⚡ electrical engineering

Multi-Modal Robust Fusion Navigation for RLG-INS/GNSS Integrated Systems with Adaptive Fault-Tolerant Capabilities

Dieses Paper schlägt ein multimodales robustes Fusionsnavigations-Framework für RLG-INS/GNSS-Systeme vor, das fuzzy-basiertes Modus-Switching, eine auf Attention erweiterte LSTM-Prädiktion für Signalausfälle sowie einen adaptiven Maximum-Correntropy-Unscented-Kalman-Filter mit zweistufiger Fehlererkennung integriert, um eine hohe Genauigkeit und Zuverlässigkeit in komplexen, verrauschten Umgebungen zu gewährleisten.

Ursprüngliche Autoren: Jinsong XU, Manrong Wang, Xintong Zhang, Xin Wang, Zihao Li

Veröffentlicht 2026-07-15

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Jinsong XU, Manrong Wang, Xintong Zhang, Xin Wang, Zihao Li

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie steuern ein superintelligentes Roboterauto durch eine Stadt, die ständig versucht, es auszutricksen. Manchmal versperren hohe Gebäude den Himmel (sodass das Auto die Sterne, die es für das GPS nutzt, nicht sehen kann). Manchmal prallen Funksignale von Wänden ab und lügen über den Standort des Autos. Und manchmal beginnen die internen Sensoren des Autos langsam zu driften, wie eine Uhr, die jede Stunde eine Sekunde gewinnt, ohne dass man es bemerkt.

Dieses Papier präsentiert ein neues „Gehirn“ für dieses Roboterauto, das darauf ausgelegt ist, all diese Tricks gleichzeitig zu bewältigen. Es heißt Multi-Modal Robust Fusion Navigation-System. Betrachten Sie es nicht als ein einzelnes Werkzeug, sondern als ein Team aus vier Spezialisten, die zusammenarbeiten und ständig die Arbeit der jeweils anderen kontrollieren.

Die vier Spezialisten

1. Der „Schlaue Schalter“ (Moduswechsel/Mode Switching)
Normalerweise sind Navigationssysteme stur; sie halten an einem Plan fest, selbst wenn sich die Umgebung ändert. Dieses neue System ist wie ein kluger Verkehrspolizist, der ständig das Wetter und die Straßenbedingungen prüft. Es verwendet ein „Fuzzy“-Logiksystem (ähnlich wie ein Mensch eine Entscheidung trifft, statt eines strikten Ja/Nein), um zu bewerten, wie gut das GPS-Signal ist.

Der Trick: Wenn das Signal perfekt ist, nutzt es einen präzisen Hochpräzisionsmodus. Wenn das Signal unzuverlässig wird, wechselt es sanft in einen lockeren Modus. Wenn das Signal vollständig verschwindet (wie bei der Fahrt in einen Tunnel), wechselt es in einen „Reinen INS“-Modus (der nur die internen Sensoren des Autos nutzt).
Das Sicherheitsnetz: Um zu verhindern, dass das System in Panik gerät und zu schnell hin- und herschaltet (wie ein flackerndes Licht), verwendet es eine „Hysteresen“-Strategie. Dies ist wie ein Thermostat, der wartet, bis es im Raum wirklich kalt ist, bevor er die Heizung einschaltet, und wartet, bis es wirklich warm ist, bevor er sie ausschaltet. Dies hält den Pfad des Autos geschmeidig.

2. Der „Zeitreisende Prädiktor“ (LSTM mit Attention)
Wenn das Auto in einen Tunnel fährt und das GPS verliert, beginnen die internen Sensoren (Ringlaser-Gyroskope) zu driften. Alte Systeme würden einfach raten und hoffen. Dieses System verwendet ein spezielles KI-Gehirn namens Attention-Enhanced LSTM.

