Damit Fahrerassistenzsysteme das noch immer unfallträchtige Manöver des Fahrstreifenwechsels wirksam gegen Unfälle absichern können, benötigen sie zuverlässig wie frühzeitig Kenntnis der Situationen, denen ein solches folgen wird. Nur so sind sie in der Lage, ihre Unterstützung in wirklich allen Situationen zu leisten, in denen diese von Nutzen ist, ohne dafür unpassende Warnungen oder Eingriffe in die Fahrzeugführung in Kauf nehmen zu müssen und an Akzeptanz einzubüßen oder gar selbst zum Sicherheitsrisiko zu werden. Die größte Herausforderung stellt dabei die Komplexität und Vielfalt der im städtischen Verkehr vorkommenden Situationen dar. Bisherige Assistenzsysteme stützen sich zur Aktivierung ihrer Funktion entweder auf den Status des Fahrtrichtungsanzeigers oder werten das Überfahren einer Fahrstreifenbegrenzung als dann allerdings bereits laufenden Fahrstreifenwechsel. Das eine erfolgt nachweislich äußert unzuverlässig, mit dem anderen bleibt kaum mehr Zeit für eine frühzeitige, auf Situation und Fahrer abgestimmte Assistenz. Mit der vorliegenden Arbeit wird ein funktionierender Ansatz zur automatisierten Erkennung bevorstehender Fahrstreifenwechsel vorgestellt, als im Fahrzeug lauffähiges System implementiert und seine Funktion anhand realer Fahrdaten unter Beweis gestellt. Im Zentrum des Erkennungsansatzes stehen aus dem Fahrzeug heraus erfassbare Merkmalsgrößen des Fahrzeugumfelds, Fahrerverhaltens und Fahrzeugstatus, die mit Hilfe künstlicher neuronaler Netze fusioniert und klassifiziert werden. Die Entwicklung der Algorithmen sowie sämtliche Untersuchungen zu ihrer Leistungsfähigkeit beruhen auf Messdaten natürlichen Fahrverhaltens im Verkehr einer Großstadt, die in einer umfangreichen Realfahrtstudie mit einem mit Radar- und Kamerasensorik ausgestatteten Versuchsfahrzeug erhoben wurden. Basierend auf diesen Daten werden zunächst Parameter einer zonenbasierten Repräsentation des Fahrzeugumfelds, der Blickrichtung des Fahrers sowie Zustandsgrößen des Fahrzeugs auf ihre Eignung als Merkmalsgröße untersucht. Es wird gezeigt, inwieweit für verschiedene Arten von Fahrstreifenwechseln und in unterschiedlichem zeitlichen Abstand auf das Manöver bereits zwischen dem Wert einer Merkmalsgröße und dem Bevorstehen eines Fahrstreifenwechsels ein Zusammenhang besteht. Mit einer Auswahl geeigneter Merkmalsgrößen wird die Erkennung schließlich in verschiedenen Ausprägungen implementiert, mittels maschinellen Lernens parametrisiert und über alle Arten in den Daten vorkommender Fahrstreifenwechselsituationen evaluiert. Untersucht wird dabei nicht nur die Erkennungsleistung des Gesamtsystems für verschiedene Vorhersagehorizonte, sondern ebenso die einer Erkennung mit den Merkmalsgrößen nur jeweils eines der Aspekte Fahrzeugumfeld, Fahrerverhalten und Fahrzeugstatus sowie der Effekt des Einbeziehens auch der Merkmalswerthistorie.:Bibliographische Beschreibung i Inhaltsverzeichnis v Abkürzungs- und Symbolverzeichnis xi Abkürzungen xi Symbole xi Vorwort xiii 1 Einleitung 1 1.1 Motivation 1 1.2 Aktueller Stand der Forschung 4 1.3 Forschungslücken 11 1.4 Zielsetzung der Arbeit 12 1.5 Inhalt und Gliederung der Arbeit 14 1.6 Formelzeichen und Zahlenwerte 15 2 Die Fahrstreifenwechselsituation und der algorithmische Ansatz ihrer Erkennung 17 2.1 Grundlegende Begriffe 17 2.2 Modelle zur Beschreibung des Fahrstreifenwechsels 18 2.2.1 Das 3-Ebenen-Modell der kognitiven Prozesse zur Fahrzeugführung 18 2.2.2 Messbarkeit kognitiver Prozesse und der Fahrerintention 21 2.2.3 Das System Fahrer-Fahrzeug-Umwelt 23 2.2.4 Das Phasenmodell des Ablaufs eines Fahrstreifenwechsels 25 2.2.5 Das Modell der Fahrstreifenwechselsituation 26 2.3 Der prinzipielle Ansatz zur Erkennung von Fahrstreifenwechseln 30 2.4 Ein aspektübergreifender Erkennungsansatz im System Fahrer-Fahrzeug-Umwelt 31 3 Merkmalsgrößen zur Erkennung bevorstehender Fahrstreifenwechsel 35 3.1 Kriterien der Wahl der Merkmalsgrößen 35 3.2 Das Versuchsfahrzeug 36 3.2.1 Umfeldsensorik 37 3.2.2 Fahrersensorik 40 3.2.3 Rechentechnik 42 3.3 Definition und Berechnung der Merkmalsgrößen 42 3.3.1 Merkmalsgrößen des Fahrzeugumfelds 43 3.3.1.1 Existenz, Zugänglichkeit und Abstand benachbarter Fahrstreifen 43 3.3.1.2 Sensorübergreifendes Tracking umgebender Objekte als Grundlage 44 3.3.1.3 Einteilung