A novel solution for resolving an ill-posed range only localization and mapping problem is proposed. The developed method allows to localize an object using unsynchronized range measurements to beacons of unknown positions. Unavailable control information is compensated by a stochastic model that is physically motivated and space reduction is performed by regularization techniques. The main contribution of this thesis is to open up kernel regression techniques for real time localization problems and to embed them into the classical localization framework. The solution space is represented by a reproducing kernel Hilbert space and the solution is the minimum of a regularized risk functional. With the interpretation of the solution space in terms of stochastic processes, the solution equals the maximum a posteriori estimator.     «

A novel solution for resolving an ill-posed range only localization and mapping problem is proposed. The developed method allows to localize an object using unsynchronized range measurements to beacons of unknown positions. Unavailable control information is compensated by a stochastic model that is physically motivated and space reduction is performed by regularization techniques. The main contribution of this thesis is to open up kernel regression techniques for real time localization problems...     »

Eine Lösung für ein stark unterbestimmtes Lokalisierungsproblem wird in dieser Arbeit vorgeschlagen. Diese Methode erlaubt es, ein Objekt auf Basis von unsynchronisierten Abstandsmessungen zu Funkbaken unbekannter Position zu lokalisieren. Fehlende Steuerinformation wird durch ein physikalisch motiviertes stochastisches Modell kompensiert und Raumreduktion wird durch Regularisierungstechniken erreicht. Der wissenschaftliche Beitrag dieser Arbeit ist die Erschließung von Kernel-Regression Techniken für Echtzeitlokalisierung und deren Einbindung in klassische Lokalisierungsverfahren. Der Lösungsraum für die Trajektorie ist ein Hilbertraum mit reproduzierendem Kern und die Lösung das Minimum eines regularisierten Risikofunktionals. Interpretiert man den Lösungsraum als stochastischen Prozess, entspricht die Lösung einem maximum a posteriori Schätzer     «

Eine Lösung für ein stark unterbestimmtes Lokalisierungsproblem wird in dieser Arbeit vorgeschlagen. Diese Methode erlaubt es, ein Objekt auf Basis von unsynchronisierten Abstandsmessungen zu Funkbaken unbekannter Position zu lokalisieren. Fehlende Steuerinformation wird durch ein physikalisch motiviertes stochastisches Modell kompensiert und Raumreduktion wird durch Regularisierungstechniken erreicht. Der wissenschaftliche Beitrag dieser Arbeit ist die Erschließung von Kernel-Regression Technik...     »