Forschungsprojekte
im Labor

KIWA

In modernen Industrieanlagen werden eine vielzahl an Sensoren verwendet, die die Anlage zeitlich hoch aufgelöst überwachen. Dazu werden nicht nur die Daten externer Sensorik herangezogen, sondern auch Prozessparameter, die direkt von der Maschine kommen. Eine Hauptaufgabe in diesem Projektes ist es, Daten mit unterschiedlicher Abtastrate zu vereinen und ein Modell zu entwickeln, das ein anomales Verhalten der Maschine erkennt bzw. vorhersagt. So kann ein Betreiber frühzeitig gewarnt werden, noch bevor es zu Defekten oder Durchsatzeinbußen kommt und ein wirtschaftlicher Schaden entsteht.

SmartManipulator

Es wird ein Assistenzsystem entwickelt, bei dem ein Roboterarm an einem Rollstuhl und eine Stereokamera an seinem Endeffektor montiert ist. Hauptmerkmal dieses Projekts ist eine intelligente Greifanwendung. In diesem unterstützenden Kontext (Service-Robotik) müssen wir auf Verdeckungen reagieren und mit starkem, nicht konstantem Sensorrauschen umgehen. Wir haben einen echtzeitfähigen Algorithmus mit geschlossenem Regelkreis entwickelt, der die Szene aktiv erkundet, Greifmöglichkeiten abtastet und deren Erfolgswahrscheinlichkeit online schätzt.

LiPeZ

Ziel des Projektes ist die Entwicklung eines ganzheitlichen Systems zur Erkennung und Zählung von Personen in Bereichen des öffentlichen Personennahverkehrs mit Hilfe von Solid-State LiDAR Sensoren. Das zu entwickelnde System ist spezialisiert auf die Zählung einzelner Personen in Menschenmengen und besteht je nach Größe der zu überwachenden Fläche aus mehreren Sensoren. Es werden Methoden entwickelt, mit denen bis zu drei Personen je Quadratmeter erkannt und gezählt werden können. Wir entwickeln innerhalb des Teilprojektes LiPeInstSeg Perzeptionsalgorithmik zur Objektdetektion, Instanzsegmentierung und Sensorfusion aus 3D Punktewolkendaten.

DigiSeal

In diesem Projekt soll der Zustand von Dichtungen in Industrieanlagen überwacht werden. Da der Austausch von systemkritischen Dichtungen teuer und zeitaufwendig ist und einen Stillstand der gesamten Anlage mit sich bringt, müssen Defekte möglichst frühzeitig erkannt werden, um einen Reparaturvorgang einzuleiten. Externe Sensoren zeichnen zeitbasierte Daten über die Dichtung auf. Dies kann z.B. Temperatur und Druck der Dichtungsflüssigkeit sein. Ein Modell wird trainiert, um die Daten im Nominalzustand möglichst genau wiederzugeben. Das Modell kann Auffälligkeiten in den Daten erkennen und somit Rückschlüsse auf Beschädigungen geben.

HYDIS

In dem Projekt geht es um die Entwicklung einer Methode zur Optimierung der Trajektorie eines Flugkörpers unter Berücksichtigung spezifischer Bedingungen und Beschränkungen. Ziel ist es, mithilfe von Deep Learning die Flugbahn so zu steuern, dass Effizienz und Genauigkeit maximiert werden. Dazu wird ein Modell implementiert, das verschiedene Parameter wie Wind, Luftdichte und Energieverbrauch berücksichtigt und durch Machine Learning kontinuierlich verbessert wird. Das Machine Learning Model lernt anhand von dem Datensatzt, optimale Flugbahnen für unterschiedliche Szenarien zu generieren.

NXT AIM

Das Projekt konzentriert sich auf die Entwicklung generativer Modelle für multimodale, zeitabhängige Daten im Automobilsektor, mit einem besonderen Schwerpunkt auf LiDAR-Daten. Es zielt darauf ab, Verteilungen auf der Grundlage komplexer urbaner Verkehrssituationen zu konditionieren und einen latenten Raum zu schaffen, der physikalisch plausible Trajektorien hervorhebt. Darüber hinaus erforscht das Projekt die Fusion zusätzlicher Sensordaten, um konsistente Ergebnisse zu erzeugen und Anomalien zu erkennen. Eine wichtige Voraussetzung ist die Generierung physikalisch plausibler Daten, um sicherzustellen, dass die Ergebnisse die notwendigen Standards für die Anwendbarkeit in der realen Welt erfüllen.