des Fahrzeugumfelds in Zonen 45 3.3.1.4 Beschreibung der Belegung umgebender Zonen durch Objektparameter 49 3.3.1.5 Kurzreferenz zu den Merkmalsgrößen des Fahrzeugumfelds 57 3.3.2 Merkmalsgrößen des Fahrerverhaltens 58 3.3.2.1 Kopfposition und Kopflage 59 3.3.2.2 Blickbereiche 60 3.3.2.3 Kurzreferenz zu den Merkmalsgrößen des Fahrerverhaltens 63 3.3.3 Merkmalsgrößen des Fahrzeugstatus 64 3.3.3.1 Kurzreferenz zu den Merkmalsgrößen des Fahrzeugstatus 66 3.4 Synchrone Berechnung und Auswertung der Merkmalswerte 67 4 Realfahrtstudie zur Messdatenakquise 69 4.1 Studienteilnehmer 69 4.2 Studiendesign und Ablauf 70 4.3 Streckenverlauf 72 4.4 Erhobene Datensätze und Arten vorkommender Fahrstreifenwechselsituationen 73 5 Statistische Analyse und Einzelbewertung der Merkmalsgrößen 77 5.1 Metriken zur statistischen Bewertung der Merkmalsgrößen 77 5.1.1 Der t-Test 78 5.1.2 Die Effektstärke Cohen’s d 81 5.1.3 Die Effektstärke Hedges‘ g 82 5.1.4 Einordnung der Effektstärke 83 5.1.5 Auffassung der Messdaten und Durchführung der Evaluation 83 5.2 Bewertung aus Sicht des einzelnen Messdatums 85 5.2.1 Wahl und Berechnung der Metriken zur Bewertung aus Messdatensicht 85 5.2.2 Ergebnisse zur Signifikanz und Effektstärke aus Messdatensicht 87 5.3 Bewertung aus Sicht des einzelnen Manövers 97 5.3.1 Wahl und Berechnung der Metriken zur Bewertung aus Manöversicht 98 5.3.2 Ergebnisse zur Signifikanz und Effektstärke aus Manöversicht 100 5.4 Fazit der Evaluation und ausgewählter Satz von Merkmalsgrößen 108 6 Wissensbasiert modellierte Klassifikation mittels eines Bayes’schen Netzes 113 6.1 Verfahren zur wissensbasiert modellierten Klassifikation 113 6.1.1 Fuzzy-Logik 114 6.1.2 Support-Vector-Machines und Relevance-Vector-Machines 117 6.1.3 Bayes‘sche Netze 120 6.1.4 Hidden-Markov-Models 125 6.1.5 Die Wahl eines Bayes’schen Netzes zur wissensbasierten Modellierung 129 6.2 Umsetzung einer Erkennung auf Basis eines Bayes‘schen Netzes 130 6.2.1 Aufbau des modellierten Bayes’schen Netzes 131 6.3 Übergang zu einer auf maschinellem Lernen beruhenden Klassifikation 133 7 Künstliche neuronale Netze als Verfahren zur maschinell optimierten Klassifikation 135 7.1 Biologisches Vorbild und Entstehungsgeschichte 135 7.2 Aufbau und Funktionsweise künstlicher neuronaler Netze 137 7.3 Netzschichten und Netztopologie 141 7.4 Parametrisierung 143 7.4.1 Maschinelles Lernen und Optimierung durch Fehlerminimierung 144 7.4.2 Das Gradientenverfahren 146 7.4.3 Gütefunktion und Delta-Lernregel 149 7.4.4 Backpropagation 151 7.4.5 Inkrementelles und stapelweises Training 153 7.5 Abbildung zeitlicher Zusammenhänge 154 7.5.1 Zeitverzögerte neuronale Netze 154 7.5.2 Rekurrente neuronale Netze 156 7.5.3 Das Problem der verschwindenden und explodierenden Gradienten 158 7.5.4 Long-Short-Term-Memory 158 8 Neuronales Netz zur Erkennung jedes Bevorstehens eines Fahrstreifenwechsels 161 8.1 Anforderungen an die Erkennung und ihre Umsetzung 161 8.1.1 Forderung von Effektivität 161 8.1.2 Forderung von Echtzeitfähigkeit 162 8.1.3 Forderung von Realitätsnähe 162 8.1.4 Forderung einer geringen Modellkomplexität 162 8.1.5 Forderung einer gruppenweisen Verarbeitung der Merkmalsgrößen 163 8.2 Aufbau und Funktionsweise des Netzes 164 8.3 Modellierung der Merkmalswerthistorie 166 9 Maschinelle Parametrisierung des neuronalen Netzes 171 9.1 Assistenzbedingte Anforderungen an das Verhalten des Erkennungssystems 171 9.2 Vorbetrachtungen zur Gesamtfehlerdefinition 172 9.2.1 Detektionswert und Detektionsfehler als binäre Größen 173 9.2.2 Bewertung der Güte eines binären Klassifikators 174 9.2.3 Gewichtung der Fehlerklassen in der Gesamtfehlerfunktion 175 9.3 Gesamtfehlerfunktion 177 9.4 Optimierungsverfahren 180 9.5 Aufteilung und Filterung der Messdaten 181 9.6 Technische Umsetzung und Durchführung der Parametrisierung 183 10 Realisiertes Gesamtsystem zur Erkennung bevorstehender Fahrstreifenwechsel 185 10.1 Aufbau und Implementierung des Erkennungssystems 185 11 Empirische Evaluation der realisierten Erkennungsleistung 191 11.1 Evaluationsmethode 191 11.2 Erkennungsleistung des Gesamtsystems 193 11.3 Erkennungsleistung der Merkmalsgruppen in Abhängigkeit des Zeithorizonts 195 11.4 Beitrag der Modellierung der Merkmalswerthistorie 199 11.5 Beitrag der gruppenübergreifenden Fusion von Merkmalsgrößen 