Aufbau eines universitätsweiten Kooperationsnetzwerks Künstliche Intelligenz am Beispiel Ambient Assisted Living
Beteiligte Professuren
Fakultät für Elektrotechnik und Informationstechnik
Die Professur befasst sich mit der Verhaltensdetektion von Menschen im Bereich Ambient Assisted Living (AAL) sowie mit Objekt- und Umfelderkennung im Bereich Fahrerassistenzsysteme/autonomes Fahren.
Hierfür kommen verschiedene Methoden des maschinellen Lernens zu Einsatz.
In diesem Zusammenhang wurden bisher und werden folgende Projekte mit interdisziplinären Partnern durchgeführt, unter anderen OPDEMIVA, AUXILIA,
MOVA3D, Hom-e-Call, ViFa 65+, AssiSt und SENDA.
Die Forschung in der Professur befasst sich mit der Regelung, Diagnose, Systemanalyse, Klassifikation und Identifikation komplexer dynamischer Systeme und Netzwerke.
Ein besonderer Schwerpunkt sind lernende Verfahren für die Optimalsteuerung (Stichwort „Reinforcement Learning“),
welche ein wichtiger Teil dieses Vorhabens sind und unter anderem in den Projekten BigApple und EiNES erforscht werden.
Die Professur beschäftigt sich mit lernenden Algorithmen für die Szenenerkennung, Objektlageschätzung und der Beobachtung der menschlichen Bewegung mit dem Ziel, Roboterverhalten abzuleiten.
Die dabei verwendeten Methoden stellen eine Kombination der modellbasierten Ansätze mit neuen Methoden der Künstlichen Intelligenz dar.
Damit können Schwächen Neuronaler Netze durch modellbasierte Verfahren verbessert und dort eingesetzt werden, wo die modellbasierten Ansätze bisher keine ausreichend guten Lösungen hervorbringen.
Aktuelle Projekte in diesem Zusammenhang sind unter anderem I-RobEka und AugBot.
Die Professorin hält zudem die Hedda-Andersson-Gastprofessur für Künstliche Intelligenz an der Lund-Universität inne.
Die Forschungsschwerpunkte der Professur liegen seit über 20 Jahren auf dem Gebiet autonomer Systeme mit Fokus auf mobilen Robotern und Fahrerassistenzsystemen bis hin zu autonomem Fahren.
Solche Systeme müssen ihre Umgebung mittels verschiedener Sensoren wahrnehmen, relevante Informationen extrahieren, interpretieren und daraus selbständig Entscheidungen treffen und Aktionen generieren.
Die methodischen Schwerpunkte liegen im Bereich Computer Vision, Sensordatenfusion, Algorithmen zur Navigation und Steuerung sowie des maschinellen Lernens, wie sie u.a. in den Projekten VIVARE, smartLoc und H-RoC bearbeitet werden.
Kernarbeitsbereich der Professur ist die applikationsspezifische Entwicklung integrierter Schaltungen.
In mehreren Forschungsprojekten wurden programmierbare Schaltkreise (FPGAs) zur Hardwarebeschleunigung Neuronaler Netze aus dem Automotive- und dem Vorhabensbeschreibung KIN-TUC Vollantrag 4 Konsumenten-Bereich genutzt und Themen wie „Energieeffizienter Einsatz Neuronaler Netze“ oder „Ressourcenschonende Plattform für Neuronale Netze“ bearbeitet.
Im Gebiet AAL konnten technische Ansätze zu Therapie und Mobilisierung adipöser Patienten erforscht und angewandt werden (Projekt MOBILIZER).
Fakultät für Informatik
Die Professur beschäftigt sich seit langer Zeit mit Methoden des maschinellen Lernens und hat in letzter Zeit verschiedene Prototypen mit Tiefen Neuronalen Netzen entwickelt:
Zur Erkennung emotionaler Gesichtsausdrücke, zur Sensorfusion beim autonomen Fahren und der Robotersteuerung.
Aktuell wird das Potenzial Tiefer Neuronaler Netze auf Fragestellungen zur Prognose von Prozessparametern und Bauteilqualität in der Automobil-Karosserieproduktion in einem Projekt des Bundesministeriums für Bildung und Forschung (BMBF) im Rahmen des Förderprogramms "IKT 2020 – Forschung für Innovationen" in Kooperation mit verschiedenen Industriepartnern untersucht.
Ein weiterer aktueller Forschungsschwerpunkt ist das Themengebiet sozial agierender, kognitiver Systeme zur Feststellung von Hilfsbedürftigkeit (gefördert im Rahmen einer Europäischer Sozialfonds-Nachwuchsforschergruppe (ESF-Nachwuchsforschergruppe)).