Die Analogie: Stellen Sie sich vor, Sie gehen mit verbundenen Augen spazieren. Sie erinnern sich an Ihre Schritte. Ein normaler Wanderer zählt einfach nur Schritte. Diese KI ist wie ein Wanderer, der sich erinnert, wie er gedreht hat, wie schnell er sich gedreht hat und wann er beschleunigt ist. Sie nutzt „Attention“ (Aufmerksamkeit), um sich auf die wichtigsten Momente zu konzentrieren (wie eine scharfe Kurve), anstatt jede Sekunde der Geschichte gleich zu behandeln.
Die Vorhersage: Sie sagt voraus, wo sich das Auto in Bezug auf Position und Geschwindigkeit befinden sollte.
Der Haken: Das System weiß, dass Vorhersagen weniger vertrauenswürdig werden, je länger man sich in der Dunkelheit befindet. Daher verwendet es einen „Zeitzerfallsfaktor“ (Time-Decay Factor). Stellen Sie sich vor, man bläst einen Ballon um die Vorhersage auf; je länger das GPS weg ist, desto größer wird der Ballon, was dem Auto sagt: „Ich bin mir bei dieser Vermutung nicht mehr zu 100 % sicher.“ Dies verhindert, dass das Auto einer schlechten Vermutung zu sehr vertraut.

3. Der „Ausreißer-Filter“ (Adaptive Maximum Correntropy UKF)
Manchmal wird das GPS-Signal von „heavy-tailed noise“ getroffen – im Grunde wilden, verrückten Fehlern, die wie Ausreißer wirken (wie ein Signal, das von einem Wolkenkratzer abprallt und behauptet, das Auto befinde sich auf dem Dach). Standardfilter kommen mit diesen wilden Fehlern durcheinander.

Die Lösung: Dieses System verwendet einen speziellen Filter, der wie ein Türsteher in einem Club fungiert. Wenn ein Datenpunkt normal agiert, darf er hinein. Wenn er sich verrückt verhält (ein Ausreißer), reduziert der Filter seine Bedeutung.
Die Anpassung: Der „Türsteher“ ändert seine Strenge basierend darauf, wie sehr er dem GPS vertraut. Wenn das GPS vertrauenswürdig ist, ist der Türsteher streng in Bezug auf die Genauigkeit. Wenn das GPS unordentlich ist, wird der Türsteher extrem streng dabei, die verrückten Daten zu ignorieren. Dieses Gleichgewicht wird automatisch durch den „Schlauben Schalter“ aus Schritt 1 gesteuert.

4. Der „Langsam-Drift-Detektiv“ (Adaptive SPRT)
Manche Probleme sind keine plötzlichen Abstürze, sondern langsame, heimliche Drifts (Soft Faults). Ein Sensor könnte langsam anfangen, zu lügen, indem er pro Minute um 0,5 Meter abweicht. Standarddetektoren übersehen dies oft, da sie nach großen, plötzlichen Sprüngen suchen.

Der Detektiv: Dieses System verwendet einen „Sequential Probability Ratio Test“ (SPRT) mit einem speziellen „Verblassungsfaktor“. Es ist wie ein Detektiv, der bemerkt, dass ein Verdächtiger jeden Tag leicht verdächtig handelt. Anstatt auf ein Verbrechen zu warten, sammelt der Detektiv diese kleinen Hinweise an.
Das Ergebnis: Dies ermöglicht es dem System, diese langsamen Drifts viel schneller zu erkennen als bisherige Methoden.

Was die Simulationen zeigten

Die Autoren testeten dieses System in einer Computersimulation (einer virtuellen Welt) in drei spezifischen Szenarien:

Der Tunnel-Test: Das Auto fuhr für 60 Sekunden in einen Tunnel ohne GPS.
- Alter Weg: Das Auto driftete um 28 Meter ab.
- Neuer Weg: Das Auto blieb innerhalb von 2,0 Metern des wahren Pfades.
- Best Case: Unter guten Bedingungen war das Auto auf innerhalb von 0,08 Metern genau (weniger als 8 cm).
Der „Lügende Signal“-Test: Sie injizierten verrücktes, nicht-gaußsches Rauschen (gefälschte Signale).
- Standardfilter versagten, wobei die Fehler auf 0,45 Meter sprangen.
- Das neue System hielt die Fehler unter 0,15 Metern, was eine massive Verbesserung darstellt.
Der „Slow Drift“-Test: Sie führten einen langsamen, wachsenden Fehler ein.
- Alte Detektoren brauchten etwa 15 Sekunden, um es zu bemerken.
- Der neue „Detektiv“ bemerkte es in nur 5 Sekunden.
- Er erkannte 95 % dieser langsamen Fehler mit sehr wenigen Fehlalarmen.