202 11.6 Abhängigkeiten der Ergebnisse und sie beeinflussende Faktoren 204 12 Zusammenfassung und Ausblick 207 A Anhang 219 A.1 Tracking der Objekte im Fahrzeugumfeld 219 A.1.1 Prinzip des Unscented-Kalman-Filters und CTRV Bewegungsmodells 219 A.1.2 Probabilistische Multi-Sensor-Multi-Objekt-Messdatenzuordnung 222 A.1.3 Initialisierung, Nutzung und Auflösung von Objektschätzungen 228 A.2 Tabellen zur Signifikanz und Stärke des Effekts einzelner Merkmalsgrößen 229 Literaturverzeichnis 233 Abbildungsverzeichnis 251 Tabellenverzeichnis 253 / In order to enable driver assistance systems to effectively safeguard the still accident-prone manoeuvre of changing lanes against accidents, they need reliable and early knowledge of any situation that will be followed by such a manoeuvre. Only then they will be able to provide assistance in all the situations in which it is useful without having to accept inappropriate warnings or interventions in vehicle control and so losing acceptance or even becoming a safety risk themselves. The biggest challenge here is the complexity and variety of situations occurring in urban traffic. Current assistance systems either rely on the status of the direction indicator to activate their function or interpret the crossing of a lane boundary as a lane change that is already in progress. The former has been proven to be very unreliable, while the latter leaves hardly any time for early assistance tailored to the situation and driver. This work presents a functional approach to the automated detection of impending lane changes, implements it as an in-vehicle system and demonstrates its functionality by using real driving data. The detection approach centres on feature variables of the driving situation, driver behaviour and vehicle status that can be recorded from a vehicle and which are fused and classified with the help of artificial neural networks. The development of the algorithms and all investigations into their performance are based on measurement data of natural driving behaviour in traffic in a bigger city that were collected in an extensive naturalistic driving study with a test vehicle equipped with radar and camera sensors. Based on these data, parameters from a zone-based representation of the surroundings of the vehicle, the direction of the driver’s glances and vehicle state variables are first analysed for their suitability as feature variables. For different types of lane changes and at different time intervals to the manoeuvre it is shown to what extent there already is a correlation between the value of a variable and the imminence of a lane change. Using a selection of suitable feature variables the automated detection is finally implemented in various versions, parameterised by means of machine learning and evaluated across all types of lane change situations occurring in the data. Not only the detection performance of the overall system for different prediction horizons is investigated but also the detection with the feature variables of only one of the aspects driving situation, driver behaviour and vehicle status as well as the effect of including the feature value history.:Bibliographische Beschreibung i Inhaltsverzeichnis v Abkürzungs- und Symbolverzeichnis xi Abkürzungen xi Symbole xi Vorwort xiii 1 Einleitung 1 1.1 Motivation 1 1.2 Aktueller Stand der Forschung 4 1.3 Forschungslücken 11 1.4 Zielsetzung der Arbeit 12 1.5 Inhalt und Gliederung der Arbeit 14 1.6 Formelzeichen und Zahlenwerte 15 2 Die Fahrstreifenwechselsituation und der algorithmische Ansatz ihrer Erkennung 17 2.1 Grundlegende Begriffe 17 2.2 Modelle zur Beschreibung des Fahrstreifenwechsels 18 2.2.1 Das 3-Ebenen-Modell der kognitiven Prozesse zur Fahrzeugführung 18 2.2.2 Messbarkeit kognitiver Prozesse und der Fahrerintention 21 2.2.3 Das System Fahrer-Fahrzeug-Umwelt 23 2.2.4 Das Phasenmodell des Ablaufs eines Fahrstreifenwechsels 25 2.2.5 Das Modell der Fahrstreifenwechselsituation 26 2.3 Der prinzipielle Ansatz zur Erkennung von Fahrstreifenwechseln 30 2.4 Ein aspektübergreifender Erkennungsansatz im System Fahrer-Fahrzeug-Umwelt 31 3 Merkmalsgrößen zur Erkennung bevorstehender Fahrstreifenwechsel 35 3.1 Kriterien der Wahl der Merkmalsgrößen 35 3.2 Das Versuchsfahrzeug 36 3.2.1 Umfeldsensorik 37 3.2.2 