Unsere Forschungsprojekte

VALISENS: Sensor-Technologie für autonomes Fahren.

Computer Vision – Sensor Fusion – Deep Learning – V2X – GAIA-X
Selbstfahrende Autos sind eine echte Herausforderung. Denn die Erfassung komplexer Verkehrssituationen ist noch äußerst fehleranfällig. Was ist, wenn ein Kind spontan über die rote Ampel läuft? Oder wenn ein Auto dem anderen die Vorfahrt an der Kreuzung nimmt? Genau das richtige Projekt für XITASO. Gemeinsam mit unseren Projektpartnern haben wir ein Ziel: Ein robustes Sensorsystem schaffen, welches äußere Einflüsse wirkungsvoll berücksichtigt und somit die Sicherheit autono- mer Fahrzeuge in anspruchsvollen Verkehrssituationen erhöht.

Das vom Bundesministerium für Wirtschaft und Klimaschutz geförderte Projekt VALISENS (Valides innovatives Gesamtsensorsystem für kooperativ-automatisiertes Fahren) läuft seit 1. Januar 2023. Es geht um eine zuverlässige und vertrauenswürdige sensorische Umfeld-Wahrnehmung für autonome Fahrzeuge im Kreuzungsverkehr. Dazu werden Daten von Infrarot-Kameras mit den Daten anderer Sensoren wie klassischen RGB-Kameras, LiDAR und Radaren mittels Vehicle-to-X-Kommunikation (vehicle-to-everything) zusammengeführt. Der Schwerpunkt liegt auf der Entwicklung von KI-basierten multiperspektivischen und multimodalen Fusionsverfahren sowie der Objekterkennung und deren Übertragung in Fahrszenarien. Besondere Aufmerksamkeit gilt dabei der Robustheit unter verschiedenen, äußeren Bedingungen bei der Fusionierung der Infrarot-Bildern mit klassischen Kamerabildern.

ADELeS : Wissensbasiertes Machine Learning zur Anomaliebehebung.

Machine Learning – Neuro-Symbolic AI
In unserem praxisnahen Forschungsprojekt ADELeS (Anomaliebehebung durch extrahiertes Expertenwissen und lernende Systeme) entwickeln wir ein KI-basiertes Assistenzsystem, um Qualitätsabweichungen während der Produktion erkennen und korrigieren zu können.

Warum das so wichtig ist? Um komplexe Produktionsanlagen bedienen zu können, braucht es erfahrenes Fachpersonal. Doch das ist ein knappes Gut. Vor allem, wenn die Arbeitnehmenden den Job wechseln oder das vorhandene Wissen in Rente geht. Aus diesem Grund müssen die Produktionsanlagen auch von unerfahreneren Personen bedient werden können. Ein Schlüssel dazu kann es sein, Produktionsmaschinen und -anlagen mit intelligenten Assistenzsystemen zu erweitern, um Einarbeitungszeiten zu verkürzen sowie die Gesamtproduktivität zu erhöhen.

Dazu arbeiten wir mit einer datenbasierten Wissensextraktion. Denn eine große Hürde ist häufig, dass reines maschinelles Lernen nicht direkt anwendbar ist. Zum einen durch die vorhandene Datenknappheit, zum anderen auch aufgrund der schlechten Generalisierbarkeit der gelernten Modelle, beispielsweise bei Produktvariationen. Aus diesem Grund nutzen wir eine neu entwickelte Methode zur Extraktion von Wissen erfahrener Maschinenbedienenden. Dieses Wissen fusionieren wir mit Machine Learning in hybriden, neurosymbolischen AI-Ansätzen. Das neuartige Assistenzsystem führt somit zu besserer Qualität der hergestellten Produkte und senkt die Einstiegshürden für Maschinenbedienende.