LABORE DES KOMPETENZZENTRUMS KI



Kooperative automatisierte Verkehrssysteme

 

 

Kooperative Automatisierte Verkehrssysteme (KAV) tauft sich die Arbeitsgruppe von Prof. Dr. Doll, welche sich vor allem auf Forschungen im Bereich der Perzeption beim automatisierten Fahren und hier insbesondere auf die Absichtserkennung von ungeschützten Verkehrsteilnehmern konzentriert. Zur Datenbeschaffung werden hierfür vor allem die Verkehrskreuzung der Technischen Hochschule Aschaffenburg oder das Forschungsfahrzeug verwendet.

Ein weiteres Forschungsgebiet im KAV-Labor sind hochautomatisiert lernende Assistenzsysteme für den Bereich Industrie 4.0. Dabei steht das Unterstützen des Menschen in manuellen Montageprozessen im Fokus. In diesem Anwendungsfall wird eine 3D-Kamera und ein Projektor, die beide überkopf am Arbeitsplatz montiert sind, zur Datenbeschaffung verwendet.

Die aufbereiteten Daten werden für das maschinelle Lernen verwendet und durch leistungsstarke Hardware mit in Python und TensorFlow geschriebenen Codes verarbeitet. Dadurch wird es dem Computer ermöglicht ein Modell zu erstellen, welches aus vergangenen Daten eine KI-gestützte Perzeption zur Interpretation menschlicher und maschineller Verhaltensmuster ermöglicht.

 

Mehr über das Labor...

Audiosignalverarbeitung & Sensordatenanalyse

Die Forschungsgruppe um Herr Professor Doktor Mohammed Krini arbeitet mit Methoden des Deep Learning in den drei Forschungsfeldern Audio- und Sprachverarbeitung, automotive Sensordaten-Analyse und Predictive Maintenance. Dabei werden die aktuellsten KI- und maschinelle Lernmethoden als Basis der Berechnungen und Optimierungen verwendet. So möchte man im Forschugnsfeld der Audio- und Sprachverarbeitung mittels Deep Learning z.B eine verbesserte Sprachqualität und Sprachverständlichkeit unter erschwerten, akustischen Bedingungen erzeugen.

Im Forschungsfeld der Predicitve Maintenance werden Aufgabenstellungen betrachtet, bei der man plötzliche Ausfälle von Maschinen durch proaktive Wartungen mittels Deep Learning vermeiden möchte.

 

Mehr über das Labor...

Arbeitsgruppe Prof. Stark

 

In der Arbeitsgruppe von Prof. Dr. Stark dreht sich alles um die Signalverarbeitung. Hierunter versteht man die Analyse, Manipulation und Synthese von Signalen mit dem Ziel der Extraktion bestimmter Merkmale aus den gemessenen Signalen, um Informationen über das Verhalten von Prozessen zu gewinnen, Daten reduzieren zu können und für die Visualisierung vorzubereiten. Künstliche Intelligenz dient dabei als Werkzeug, um die vorhandenen Daten für die weitere Analyse und Bearbeitung vorzubereiten.

Mit verschiedene Kooperationspartnern setze das Team um Prof. Dr. Stark in mehreren Verbundprojekten ebenfalls Lernverfahren der Künstlichen Intelligenz ein. Dabei reichten die vielfältige Einsatzgebiete von der medizinischen Bildgebung über die Prognose des Energiebedarfs bis hin zur Logistiknetze für Transportfahrzeugen.

Um die vorliegende Datenqualität und damit die Genauigkeit der Prognosen zu erhöhen, liegt der Schwerpunkt der Forschungsarbeit in Aschaffenburg vor allem auf der Entwicklung von Methoden, die beim Vorliegen unvollständiger Daten, diese so simulieren können, dass Experten nicht zwischen echten und synthetisch erzeugten Daten unterscheiden können. Dabei kommen vor allem Generative Adversariale Netze (GAN) sowie die Phasenraumdarstellung zum Einsatz.

Arbeitsgruppe Prof. Biedermann

 

Die Arbeitsgruppe um Prof. Dr. Biedermann beschäftigt sich mit der Analyse und Prädiktion des Fahrerzustands und -verhaltens. Ziel ist es dabei, gefährliche Situationen aufgrund mangelnder Aufmerksamkeit des Fahrers, beispielsweise durch Ablenkung oder Müdigkeit, zu identifizieren und durch optische, akustische und/oder haptische Warnsignale anzuzeigen. Neben den unmittelbar erlebbaren Assistenzfunktionen im Auto, wie beispielsweise der Notbremsung oder dem Spurwechselassistent, kann die Analyse und Klassifikation des Nutzerzustands auch für die Auswahl des Infotainments oder als Informationen für Versicherungsunternehmen eingesetzt werden. Da regelbasierte Methoden die große interindividuelle Varianz von Verhaltensmustern bei der Nutzerzustandsmodellierung nur schwer beschreiben können, ist der Einsatz von künstlicher Intelligenz auf diesem Forschungsgebiet von besonderer Bedeutung.