Fahrersensorik 40 3.2.3 Rechentechnik 42 3.3 Definition und Berechnung der Merkmalsgrößen 42 3.3.1 Merkmalsgrößen des Fahrzeugumfelds 43 3.3.1.1 Existenz, Zugänglichkeit und Abstand benachbarter Fahrstreifen 43 3.3.1.2 Sensorübergreifendes Tracking umgebender Objekte als Grundlage 44 3.3.1.3 Einteilung des Fahrzeugumfelds in Zonen 45 3.3.1.4 Beschreibung der Belegung umgebender Zonen durch Objektparameter 49 3.3.1.5 Kurzreferenz zu den Merkmalsgrößen des Fahrzeugumfelds 57 3.3.2 Merkmalsgrößen des Fahrerverhaltens 58 3.3.2.1 Kopfposition und Kopflage 59 3.3.2.2 Blickbereiche 60 3.3.2.3 Kurzreferenz zu den Merkmalsgrößen des Fahrerverhaltens 63 3.3.3 Merkmalsgrößen des Fahrzeugstatus 64 3.3.3.1 Kurzreferenz zu den Merkmalsgrößen des Fahrzeugstatus 66 3.4 Synchrone Berechnung und Auswertung der Merkmalswerte 67 4 Realfahrtstudie zur Messdatenakquise 69 4.1 Studienteilnehmer 69 4.2 Studiendesign und Ablauf 70 4.3 Streckenverlauf 72 4.4 Erhobene Datensätze und Arten vorkommender Fahrstreifenwechselsituationen 73 5 Statistische Analyse und Einzelbewertung der Merkmalsgrößen 77 5.1 Metriken zur statistischen Bewertung der Merkmalsgrößen 77 5.1.1 Der t-Test 78 5.1.2 Die Effektstärke Cohen’s d 81 5.1.3 Die Effektstärke Hedges‘ g 82 5.1.4 Einordnung der Effektstärke 83 5.1.5 Auffassung der Messdaten und Durchführung der Evaluation 83 5.2 Bewertung aus Sicht des einzelnen Messdatums 85 5.2.1 Wahl und Berechnung der Metriken zur Bewertung aus Messdatensicht 85 5.2.2 Ergebnisse zur Signifikanz und Effektstärke aus Messdatensicht 87 5.3 Bewertung aus Sicht des einzelnen Manövers 97 5.3.1 Wahl und Berechnung der Metriken zur Bewertung aus Manöversicht 98 5.3.2 Ergebnisse zur Signifikanz und Effektstärke aus Manöversicht 100 5.4 Fazit der Evaluation und ausgewählter Satz von Merkmalsgrößen 108 6 Wissensbasiert modellierte Klassifikation mittels eines Bayes’schen Netzes 113 6.1 Verfahren zur wissensbasiert modellierten Klassifikation 113 6.1.1 Fuzzy-Logik 114 6.1.2 Support-Vector-Machines und Relevance-Vector-Machines 117 6.1.3 Bayes‘sche Netze 120 6.1.4 Hidden-Markov-Models 125 6.1.5 Die Wahl eines Bayes’schen Netzes zur wissensbasierten Modellierung 129 6.2 Umsetzung einer Erkennung auf Basis eines Bayes‘schen Netzes 130 6.2.1 Aufbau des modellierten Bayes’schen Netzes 131 6.3 Übergang zu einer auf maschinellem Lernen beruhenden Klassifikation 133 7 Künstliche neuronale Netze als Verfahren zur maschinell optimierten Klassifikation 135 7.1 Biologisches Vorbild und Entstehungsgeschichte 135 7.2 Aufbau und Funktionsweise künstlicher neuronaler Netze 137 7.3 Netzschichten und Netztopologie 141 7.4 Parametrisierung 143 7.4.1 Maschinelles Lernen und Optimierung durch Fehlerminimierung 144 7.4.2 Das Gradientenverfahren 146 7.4.3 Gütefunktion und Delta-Lernregel 149 7.4.4 Backpropagation 151 7.4.5 Inkrementelles und stapelweises Training 153 7.5 Abbildung zeitlicher Zusammenhänge 154 7.5.1 Zeitverzögerte neuronale Netze 154 7.5.2 Rekurrente neuronale Netze 156 7.5.3 Das Problem der verschwindenden und explodierenden Gradienten 158 7.5.4 Long-Short-Term-Memory 158 8 Neuronales Netz zur Erkennung jedes Bevorstehens eines Fahrstreifenwechsels 161 8.1 Anforderungen an die Erkennung und ihre Umsetzung 161 8.1.1 Forderung von Effektivität 161 8.1.2 Forderung von Echtzeitfähigkeit 162 8.1.3 Forderung von Realitätsnähe 162 8.1.4 Forderung einer geringen Modellkomplexität 162 8.1.5 Forderung einer gruppenweisen Verarbeitung der Merkmalsgrößen 163 8.2 Aufbau und Funktionsweise des Netzes 164 8.3 Modellierung der Merkmalswerthistorie 166 9 Maschinelle Parametrisierung des neuronalen Netzes 171 9.1 Assistenzbedingte Anforderungen an das Verhalten des Erkennungssystems 171 9.2 Vorbetrachtungen zur Gesamtfehlerdefinition 172 9.2.1 Detektionswert und Detektionsfehler als binäre Größen 173 9.2.2 Bewertung der Güte eines binären Klassifikators 174 9.2.3 Gewichtung der Fehlerklassen in der Gesamtfehlerfunktion 175 9.3 Gesamtfehlerfunktion 177 9.4 Optimierungsverfahren 180 9.5 Aufteilung und Filterung der Messdaten 181 9.6 Technische Umsetzung und Durchführung der Parametrisierung 183 10 Realisiertes Gesamtsystem zur Erkennung bevorstehender Fahrstreifenwechsel 185 10.1 Aufbau und Implementierung des Erkennungssystems 185 11 Empirische Evaluation der realisierten