Was dieses System NICHT ist

Es ist wichtig anzumerken, was dieses Papier nicht behauptet:

Es behauptet nicht, das Problem zu lösen, dass die Sensoren des Autos komplett ausfallen oder das Auto einen Abhang hinunterfährt.
Es behauptet nicht, in jeder möglichen realen Umgebung ohne Tests perfekt zu funktionieren. Die Autoren geben zu, dass die Szenarien „langsamer Drift“ und „verrücktes Rauschen“ simuliert wurden, und obwohl sie das System für kurze Zeiträume an einem echten Auto getestet haben, wurden die extremen Fehlerszenarien in der realen Welt noch nicht vollständig induziert.
Es verwendet keinen „Factor Graph“ (eine andere, komplexere mathematische Methode) oder „visuelle“ Systeme, die auf Kameras angewiesen sind, um Merkmale (wie Wände oder Bäume) zu erkennen, da diese explizit ausgeschlossen oder als andere Ansätze verglichen wurden. Dieses System stützt sich auf das Ringlaser-Gyroskop, das GPS und die KI-Vorhersage.

Das Fazit

Dieses Papier legt nahe, dass man durch die Kombination eines intelligenten Wechsel-Systems, einer prädiktiven KI, die weiß, wann sie sich selbst vertrauen kann, eines Filters, der verrückte Daten ignoriert, und eines Detektivs, der langsame Lügen erkennt, ein Navigationssystem bauen kann, das wesentlich robuster und genauer ist als aktuelle Methoden.

In den Simulationen funktionierte dieser Team-Ansatz hervorragend und hielt das Auto auf Kurs, selbst wenn das GPS verstummte oder anfing zu lügen. Die Autoren sind zuversichtlich genug zu sagen, dass diese Methode die Anpassungsfähigkeit und Zuverlässigkeit signifikant verbessert, räumen aber auch ein, dass mehr Tests in der realen Welt mit tatsächlichen Sensorausfällen erforderlich sind, um zu beweisen, dass es überall funktioniert. Es ist ein sehr vielversprechender Schritt nach vorne, aber noch kein Zauberstab.

Technisches Resümee: Multi-modale robuste Fusionsnavigation für RLG-INS/GNSS integrierte Systeme

1. Problemstellung

Die Arbeit befasst sich mit kritischen Zuverlässigkeits- und Genauigkeitsherausforderungen bei auf Ringlaser-Gyroskopen (RLG) basierenden Trägheitsnavigationssystemen (INS), die mit Globalen Navigationssatellitensystemen (GNSS) integriert sind, wenn diese in komplexen dynamischen Umgebungen betrieben werden. Insbesondere identifizieren die Autoren vier grundlegende Einschränkungen, die aktuelle integrierte Navigationssysteme limitieren:

Unflexible Fusionsstrategien: Konventionelle Systeme verlassen sich oft auf feste Fusionsstrukturen (z. B. einmodige lose oder eng gekoppelte Kopplung), die sich nicht adaptiv an variierende GNSS-Signalqualitäten, Fahrzeugdynamiken oder Genauigkeitsanforderungen anpassen können, was zu einem schnellen Genauigkeitsverlust bei Signalblockierung oder Multipath-Interferenzen führt.
Fehlerdivergenz während Ausfallzeiten: Im Falle eines vollständigen GNSS-Signalausfalls (z. B. in Tunneln) degradiert das System in den reinen INS-Modus, wodurch Fehler akkumulieren und schnell divergieren. Bestehende KI-gestützte Methoden geben oft nur Positionsinkremente aus, versäumen es jedoch, vollständige Geschwindigkeitsbeobachtungsinformationen bereitzustellen oder die Prädiktionskovarianz zur Unsicherheitspropagierung effektiv zu nutzen.
Sensitivität gegenüber nicht-gaussschen Rauschen: Traditionelle Kalman-Filter setzen Gaußsches Rauschen voraus. In Häuserschluchten (Urban Canyons) weist das Messrauschen oft nicht-gausssche, heavy-tailed Eigenschaften auf (z. B. impulsive Störungen durch Multipath), was dazu führt, dass Standardfilter eine schwere Leistungsdegradation erleiden. Darüber hinaus verwenden bestehende robuste Filter oft empirisch feste Kernel-Bandbreiten und lassen adaptive Mechanismen vermissen, um Genauigkeit und Robustheit dynamisch auszubalancieren.
Verzögerte Detektion von Soft-Faults: Soft-Faults (langsam driftende Bias-Werte) sind aufgrund ihrer Unauffälligkeit schwer zu detektieren. Bestehende Detektionsmethoden, wie der Standard-Sequential Probability Ratio Test (SPRT) oder Residuen-Chi-Quadrat-Tests, verlassen sich oft auf empirische Vergessensfaktoren oder mangeln an Sensitivität gegenüber kleinamplitudigen, langsam variierenden Anomalien, was zu signifikanten Detektionsverzögerungen führt.

