Forschung und Entwicklung

Akustische Sprachsignalverbesserung & Audioanalyse

In diesem Forschungsgebiet werden Verfahren zu blinder Quellentrennung, Lokalisation und Geräuschreduktion erarbeitet und weiterentwickelt. Diese kommen in vielfältigen Bereichen zur Anwendung. Aktuell werden laufzeitoptimierte Sprachverbesserungsverfahren für ein In-Car Kommunikationssystem entwickelt und dieses Gesamtsystem auf Hardware realisiert.

In-Car Kommunikation:

Durch auftretende Hintergrundgeräusche sowie die ungünstige, voneinander abgewandte Sitzposition ist die Sprachkommunikation zwischen  Fahrzeuginsassen während der Fahrt erschwert. So sprechen die vorderen Passagiere gegen die Windschutzscheibe und der Schallpegel erfährt vom Mund des Sprechers bis zum Ohr des Konversationspartners auf dem Rücksitz eine hohe Dämpfung von etwa 20-30 dB. Als Konsequenz wird die Sprachlautstärke erhöht und die Insassen wenden sich einander zu. Hieraus resultiert neben einer anstrengenden Gesprächsatmosphäre auch eine Beeinträchtigung der Verkehrssicherheit durch Ablenkung des Fahrers.

Ein In-Car Kommunikationssystem kann hier Abhilfe schaffen. Durch sprechernah im Fahrzeug angebrachte Mikrofone, beispielsweise in der A-Säule, am Rückspiegel oder als Gurtmikrofon realisiert, werden die Sprachsignale der Insassen aufgezeichnet und einem In-Car Kommunikationssystem zugeführt. Hier wird das aufgezeichnete Signal mittels digitaler Signalverarbeitung, wie Beamforming, Rückkopplunngsunterdrückung, Echokompensation und Geräuschreduktionsverfahren zur besseren Sprachverständlichkeit aufbereitet. Das aufbereitete Signal, also die extrahierten Sprachkomponenten, können nun über passagiernah in Kopfstützen, Türen oder in der Hutablage verbaute Lautsprecher wiedergegeben werden. So kann eine komfortable Kommunikation innerhalb des Fahrzeugs ermöglicht werden.

Weitere Informationen zur In-Car Kommunikation sind unter diesem Link ersichtlich.

Verbesserte Sprach- und Sprechererkennung

Die sichere Erkennung von Sprachsignalen in geräuschbelasteten Umgebungen ist eine große Herausforderung. Gerade in Alltagssituationen können neben lauten Umgebungsgeräuschen auch Nachhall sowie ein großer Abstand des Sprechers zum Mikrofon die Sprach- und Sprechererkennung erschweren. Sowohl menschliche und synthetische Sprache, als auch eine Kombination aus beiden wird dabei einem Spracherkenner zugeführt. Um solche Systeme effizient im Alltag integrieren zu können, müssen hohe Anforderungen an die Echtzeitfähigkeit und die Erkenngenauigkeit gestellt werden. Eine intelligente Vorverarbeitung kann die Effizienz des nachfolgenden Spracherkenners deutlich steigern.

Dadurch eröffnen sich vielfältige Einsatzmöglichkeiten. Von sprachgesteuerten Assistenten heutiger Smartphones und Sprache-zu-Text Editoren bis hin zu sprachgesteuerten Operationstischen und Industrierobotern finden intelligente Sprachsignalverarbeitungssysteme ihre Anwendung.

Spezielle Einsatzgebiete wie das Gesundheitswesen stellen hohe Anforderungen an den Datenschutz. Für diese datenschutzkritischen Anwendungen erfolgt die Signalverarbeitung ohne Internetanbindung und wird komplett auf eingebetteten Systemen, wie Mikroprozessoren oder DSP's realisiert.

Mensch-Roboter-Kollaboration

Mensch-Roboter-Kollaboration beschreibt die Zusammenarbeit von Menschen und Robotern in der heutigen Produktionswelt. Dabei wird zwischen Koexistenz, Kooperation und Kollaboration als Konzepte unterschiedlich fortgeschrittener Zusammenarbeit unterschieden.