Erkennungsleistung 191 11.1 Evaluationsmethode 191 11.2 Erkennungsleistung des Gesamtsystems 193 11.3 Erkennungsleistung der Merkmalsgruppen in Abhängigkeit des Zeithorizonts 195 11.4 Beitrag der Modellierung der Merkmalswerthistorie 199 11.5 Beitrag der gruppenübergreifenden Fusion von Merkmalsgrößen 202 11.6 Abhängigkeiten der Ergebnisse und sie beeinflussende Faktoren 204 12 Zusammenfassung und Ausblick 207 A Anhang 219 A.1 Tracking der Objekte im Fahrzeugumfeld 219 A.1.1 Prinzip des Unscented-Kalman-Filters und CTRV Bewegungsmodells 219 A.1.2 Probabilistische Multi-Sensor-Multi-Objekt-Messdatenzuordnung 222 A.1.3 Initialisierung, Nutzung und Auflösung von Objektschätzungen 228 A.2 Tabellen zur Signifikanz und Stärke des Effekts einzelner Merkmalsgrößen 229 Literaturverzeichnis 233 Abbildungsverzeichnis 251 Tabellenverzeichnis 253

The mitigation of greenhouse gases, like CO2 is a challenging aspect for our society. A strategy to hamper the constant emission of CO2 is utilizing carbon capture and storage technologies. CO2 is sequestrated in subsurface reservoirs. However, these reservoirs harbor the risk of leakage and appropriate geophysical monitoring methods are needed. A crucial aspect of monitoring is the assignment of measured data to certain events occurring. Especially if changes in the measured data are small, suitable statistical methods are needed. In this thesis, a new statistical workflow based on cluster analysis is proposed to detect similar transient electromagnetic signals. The similarity criteria dynamic time warping, the autoregressive distance, and the normalized root-mean-square distance are investigated and evaluated with respect to the classic Euclidean norm. The optimal number of clusters is determined using the gap statistic and visualized with multidimensional scaling. To validate the clustering results, silhouette values are used. The statistical workflow is applied to a synthetic data set, a long-term monitoring data set and a repeat measurement at a pilot CO2-sequestration site in Brooks, Alberta.

The underlying research that resulted in this doctoral dissertation was performed at the Division of Economic Geology and Petrology of the Department of Mineralogy, TU Bergakademie Freiberg between 2011 and 2014. It was the primary aim of this thesis to develop and test novel applications for the technology of ‘Automated Mineralogy’ in the field of economic geology and geometallurgy. A “Mineral Liberation Analyser” (MLA) instrument of FEI Company was used to conduct most analytical studies. This automated system is an image analysis system based on scanning electron microscopy (SEM) image acquisition and energy dispersive X-ray spectrometry which can be used to determine both quantitative mineralogical data and mineral processing-relevant parameters. The analyses can be conducted with unconsolidated and solid rocks but also with ores and products of the mineral processing and recycling industry. In consequence of a first-time broadly-based and comprehensive literature review of more than 1,700 publications related to all types of automated SEM-based image analysis systems several trends in the publication chronicle were observed. Publications related to mineral processing lead the field of automated mineralogy-related publications. However, this is with a somewhat smaller proportion than expected and with a significant decrease in share between around 2000 and 2014. The latter is caused by a gradual but continuous introduction of new areas of application for automated mineralogical analysis such as the petroleum industry, petrology or environmental sciences. Furthermore, the quantity of automated mineralogy systems over time was carefully assessed. It is shown that the market developed from many individual developments in the 1970s and 1980s, often conducted from research institutes, e.g., CSIRO and JKMRC, or universities, to a duopoly - Intellection Pty Ltd and JKTech MLA - in the 1990s and 2000s and finally to a monopoly by FEI Company since 2009. However, the number of FEI’s competitors, such as Zeiss, TESCAN, Oxford Instruments, and Robertson CGG, and their competing systems are increasing since 2011. Particular focus of this study, published in three research articles in peer-reviewed