2. Methodik

Die vorgeschlagene Lösung ist ein Multi-modaler robuster integrierter Navigationsrahmen, der vier synergetische Module integriert:

A. Multi-Quellen-Informationsqualitätsbewertung & Dynamischer Moduswechsel

Das System verwendet ein Fuzzy-Comprehensive-Evaluation-Framework, um die Informationsqualität über drei Dimensionen hinweg zu bewerten: GNSS-Signalqualität (Satellitenanzahl, C/N₀, GDOP), INS-Genauigkeit (Bias-Stabilität, Divergenzraten) und Fahrzeugdynamikzustände.

Mechanismus: Zugehörigkeitsfunktionen bilden diese Indikatoren auf eine Skala von [0,1] ab. Eine gewichtete umfassende Bewertung bestimmt die Konfidenz von vier Kandidatenmodi: Eng gekoppelt (Tightly-Coupled), Lose gekoppelt (Loosely-Coupled), Reines INS und Zusatzsensor-integriert.
Stabilität: Eine Hysteresevergleichsstrategie (mit Hoch-/Niedrigschwellen von 0,75/0,60) verhindert häufige Modus-Oszillationen an den Grenzen.
Kopplung: Der resultierende GNSS-Konfidenzwert dient nicht nur als Wechselsignal, sondern steuert die adaptive Anpassung der Kernel-Bandbreite des Filters (siehe Abschnitt C).

B. Attention-Enhanced LSTM zur Signalprädiktion

Während GNSS-Ausfallzeiten prädiziert ein Scaled Dot-Product Self-Attention-Enhanced LSTM Netzwerk die Navigationszustände.

Inputs: Gyroskopische Winkelraten-Inkremente, Beschleunigungsinkremente und INS-Attitüdeninformationen der vorangegangenen 10 Sekunden.
Architektur: Das Netzwerk nutzt einen kausalen Self-Attention-Mechanismus, um historische Hidden States dynamisch zu gewichten und sich auf Phasen hoher Erregung (z. B. Kurvenfahrten) zu konzentrieren.
Dual-Output: Im Gegensatz zu bisherigen Single-Output-Methoden prädiziert dieses Netzwerk gleichzeitig Positionsinkremente und Geschwindigkeitsinkremente.
Unsicherheitspropagierung: Ein Zeit-Zerfallsfaktor bläht die Prädiktionskovarianzmatrix basierend auf der Ausfalldauer dynamisch auf ( $\gamma_k = \gamma_0 \exp(\lambda_{decay} \Delta t)$ ). Diese aufgeblähte Kovarianz wird in die Messrauschmatrix des Filters injiziert, um sicherzustellen, dass der Filter das Vertrauen in virtuelle Beobachtungen mit zunehmender Ausfalldauer angemessen reduziert.

C. Adaptiver Maximum Correntropy Unscented Kalman Filter (MCUKF)

Um mit nicht-gaussschem Heavy-Tailed-Rauschen umzugehen, wird der Standard-UKF durch einen adaptiven MCUKF ersetzt.