Die Professur beschäftigt sich mit Techniken und Methoden, die eine effiziente Modellierung und eine darauf basierende Verifikation von extra- bzw. nichtfunktionalen Anforderungen ermöglichen, wie etwa Realzeitbedingungen, Energieeffizienz und Zuverlässigkeit.
Dabei sind vornehmlich sicherheitskritische Anwendungen von eingebetteten und cyberphysischen Systemen, insbesondere im Automobil- und Automatisierungsbereich, im Fokus.
Dies schließt hardwarenahe sowie systemweite Lösungen gleichermaßen mit ein, die unter anderem in ESF- und vom Deutschen Akademischen Austausch-Dienst (DAAD) finanzierten Projekten zu „Systeme gemischter Kritikalität“ und „Kooperatives Fahren“
sowie im von der deutschen Forschungsgemeinschaft (DFG) finanzierten Projektes „openCPS“ erarbeitet und erforscht werden.
Aktuelle Forschungsarbeiten auf dem Gebiet der Bilderkennung und Signalverarbeitung untersuchen die Echtzeitauswertung von vordefinierten Bildmerkmalen für verschiedene Anwendungsbereiche.
Für Avionik- und Automobilanwendungen sowie für Anwendungen in der Interaktion zwischen Menschen und Robotern oder Maschinen ist diese hohe Performanz von großer Wichtigkeit.
Datenparallelisierung und Taskparallelisierung können eingesetzt werden.
Aktuelle Ergebnisse zeigen, dass sehr hohe Auswertungsgeschwindigkeiten erreicht werden.
Diese Ansätze lassen sich gut im Bereich der KI verwenden, wie u.a. in den Projekten H-RoC und Sagitta angewandt.
Fakultät für Maschinenbau
Die Professur hat ihren zentralen Forschungsgegenstand in der Entwicklung von nutzergruppenspezifischen Sport-, Trainings- und Therapiegeräten.
In den Forschungsbereichen AAL und Real-Life Monitoring für medizinische Applikationen (Diabetes,
Parkinson) bieten sich zahlreiche Anwendungen für Methoden der KI, um aus Daten körpergetragener Sensoren
(Bewegung, Druckverteilung) Ableitungen für präventives Nutzerverhalten oder individualisierte Medikation zu treffen.
Dazu verfügt die Professur über Verfahren zur Datenerfassung und Validierung, welche die
Grundlage für die Algorithmenentwicklung und Verifikation bieten und in verschiedenen Forschungs- und Industrieprojekten wie TelePark bearbeitet werden.
Fakultät für Mathematik
Die Professur befasst sich vorrangig mit der Entwicklung von schnellen Algorithmen zur numerischen Simulation, Optimierung und Unsicherheitsquantifizierung von komplexen Systemen.
Im KI-Bereich sind graphbasierte Strategien des Lernens ein weiterer Schwerpunkt in der Methodenentwicklung.
Die Arbeiten der Professur werden vom BMBF im Bereich Mathematik für Innovationen
und dem Programm des Personenbezogenen Projektaustausches des deutschen akademischen Austauschdienstes (DAAD-PPP) mit der Universität Bologna gefördert (unter anderem im Projekt P2Chem).
Publikationen
| Titel | Autor(en) | Jahr | |
|---|---|---|---|
| 1 | Node Classification for Signed Social Networks Using Diffuse Interface Methods In: European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases, 2019 |
Mercado,Pedro* Bosch, Jessica Stoll, Martin |
2019 |
| 2 | NFFT Meets Krylov Methods: Fast Matrix-Vector Products for the Graph Laplacian of Fully Connected Networks In: In: Frontiers in Applied Mathematics and Statistics. - Frontiers Media SA. - 4. 2018, 61 |
Alfke, Dominik Potts, Daniel* Stoll, Martin Volkmer, Toni |
2018 |
| 3 | Generalizing Diffuse Interface Methods on Graphs: Nonsmooth Potentials and Hypergraphs In: In: SIAM Journal on Applied Mathematics. - Society for Industrial & Applied Mathematics (SIAM). - 78. 2018, 3, S. 1350 - 1377 |
Bosch, Jessica Klamt, Steffen Stoll, Martin |
2018 |
News
Neuigkeiten aus der Presse rund um das Projekt KIN-TUC
-
Forschung
Künstliche Intelligenz soll beim gesunden Altern helfenSächsisches Wissenschaftsministerium fördert Forschungsprojekt zur KI-gestützten Pflege und Betreuung im Alter
Kontakt
Verantwortlicher für Koordination des Projektes
Prof. Dr.-Ing. Gangolf Hirtz
-
Telefon:+49 371 531-37378
-
E-Mail:
-
Adresse:Reichenhainer Straße 70, 09126 Chemnitz
-
Raum:2/W419 (neu: C25.419)