no. 4 (Supplement), pp. A55–A55, 2025.

M. Ospel, et al., “Fast iterative shooter localization in urban terrain using ray casting,” The Journal of the Acoustical Society of America, vol. 155, no. 5, pp. 3005–3013, 2024.