international journals, was the development of suitable methodological approaches to deploy MLA to new materials and in new contexts. Data generated are then compared with data obtained by established analytical techniques to enable critical assessment and validation of the methods developed. These include both quantitative mineralogical analysis as well as methods of particle characterisation. The first scientific paper “Use of Mineral Liberation Analysis (MLA) in the Characterization of Lithium-Bearing Micas” deals with the field of mineral processing and describes the characterisation of lithium-bearing zinnwaldite mica - as potential natural resource for lithium - by MLA as well as the achievement of mineralogical association data for zinnwaldite and associated minerals. Two different approaches were studied to comminute the samples for this work, conventional comminution by crusher as well as high-voltage pulse selective fragmentation. By this study it is shown that the MLA can provide mineral data of high quality from silicate mineral resources and results very comparable to established analytical methods. Furthermore, MLA yields additional relevant information - such as particle and grain sizes as well as liberation and grade-recovery data. This combination of quantitative data cannot be attained with any other single analytical method. The second article “Characterisation of graphite by automated mineral liberation analysis” is also located in the field of mineral processing. This research article is the first published contribution on the characterisation of graphite, an important industrial mineral, by MLA respectively an automated mineralogy-related analytical method. During this study graphite feeds and concentrates were analysed. By this study it is shown that it is possible to gather statistically relevant data of graphite samples by MLA. Furthermore, the MLA results are validated by quantitative X-ray powder diffraction as well as particle size determinations by laser diffraction and sieve analysis. The third research paper “Nature and distribution of PGE mineralisation in gabbroic rocks of the Lusatian Block, Saxony, Germany” deals with the scientific field of geoscience. In this study it is shown that it is possible to obtain a significant body of novel mineralogical information by applying MLA analysis in a region previously regarded as being well-studied. The complex nature and relatively large distribution of the occurring platinum group minerals (PGM) is well illustrated by this contribution. During previous light microscopic studies and infrequent electron microprobe measurements only a handful isolated PGM grains were identified and characterised. In this investigation, using the samples of previous studies, 7 groups of PGM and 6 groups of associated tellurides as well as in total more than 1,300 mineral grains of both mineral groups were identified. Based on the data obtained, important insight regarding mineral associations, mineral paragenesis and the potential genesis of the PGM is obtained. Within this context, the value of MLA studies for petrological research focused on trace minerals is documented. MLA yields results that are both comprehensive and unbiased, thus permitting novel insight into the distribution and characteristics of trace minerals. This, in turn, is immensely useful when developing new concepts on the genesis of trace minerals, but may also give rise to the development of a novel generation of exploration tools, i.e., mineralogical vectors towards exploration akin to currently used geochemical vectors. The present dissertation shows that automated mineralogy by using a Mineral Liberation Analyser is able to deliver a unique combination of quantitative data on mineralogy and several physical attributes that are relevant for ore geology and mineral processing alike. It is in particular the automation and unbiasedness of data, as well as the availability of textural data, size and shape information for particles and mineral grains, as well as mineral association and mineral liberation data that define major advantages of MLA analyses - compared to other analytical methods. Despite the fact that results are obtained only on 2-D polished surfaces, quantitative results obtained compare