Das Projekt SPOTME (Spoof-Detection and Location Estimation using Deep Learning) reagiert auf die zunehmende Zahl gezielter GNSS-Stör- und Täuschangriffe, die militärische Operationen und kritische Infrastrukturen gleichermaßen gefährden. Durch die Kombination von klassischer Signalverarbeitung mit modernen Deep-Learning-Ansätzen sollen Störungen wie Jamming, Spoofing und Meaconing frühzeitig erkannt, lokalisiert und wirksam mitigiert werden.

Ziel ist die Entwicklung einer skalierbaren KI-Plattform, die militärische Systeme wie auch zivile sicherheitskritische Anwendungen widerstandsfähiger macht. Dabei werden Methoden wie Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs) und Generative Adversarial Networks (GANs) eingesetzt. Ergänzend erforscht SPOTME hybride Verfahren, die daten- und modellbasierte Ansätze verbinden, um die Authentizität von GNSS-Signalen präzise zu bewerten.

Neben der Detektion und Klassifikation von Interferenzen untersucht das Projekt offensive Teststrategien zur Simulation manipulierter Signale, um Red-Team-Fähigkeiten aufzubauen. Intuitive Visualisierungen, erklärbare KI-Module (XAI) und eine benutzerfreundliche Oberfläche sollen eine hohe Einsatzfähigkeit und Transparenz gewährleisten.

SPOTME leistet einen direkten Beitrag zur KI-Strategie des BMLV, fördert den Aufbau nationaler Kompetenz im Bereich Navigation Warfare und unterstützt die Umsetzung europäischer Vorgaben zur sicheren und vertrauenswürdigen KI. Die Ergebnisse können auch in zivilen Bereichen wie Energie-, Verkehrs- und Logistikinfrastrukturen eingesetzt werden.