LiDAR-Sensoren (Light Detection and Ranging) werden in verschiedenen Anwendungen eingesetzt. Ihre Fähigkeit, 3D-Daten direkt zu erfassen, ermöglicht neue Einsatzmöglichkeiten und ergänzt andere Sensoren. Die Punktwolken von LiDAR-Sensoren werden zur Lokalisierung, zur Fusion mit Bilddaten und zur allgemeinen Wahrnehmung der Umgebung, z. B. zur Hinderniserkennung, verwendet. Im Gegensatz zu terrestrischen Laserscannern (TLS), bei denen es sich um hochwertige LiDARs handelt, die in geodätischen Anwendungen eingesetzt werden, wird die Unsicherheitsanalyse von kostengünstigen Multi-Beam- oder Solid-State-LiDARs immer noch vernachlässigt, obwohl sie in verschiedenen Anwendungen von großer Bedeutung ist. Als zwei Beispiele können der Einsatz in Multisensorsystemen (MSS) als kinematische Scansysteme in der Vermessung und als zusätzliche Sensoren für autonome Fahrzeuge genannt werden.
Die Unsicherheitsmodellierung ist wichtig, da insbesondere bei autonomen Systemen die auf den erfassten Daten basierende Entscheidung zu gefährlichen Situationen für Mensch und Umwelt führen kann. Durch konsistent vorhergesagte Unsicherheitsinformationen können weitere Algorithmen zur Lokalisierung oder Objektverfolgung dabei unterstützt werden, richtige Entscheidungen zu treffen. Konsistent bedeutet, dass das Vertrauen des Systems, d. h. die vorhergesagte Unsicherheit, mit der tatsächlichen Genauigkeit übereinstimmen sollte. Dies kann auf verschiedene Weise überprüft werden, z. B. durch Hypothesentests. Darüber hinaus wird die vorhergesagte Unsicherheit für die Bestimmung der Integrität benötigt, die bereits ein Standard für Flugzeuge ist. Ziel dieses Promotionsprojekts ist es, Methoden zu untersuchen, die eine konsistente Schätzung von Unsicherheiten für LiDAR-basierte MSS ermöglichen, während die Herausforderungen, die durch die Unsicherheiten einzelner Sensoren und deren Wechselwirkungen im System entstehen, bewältigt werden.

Dabei wurde zunächst eine konsistente Kalibrierung von LiDAR-Sensoren auf Plattformen mit anderen Sensoren realisiert. Durch eine zusätzliche Schätzung von intrinsischen Kalibrierparametern können bessere Parameter erreicht werden. Zusätzlich wurde die Datenfusion im Rahmen eines Error-State Kalman Filters weiterentwickelt. Durch eine lineare Poseninterpolation für die Berechnung des Updates werden deutlich genauere Trajektorienschätzungen ermöglicht. Zur Berücksichtigung der unterschiedlichen Materialeigenschaften bei der Messung durch LiDAR-Sensoren wurde eine rekursive Varianzkomponentenschätzung entwickelt und für die Schätzung der Unsicherheiten bei der Distanzmessung angewendet. 

Diese Forschung wurde bis November 2025 von der DFG im Graduiertenkolleg i.c.sens (RTG 2159) unterstützt.