well/very well to results obtained by other analytical methods. This is attributed mainly due to the fact that a very large and statistically sound number of mineral grains/particles are analysed. Similar advantages are documented when using the MLA as an efficient tool to search for and characterise trace minerals of petrological or economic significance. / Die Forschung die der vorliegenden kumulativen Dissertation (‚Publikationsdissertation‘) zugrunde liegt wurde im Zeitraum 2011-2014 am Lehrstuhl für Lagerstättenlehre und Petrologie des Institutes für Mineralogie der TU Bergakademie Freiberg durchgeführt. Das primäre Ziel dieser Arbeit war es neue Einsatzmöglichkeiten für die Technik der Automatisierten Mineralogie im Gebiet der Lagerstättenkunde und Geometallurgie zu entwickeln und zu testen. Im Mittelpunkt der wissenschaftlichen Studien stand die analytische Nutzung des Großgerätes „Mineral Liberation Analyser“ (MLA) der Firma FEI Company. Dieses automatisierte System ist ein Bildanalysesystem und basiert auf der Erfassung von Rasterelektronenmikroskopiebildern und energiedispersiver Röntgen-spektroskopie. Mit Hilfe der MLA-Analysetechnik lassen sich sowohl statistisch gesichert quantitative mineralogisch relevante als auch Aufbereitungsprozess-relevante Parameter ermitteln. Die Analysen können sowohl an Locker- und Festgesteinen als auch an Erzen und Produkten der Aufbereitungs- und Recyclingindustrie durchgeführt werden. Infolge einer erstmaligen, breit angelegten und umfassenden Literaturrecherche von mehr als 1.700 Publikationen im Zusammenhang mit allen Arten von automatisierten REM-basierten Bildanalysesystemen konnten verschiedene Trends in der Publikations¬historie beobachtet werden. Publikationen mit Bezug auf die Aufbereitung mineralischer Rohstoffe führen das Gebiet der Automatisierte Mineralogie-bezogenen Publikationen an. Der Anteil der Aufbereitungs-bezogenen Publikationen an der Gesamtheit der relevanten Publikationen ist jedoch geringer als erwartet und zeigt eine signifikante Abnahme des prozentualen Anteils zwischen den Jahren 2000 und 2014. Letzteres wird durch eine kontinuierliche Einführung neuer Anwendungsbereiche für die automatisierte mineralogische Analyse, wie zum Beispiel in der Öl- und Gasindustrie, der Petrologie sowie den Umweltwissenschaften verursacht. Weiterhin wurde die Anzahl der Systeme der Automatisierten Mineralogie über die Zeit sorgfältig bewertet. Es wird gezeigt, dass sich der Markt von vielen einzelnen Entwicklungen in den 1970er und 1980er Jahren, die oft von Forschungsinstituten, wie z. B. CSIRO und JKMRC, oder Universitäten ausgeführt wurden, zu einem Duopol - Intellection Pty Ltd und JKTech MLA - in den 1990er und 2000er Jahren und schließlich seit 2009 zu einem Monopol der FEI Company entwickelte. Allerdings steigt die Anzahl der FEI-Konkurrenten, wie Zeiss, TESCAN, Oxford Instruments und Robertson CGG, und deren Konkurrenzsysteme seit 2011. Ein Schwerpunkt der drei von Experten begutachteten und in internationalen Fachzeitschriften publizierten Artikel dieser Studie war die Entwicklung eines geeigneten methodischen Ansatzes um die MLA-Technik für neue Materialien und in neuem Kontext zu verwenden. Die erzeugten Daten wurden mit Daten die von etablierten analytischen Techniken gewonnen wurden verglichen, um eine kritische Bewertung und Validierung der entwickelten Methoden zu ermöglichen. Dazu gehören sowohl quantitative mineralogische Analysen als auch Methoden der Partikelcharakterisierung. Der Schwerpunkt der Studie zum ersten Fachartikel „Use of Mineral Liberation Analysis (MLA) in the Characterization of Lithium-Bearing Micas“ liegt im Gebiet der Aufbereitung mineralischer Rohstoffe. Er beschreibt die Charakterisierung von Zinnwaldit-Glimmer - einem potentiellen Lithium-Rohstoff - durch die MLA-Technik sowie das Erringen von Mineralverwachsungsdaten für Zinnwaldit und assoziierter Minerale. Dabei wurden zwei unterschiedliche Wege der Probenzerkleinerung des Rohstoffes untersucht. Zum einen erfolgte eine konventionelle Zerkleinerung der Proben mittels Brecher und Mühle, zum anderen eine selektive Zerkleinerung durch Hoch¬spannungsimpulse. Es konnte aufgezeigt werden, dass die automatisierte Rasterelektronen¬mikroskopie-basierte Bildanalyse mittels MLA von silikatischen