Channel State Information (CSI) ist weit mehr als nur ein Indikator für die Signalstärke. Es beschreibt detailliert, wie Wi-Fi-Signale auf ihrem Weg vom Sender zum Empfänger durch die Umgebung beeinflusst werden – sei es durch Reflexion, Beugung oder Streuung. Jede Bewegung einer Person im Raum verändert diese Muster auf charakteristische Weise.

Während herkömmliche Einzelsensoren oft nur eine grobe Bewegungserkennung bieten, gehen wir einen Schritt weiter: Durch den Verbund mehrerer ESP32-Knoten schaffen wir ein intelligentes Mesh-Netzwerk, das eine präzise Lokalisierung und Echtzeit-Visualisierung von Personen ermöglicht.
Das Ziel der Arbeit

Die Realisierung eines robusten Sensornetzwerkes auf Basis von ESP32-S3-Nodes. Ziel ist es, ein System zu entwickeln, das Personen im Raum nicht nur erkennt, sondern deren Position zuverlässig detektiert und in einer virtuellen Umgebung darstellt.
Ihre Aufgaben im Projekt

Um dieses Ziel zu erreichen, gliedert sich die Arbeit in folgende spannende Teilbereiche:

• Simulationsumgebung: Implementierung einer geeigneten Simulation zur Generierung und Validierung von CSI-Informationen.
• Systemaufbau: Evaluierung und Einrichtung eines Mesh-ähnlichen Netzwerks aus mehreren ESP32-Nodes zur synchronisierten Datenerfassung.
• Datenerfassung & Vorverarbeitung: Implementierung einer Pipeline zur Extraktion von Amplituden- und Phaseninformationen (inkl. Noise-Filtering und Ausreißerbereinigung).
• Datenfusion: Entwicklung intelligenter Algorithmen, um die Informationen aller Kanäle gewinnbringend zu verknüpfen.
• Visualisierung: Erstellung eines Software-Tools, das CSI-Veränderungen in ein virtuelles 2D/3D-Abbild des Raumes übersetzt.

Was Sie mitbringen sollten

Dieses Projekt richtet sich an motivierte Studierende mit Interesse an Hardware-naher Programmierung und Signalverarbeitung.

• Programmierkenntnisse: Gute Kenntnisse in C/C++ (ESP-IDF oder Arduino-Framework).
• Signalverarbeitung: Grundlegendes Verständnis der Signalverarbeitung sowie Erfahrung mit Python.
• Fachinteresse: Begeisterung für drahtlose Kommunikation und die Physik der Wellenausbreitung.
• Soft Skills: Eine selbstständige, strukturierte und lösungsorientierte Arbeitsweise.

Die Identifikation nicht-autorisierter Kommunikation ist eine wachsende Herausforderung. Die enorme Signaldichte und die technologische Vielfalt moderner Funkprotokolle wie BLE, LTE und 5G erschweren die herkömmliche Überwachung massiv. Besonders in Umgebungen mit höchsten Integritätsanforderungen – wie etwa der Unterbindung von Betrugsversuchen bei professionellen Schachwettbewerben – müssen selbst schwache, transiente Signale in stark vorbelasteten Spektren isoliert werden.

Da diese Protokolle komplexe Verfahren wie FHSS, DSSS oder OFDMA nutzen, ist eine breitbandige Echtzeit-Analyse über mehrere Frequenzbänder hinweg unerlässlich.
Das Ziel der Arbeit

Das Ziel dieses Projekts ist die Entwicklung eines Systems zur breitbandigen Detektion und Lokalisierung von Funksignalen (ISM-Band & Mobilfunk). Mittels MIMO-Signalverarbeitung und Angle-of-Arrival-Schätzungen (AoA) extrahieren Sie Phaseninformationen eines Antennen-Arrays, um die Herkunftsrichtung von Emittern im Raum präzise zu bestimmen und Signalquellen räumlich einzugrenzen.
Ihre Aufgaben im Projekt

• Spektrum-Monitoring: Aufbau eines Systems mit Software Defined Radios (SDR) zur Überwachung des 2,4 GHz ISM-Bandes und des Mobilfunkbereichs.
• Detektion & Klassifizierung: Entwicklung von Algorithmen zur Identifikation und Unterscheidung verschiedener Signale (WiFi, Bluetooth, LTE/5G).
• MIMO-Lokalisierung: Implementierung von Verfahren zur Lokalisierung (z. B. AoA-Schätzung), um Emitter im Raum zu tracken.
• Software-Design: Umsetzung einer effizienten Signalverarbeitungs-Pipeline in Python oder C++.

Ihr Profil

• Studium: ET / CE / Informatik mit Schwerpunkt Kommunikationstechnik.
• Fachwissen: Fundierte Kenntnisse in der Signalverarbeitung und digitalen Funktechnik.
• Programmierung: Sicherer Umgang mit Python oder C++.
• Interesse: Begeisterung für komplexe Problemstellungen an der Schnittstelle von Hardware und Software.

Federated Learning (FL) has emerged as a groundbreaking distributed machine learning paradigm—ideal for systems characterized by limited and intermittent connectivity. As modern satellite constellations in LEO grow in complexity, there is a clear trend toward integrating AI directly on-board rather than transmitting massive raw datasets back to Earth.

However, the reality of space is challenging: high mobility, intermittent links (ISL/GSL), and restricted bandwidth pose significant hurdles for traditional FL architectures.
Objective

The goal of this thesis is to investigate and develop methods for the efficient exchange and compression of gradients over satellite-to-satellite and satellite-to-ground links. You will work on ensuring that AI models can converge reliably despite the volatile network conditions inherent in orbital environments.
Research Focus

The project offers the opportunity for deep dives into several cutting-edge areas:

• Gradient Compression: Implement and evaluate techniques such as quantization and sparsification to minimize communication overhead.
• Constellation Dynamics: Analyze how different constellation designs and communication capabilities impact the convergence of the learning process.
• Algorithm Development: Develop or adapt FL protocols specifically designed to handle the intermittent connectivity of LEO satellites.
• Simulation & Analysis: Use Python (e.g., PyTorch) to simulate the learning process within a dynamic satellite network environment.

Your Profile

We are looking for motivated students who enjoy bridging the gap between theory and application:

• Degree Program: Student in Electrical Engineering, Computer Engineering, Computer Science, or a related field.
• Interests: Strong interest in Machine Learning and Satellite Communications.
• Programming: Solid skills in Python (ideally experience with PyTorch or TensorFlow).
• Background: Basic understanding of optimization or signal processing.