Aufgrund seiner langjährigen Tätigkeit in der Automobilindustrie besitzt Prof. Dr. Biedermann viel Erfahrung in der multisensorischen Mensch-/Fahrermodellierung, der Interpretation und Analyse von Mensch-Maschine-Interaktionsmustern sowie der Algorithmik und maschinellen Lernverfahren zur Verhaltensklassifikation. Im KI-Bereich verfügt Prof. Dr. Biedermann darüber hinaus vor allem über Kompetenzen im Labeling von Daten sowie Validierungsstrategien und der Auswertung der Performance der programmierten Systeme.

Arbeitsgruppe Prof. Dr. von Jouanne-Diedrich

 

Einer der Forschungsschwerpunkte der Arbeitsgruppe um Prof. Dr. Jouanne-Diedrich ist Explainable AI, auch X-AI genannt. In seiner langjährigen Forschungstätigkeit zum Thema künstliche Intelligenz stieß Prof. Dr. Jouanne-Diedrich immer wieder auf die Herausforderung, dass die Verwendung künstlicher neuronaler Netze zwar häufig hervorragende Ergebnisse liefert, die Art und Weise, wie diese Technologien allerdings ihre Entscheidungen treffen, nicht erklärbar ist.

Da das Verständnis über die Entscheidungsfindung jedoch in einigen Anwendungsbereichen, wie der Medizin oder der Finanzbranche, von hoher Relevanz ist, setzte sich das Team zum Ziel, Methoden zu entwickeln, die mehr Transparenz über den Lernmechanismus neuronaler Netze herstellen sollen. Um eine bessere Erklärbarkeit ohne Verlust von Genauigkeit zu erreichen, kombiniert die Arbeitsgruppe hierfür auf geschickte Art und Weise mehrere lineare Funktionen in klassischen Verfahren, wie beispielsweise Decision Trees oder Random Forests.

Weitere Informationen und Ausführungen über künstliche Intelligenz finden interessierte Leser auf Prof. Dr. Jouanne-Diedrichs Blog Learning Machines. A blog about data, science, and learning machines – like us

Labor für Hybride Modellierung

 

Das Labor für Hybride Modellierung von Herrn Prof. Dr. Möckel beschäftigt sich mit einer „physics based and data driven“ (hybriden)  Modellierung technischer Systeme. Dabei werden konventionelle Verfahren der physikalisch-technischen Simulation mit datengetriebenen KI-Methoden kombiniert. Dadurch kann technisches Vorwissen, das oft als Kenntnis der Zusammenhänge zwischen physikalischen Größen, also z.B. in Form von (Differenzial-) Gleichungen vorliegt, direkt mit einer Analyse empirischer Daten verbunden werden. In diesem jungen, sich entwickelndem Forschungsfeld werden in enger Anbindung an experimentell arbeitende Gruppen Anwendungsfälle eines KI gestützten Prozessmonitorings zum Zwecke einer automatisierten Prozesskontrolle im Bereich der Einzelstück- bzw. Kleinserienproduktion untersucht. Daneben werden Einsatzmöglichkeiten von hybriden Modellen im Bereich der Medizin und Medizintechnik analysiert.

Arbeitsgruppe Prof. Dr. Radke

 

Die Arbeitsgruppe um Herrn Prof. Dr. Radke beschäftigt sich mit Datenanalyse im Allgemeinen. In der Handhabung von Realdaten ergeben sich oft diverse Schwierigkeiten und Fallstricke, die es zu umschiffen gilt. Herr Radke besitzt langjährige Erfahrung in der Anwendung von KI-Modellen auf industrielle Daten und möchte dieses den Studierenden in Form von Studien-, Bachelor oder Masterarbeiten weitergeben. Ein weiterer Schwerpunkt liegt in der Anwendung tiefer neuronaler Netze. Wissenschaftliche Arbeiten sind nach Absprache auch in Kooperation mit anderen Laboren möglich.

BioMEMS Labor

 

Mit der Schnittstelle zwischen den Bereichen der Künstlichen Intelligenz und den Neurowissenschaften beschäftigen sich die Wissenschaftler des BioMEMS Labors unter der Leitung von Prof. Dr. Thielemann. Der Forschungsschwerpunkt liegt hierbei in der Analyse biologischer neuronaler Daten mit Methoden des maschinellen Lernens. Durch den Einsatz von Deep Learning Algorithmen und Klassifikationsmodellen werden Patientendaten (z.B. EEG- oder MRT-Daten) untersucht und Systeme zur Unterstützung der menschlichen Expertise bei der Diagnosestellung psychischer Erkrankungen wie Schizophrenie und Autismus erstellt.

Darüber hinaus werden durch die Darstellung medizinischer Daten in komplexen Netzwerken Hirnstrukturen von gesunden Patienten mit denen von psychisch Erkrankten verglichen. Ziel ist es Erkenntnisse über die Zusammenhänge zwischen der Struktur des Gehirns und Verhaltens- sowie neurologischen Veränderungen zu gewinnen, um dadurch geeignete Diagnosemethoden ableiten zu können.

Weitere Informationen über die Forschungstätigkeiten des BioMEMS Labors finden Sie hier.