Kriterium: Er nutzt das Maximum Correntropy Criterion (MCC) anstelle des Minimum Mean Square Error (MMSE) und verwendet einen Gaußschen Kernel, um große Fehler (Outlier) abzuwerten.
Adaption: Die Kernel-Bandbreite ( $\sigma$ $σ$ ) wird autonom durch den GNSS-Konfidenzwert ( $C_{GNSS}$ $C_{GN S S}$ ) reguliert, der aus dem Moduswechsel-Modul abgeleitet wird: $\sigma_k = \sigma_{max} - (\sigma_{max} - \sigma_{min})C_{GNSS}$ $σ_{k} = σ_{ma x} - (σ_{ma x} - σ_{min}) C_{GN S S}$ .
- Hohe Konfidenz $\rightarrow$ Kleines $\sigma$ (priorisiert Genauigkeit).
- Niedrige Konfidenz/Rauschen $\rightarrow$ Großes $\sigma$ (priorisiert Robustheit).
Lösung: Ein Fixed-Point-Iterationsalgorithmus löst die nichtlineare Kostenfunktion, wobei die äquivalente Messrauschkovarianz basierend auf den Kernel-Funktionswerten angepasst wird.

D. Adaptive Fading-Factor-gestützte SPRT zur Fehlerdetektion

Es wird eine dual-layer Fehlerdetektionsarchitektur vorgeschlagen, um Soft-Faults schnell zu identifizieren.

Mechanismus: Ein adaptiver Fading-Faktor ( $d_k$ ) wird aus den Statistiken der Innovationssequenz konstruiert. Dieser Faktor quantifiziert die Abweichung der tatsächlichen Innovationsvarianz von der theoretischen Kovarianz.
Integration: $d_k$ wird als multiplikativer Gewichtungsfaktor in die Likelihood-Ratio-Rekursion des SPRT eingebettet. Dies verstärkt den Beitrag aktueller Innovationen, wenn Fehler detektiert werden, und beschleunigt den Anstieg der Teststatistik.
Architektur: Dieser adaptive SPRT operiert parallel zu einem Standard-Residuen-Chi-Quadrat-Detektor (für abrupte Fehler) und bildet so ein OR-Logik-Dual-Layer-System.

3. Kernbeiträge

Die Arbeit beansprucht vier primäre Beiträge:

Closed-Loop-Management: Ein Framework, das Multi-Quellen-Qualitätsbewertung, intelligente Moduswahl und adaptive Filterparameter-Anpassung (Kernel-Bandbreite) in einen synergetischen geschlossenen Kreislauf integriert, statt unabhängiger Module hintereinandergeschaltet zu sein.
Dual-Output-Prädiktion mit Unsicherheitsschätzung: Ein Attention-LSTM-Netzwerk, das sowohl Positions- als auch Geschwindigkeitsinkremente ausgibt, gekoppelt mit einem Zeit-Zerfalls-Kovarianz-Inflationsmechanismus, um die Prädiktionsunsicherheit während Signalausfällen mathematisch zu charakterisieren und zu propagieren.
Adaptiver robuster Filter: Ein MCUKF, dessen Kernel-Bandbreite dynamisch durch die GNSS-Konfidenz reguliert wird, was ein optimales Gleichgewicht zwischen Robustheit gegenüber nicht-gausschem Rauschen und Schätzgenauigkeit unter Gaußschen Bedingungen erreicht.
Schnelle Soft-Fault-Detektion: Eine neuartige SPRT-Variante, die einen aus der Innovation abgeleiteten adaptiven Fading-Faktor einbettet, was eine Dual-Layer-Detektionsarchitektur ermöglicht, die die Detektionsverzögerung für langsam variierende Soft-Faults im Vergleich zu Standardmethoden signifikant reduziert.

4. Experimentelle Ergebnisse

Die Methode wurde durch Simulationen mit 50 Monte-Carlo-Läufen in drei Szenarien validiert: GNSS-Ausfälle, nicht-gausssches Rauschen und Soft-Fault-Injektion.