Rohstoffen Mineral¬informationen von hoher Güte zur Verfügung stellen kann und die Ergebnisse gut vergleichbar mit etablierten analytischen Methoden sind. Zusätzlich liefert die MLA weitere wertvolle Informationen wie zum Beispiel Partikel-/Mineralkorngrößen, Aussagen zum Mineralfreisetzungsgrad sowie Gehalt-Ausbring-Kurven des Wertstoffes. Diese Kombination von quantitativen Daten kann mit keiner anderen analytischen Einzelmethode erreicht werden. Der zweite Fachartikel „Characterisation of graphite by automated mineral liberation analysis“ ist ebenfalls im Fachgebiet der Aufbereitung mineralischer Rohstoffe angesiedelt. Während dieser Studie wurden Edukte und Produkte der Aufbereitung von Graphit-Erzen untersucht. Der vorliegende Artikel ist der erste in einer internationalen Fachzeitschrift publizierte Beitrag zur Charakterisierung des Industrieminerals Graphit mittels MLA-Technik bzw. einer Analysenmethode der Automatisierten Mineralogie. Mit der Studie konnte gezeigt werden, dass es möglich ist, auch mit der MLA statistisch relevante Daten von Graphitproben zu erfassen. Darüber hinaus wurden die Ergebnisse der MLA-Analysen durch quantitative Röntgenpulverdiffraktometrie sowie Partikelgrößen-bestimmungen durch Laserbeugung und Siebanalyse validiert. Der dritte Fachartikel „Nature and distribution of PGE mineralisation in gabbroic rocks of the Lusatian Block, Saxony, Germany“ ist im Gegensatz zu den ersten beiden Artikeln im Gebiet der Geowissenschaften angesiedelt. In dieser Studie wird gezeigt, dass es möglich ist mittels MLA-Analyse eine signifikante Anzahl neuer Daten von einem eigentlich schon gut untersuchten Arbeitsgebiet zu gewinnen. So konnte erst mit der MLA die komplexe Natur und relativ große Verbreitung der auftretenden Platingruppenelement-führenden Minerale (PGM) geklärt werden. Während früherer lichtmikroskopischer Analysen und einzelner Elektronenstrahlmikrosonden-Messungen konnten nur eine Handvoll weniger, isolierter PGM-Körner nachgewiesen und halbquantitativ charakterisiert werden. In der vorliegenden Studie konnten nun, an den von früheren Studien übernommenen Proben, 7 PGM-Gruppen und 6 assoziierte Telluridmineral-Gruppen mit insgesamt mehr als 1.300 Mineralkörnern beider Mineralgruppen nachgewiesen werden. Auf der Grundlage der gewonnenen Daten wurden wichtige Erkenntnisse in Bezug auf Mineralassoziationen, Mineralparagenese und zur möglichen Genese der PGM erreicht. In diesem Zusammenhang wurde der Wert der MLA-Studien für petrologische Forschung mit dem Fokus auf Spurenminerale dokumentiert. Die MLA liefert Ergebnisse, die sowohl umfassend und unvoreingenommen sind, wodurch neue Einblicke in die Verteilung und Charakteristika der Spurenminerale erlaubt werden. Dies wiederum ist ungemein nützlich für die Entwicklung neuer Konzepte zur Genese von Spurenmineralen, kann aber auch zur Entwicklung einer neuen Generation von Explorationswerkzeugen führen, wie zum Beispiel mineralogische Vektoren zur Rohstofferkundung ähnlich wie derzeit verwendete geochemische Vektoren. Mit der vorliegenden Dissertationsschrift wird aufgezeigt, dass Automatisierte Mineralogie mittels Mineral Liberation Analyser eine einzigartige Kombination an quantitativen Daten zur Mineralogie und verschiedene physikalische Attribute, relevant sowohl für die Lagerstättenforschung als auch für die Aufbereitung mineralischer Rohstoffe, liefern kann. Im Vergleich zu anderen etablierten analytischen Methoden sind es insbesondere die Automatisierung und Unvoreingenommenheit der Daten sowie die Verfügbarkeit von Gefügedaten, Größen- und Forminformationen für Partikel und Mineralkörner, Daten zu Mineralassoziationen und Mineralfreisetzungen welche die großen Vorteile der MLA-Analysen definieren. Trotz der Tatsache, dass die Ergebnisse nur von polierten 2-D Oberflächen erhalten werden, lassen sich die quantitativen Ergebnisse gut/sehr gut mit Ergebnissen anderer Analysemethoden vergleichen. Dies kann vor allem der Tatsache zugeschrieben werden, dass eine sehr große und statistisch solide Anzahl von Mineralkörnern/Partikeln analysiert wird. Ähnliche Vorteile sind bei der Verwendung der MLA als effizientes Werkzeug für die Suche und Charakterisierung von Spurenmineralen von petrologischer oder wirtschaftlicher Bedeutung dokumentiert.