Willkommen
im Labor für Autonome Systeme
der Hochschule München
Unsere Mitarbeitende
Studentische
Projekte
Forschungsprojekte im Labor
Industriekooperationen
Labor für Autonome Systeme
Das Labor für Autonome Systeme (LAS) der Hochschule München bündelt Kernkompetenzen für Anwendungen des maschinellen Lernens sowie intelligenter autonomer Systeme. Der inhaltliche Kern unserer Forschungsaktivitäten liegt in der Entwicklung und Erprobung innovativer KI-Lösungen, speziell in generativen Verfahren multimodaler Daten, 2D/3D-Perzeption für (Service-)Robotik, Anomaliedetektion, Reinforcement Learning, autonomer Navigation und Pfadplanung sowie der Nutzung multimodaler Sprachmodelle in autonomen und intelligenten Systemen.
Kompetenzen
- Deep Robotic Grasping
Der Ansatz des Deep Grasping in der Robotik nutzt Deep Learning, um Roboter zu befähigen Objekte sicher und effizient greifen zu können. Dabei erfassen Sensoren Echtzeitdaten, die Algorithmen zur Objekterkennung und Bewegungssteuerung verarbeiten.
- Next-Best-View Planning
Next-Best-View Planning in der Robotik bezieht sich auf die strategische Berechnung der optimalen Sensorposition, um vollständige und präzise 3D-Modellierungen einer Szene zu erfassen.
- Sensordatenfusion
Die Sensordatenfusion in der Robotik befasst sich mit der Integration von Informationen aus verschiedenen Sensortypen, um kohärente und präzise Umweltmodelierungen zu erstellen.
- Foundation Modelle
Foundational Models (Grundlagenmodelle) in der Robotik stellen einen neuen Ansatz dar, um multiple Fähigkeiten von Robotern durch den Einsatz von großskaligen, multimodalen KI-Modellen zu erweitern.
- Generative Modelle
Generative Modelle erlernen die zugrundeliegende Verteilung realer und oder synthetischer Trainingsdaten mit dem Ziel der Synthese neuer, realistischer Samples.
- Anomaliedetektion
Eine Anomalie wird in der Regel als seltenes Event definiert. Das Training eines Klassifikators ist bei dieser Aufgabe nicht von Nutzen, da ein starkes Klassenungleichgewicht in den Daten vorherrscht.