Leistung bei GNSS-Ausfall: Während eines 60-sekündigen vollständigen Signalausfalls hielt die vorgeschlagene Methode die horizontalen Positionsfehler innerhalb von 2,0 m. Dies war eine signifikante Verbesserung gegenüber reinem INS (Fehler > 28 m) und Standard-LSTM-gestützten Methoden (Fehler ~ 2,3 m). Der Attention-Mechanismus fokussierte effektiv auf dynamische Manöver, und die Kovarianz-Inflation verhinderte die Fehlerdivergenz.
Leistung bei nicht-gausschem Rauschen: Unter Heavy-Tailed-Rauschen (Student's t-Verteilung) erreichte der adaptive MCUKF einen horizontalen Positions-RMSE von 0,15 m, was eine Verbesserung um 66,7 % gegenüber dem Standard-UKF (0,45 m) und eine Verbesserung um 28,6 % gegenüber dem festen Bandbreiten-MCUKF (0,21 m) darstellt. Die adaptive Bandbreite wechselte erfolgreich zwischen Genauigkeits- und Robustheitsmodi basierend auf der Signalqualität.
Soft-Fault-Detektion: Der adaptive SPRT detektierte Soft-Faults (0,5 m/min Bias-Wachstum) mit einer Verzögerung von 5,2 Sekunden, was eine Reduktion um 50 % gegenüber dem Standard-SPRT (10,1 s) und eine Reduktion um 67 % gegenüber der Residuen-Chi-Quadrat-Detektion (15,2 s) bedeutet. Die Detektionsrate lag über 95 % bei einer Falschalarmrate von unter 5 %.
Umfassende Leistung: In einer Trajektoriensimulation erreichte das System horizontale Positionsfehler von unter 0,08 m in GNSS-begünstigten Regionen (unter Nutzung von Differenzkorrekturen) und hielt die Fehler während Ausfällen unter 2,0 m. Die Ablationsstudie bestätigte, dass die Moduswahl am meisten zur Gesamtgenauigkeit beitrug (36 % Reduktion des RMSE), während der Dual-Output-LSTM die Leistung bei Ausfällen im Vergleich zu Single-Output-Varianten um 27 % verbesserte.
Recheneffizienz: Die gesamte Verarbeitungszeit betrug ca. 28,4 ms pro Update auf einem Intel i7 Prozessor, was die Echtzeit-Machbarkeit für 1-Hz-GNSS-Updates bestätigt.

5. Bedeutung und Ansprüche

Die Arbeit behauptet, dass die vorgeschlagene Methode die Anpassungsfähigkeit, Genauigkeit und Zuverlässigkeit integrierter Navigationssysteme in komplexen Umgebungen signifikant erhöht. Durch die Integration von Moduswechsel, Zeitreihenprädiktion, robustem Filtern und Fehlerdetektion in einem einheitlichen Rahmenwerk, das durch kreuzmodale Konfidenzkopplung koordiniert wird, erreicht das System eine Leistung, die über die Summe seiner Einzelkomponenten hinausgeht.

Die Autoren betonen, dass die Methode eine systematische Lösung für die zusammenhängenden Einschränkungen von Signalausfall, nicht-gausschem Rauschen und Sensor-Soft-Faults bietet. Sie behaupten, dass der Ansatz besonders geeignet ist für hochpräzise Anwendungen, die eine kontinuierliche, zuverlässige Positionierung erfordern, bei denen traditionelle Feststruktur-Systeme versagen.

Eingeständliche Limitationen:
Die Arbeit merkt bescheiden einige Limitationen an:

Parameter-Sensitivität: Die Leistung hängt von der sorgfältigen Abstimmung von Parametern ab (z. B. Zugehörigkeitsgrenzen, Zerfalls-Koeffizienten), obwohl eine Sensitivitätsanalyse empfohlene Bereiche liefert.
Rechenaufwand: Das Attention-LSTM-Modul (8,5 ms) könnte ressourcenbeschränkte Embedded-Plattformen ohne Optimierung (z. B. Pruning) vor Herausforderungen stellen.
Trainingsabhängigkeit: Das LSTM-Modell wurde in spezifischen Umgebungen trainiert; die Leistung in signifikant anderen Domänen (z. B. Marine, Offroad) kann Transfer Learning erfordern.
Simulation vs. Realität: Während reale Daten für das Training und die Basisvalidierung verwendet wurden, wurden die Szenarien für nicht-gausssches Rauschen und Soft-Faults simuliert. Weitere Feldtests mit kontrollierter Fault-Injektion sind geplant.
Vergleichsumfang: Aufgrund der Implementierungskomplexität wurden quantitative Vergleiche mit Factor Graph Optimization und Variational-Bayesian-Methoden in dieser Studie nicht durchgeführt.