Bei der Mensch-Roboter-Koexistenz und -Kooperation arbeiten Mensch und Roboter noch weitgehend unabhängig voneinander. Während bei der Koexistenz parallele Arbeiten aus sicherheitstechnischen Gründen nur in einem getrennten Arbeitsbereich durchgeführt werden, findet bei der Kooperation zwischen Menschen und Roboter bereits eine direktere Zusammenarbeit statt. Diese beschränkt sich jedoch meist auff Rüst-, Einlege- und Prüfaufgaben, welche vom Menschen durchgeführt werden. Da hier meist Standardroboterapplikationen eingesetzt werden, dürfen aus sicherheitstechnischen Gesichtspunkten Mensch und Roboter jedoch nie gleichzeitig zusammenarbeiten.

Die Mensch-Roboter-Kollaboration ist die erste richtige Interaktion, bei der Mensch und Roboter Hand-in-Hand zusammenarbeiten. Hierfür werden spezielle Robotertypen eingesetzt, die über zusätzliche Sensoren im Roboterarm Berührungen detektieren können. Weiterhin verfahren diese Roboter auch deutlich langsamer als Standardindustrieroboter. Anwendungsgebiete dieser noch sehr jungen Disziplin sind Thema aktueller Forschung und Entwicklung.

Da Mensch und Roboter immer enger zusammenarbeiten, gewinnt die Kommunikation mit dem Robotersystem an Stellenwert. Neben einer Programmierung des Roboters über eine Simulationsumgebung oder ein Programmierhandgerät kann ein Roboter beispielsweise auch über eine 6D-Maus mithilfe von externer Sensorik geführt werden.

Neue Interaktionsmöglichkeiten wie Gesten- oder Sprachsteuerung stehen hier im Fokus der aktuellen Forschung und Entwicklung. Gegenüber konventionellen Methoden können hier Maschinendaten und Parameter abgefragt oder angepasst, sowie Steuerbefehle übergeben werden, während der Bediener einer anderen Tätigkeit nachgeht. Dies geht mit einem Flexibilitätsgewinn im Produktionsprozess einher.

Die Herausforderung bei einer Sprachinteraktion ist es eine robuste Spracherkennung in einer geräuschbelasteten Produktionsumgegung zu ermöglichen. Um Störgeräusche (z.B. Maschinengeräusche, Hall, Störsprecher) zu unterdrücken sind digitale Signalverarbeitungsalgorithmen nötig.

Predictive Maintenance

Plötzliche Ausfälle von Maschinen und Anlagen im industriellen Umfeld können enorme Kosten verursachen. Neben einem direkten finanziellen Schaden durch Produktionsausfälle kann auch ein Lieferverzug einen Imageschaden nach sich ziehen. Um Störungen zu vermeiden und Ausfallzeiten gering zu halten werden Maschinen oft proaktiv gewartet.

Im Gegensatz zu traditionellen Wartungsintervallen, welche beispielsweise den Austausch bestimmter Komponenten in festen Zeitabständen vorsehen, passt sich Predictive Maintenance an den aktuellen Anlagenzustand an. Sensoren erfassen Kenngrößen wie Temperatur, Vibration oder Drehzahl der überwachten Anlage und ermitteln auf Grundlage dieser Messdaten den idealen Zeitpunkt für eine Wartung. So können Maschinenausfälle vorhergesagt und überflüssige Instandhaltungsmaßnahmen vermieden werden.

Um den Anlagenzustand richtig einschätzen zu können, sind große Datenmengen notwendig. Zur Verarbeitung und Auswertung dieser Daten werden effiziente Analysealgorithmen, wie künstliche Intelligenz, eingesetzt.

Beispielsweise lassen sich durch Vibrationsmessungen Lagerdefekte an Elektromotoren gut vorhersagen und kostengünstig reparieren, bevor ein nicht erkannter Defekt in einer Produktionsanlage größeren Schaden anrichten kann.