In fachbereichsübergreifender Zusammenarbeit werden interdisziplinäre studentische Teams betreut, die KI-Lösungen für reale Anwendungsfälle entwickeln. Jedes Team wird von einem KI-Lotsen und einem Anwendungs-Lotsen betreut. Die Lotsen realisieren zunächst die anwendungsspezifische HW und SW, die es den Studierenden ermöglicht eigene Lösungen zu entwickeln. Hierbei wird die Balance zwischen Herausforderung und bereitgestellten Lösungselementen auf KI- und Anwendungsseite so austariert, dass sie der jeweiligen studentischen Zielgruppe gerecht wird. Dadurch wird die erforderliche Flexibilität für die curriculare Verankerung in den beteiligten Fachrichtungen gewährleistet.
Im Anwendungsfeld “Radar Epilepsieerkennung” wird eine KI entwickelt, die mithilfe von Radardaten versucht, einen epileptischen Anfall zu erkennen. Es existiert bereits ein gelabelter Datensatz der Uniklinik München, der hierfür verwendet werden kann. Im Rahmen eines Projekts sollen die Daten aufbereitet und eine KI entworfen und entwickelt werden.
Im Anwendungsfeld “Reinforcement-Learning Contest” treten Teams im Contest mit je einer eigenen Reinforcement-Lösung ihrer Artificial Agents auf Basis eines bekannten oder eigenen Reinforcement Learning-Algorithmus in einer virtuellen Umgebung gegeneinander an. Es findet eine automatisierte Auswertung der Performance der einzelnen Agents in einer virtuellen Contest-Arena statt. Alle voll lauffähigen studentischen Projekte werden mit einer bestimmten Anzahl an Kredits versehen. Die Sieger-Teams in jedem Semester werden in einer (virtuellen) Hall of Fame ausgezeichnet.
Im Anwendungsfeld “Industrierobotik” wird in Anlehnung an einen realen Anwendungsfall aus der Serienproduktion eines mittelständigen Unternehmens, im Bereich der industriellen Robotik eine KI-Anwendung und ein dazugehöriger physischer Demonstrator entwickelt und aufgebaut. Dabei werden die vom Roboter ausgeführten Schwenkbewegung in einer Simulationsumgebung von einer KI erlernt, durch ein weiteres System überprüft und an einen Roboter weitergeleitet, welcher die Bewegungen ausführt. In dem Projekt bekommen Studierende in interdisziplinären Teams Einblicke in Reinforcement-Learning Techniken sowie Kinematik und Roboter-Pfadplanung.
Weiterführender Link: Labor für Digitale Produktentwicklung und Fertigung: RoboKI
Im Anwendungsfeld “Elektrophysiologie” wird eine KI entwickelt, die Augenbewegungen in Mausbewegungen und ein längeres Blinzeln in Mausklicks umsetzt. Die Augenbewegungen werden dabei mittels Elektrookulografie erfasst und weiterverarbeitet. Mit der KI soll eine höhere Präzision in der Erkennung des Blinzelns und der Augenbewegungen erzielt werden. Im Rahmen eines Projekts sollen die Datenerhebung, Planung und Entwicklung der KI umgesetzt werden.
Im Anwendungsfeld “Mobiler Roboter” wird eine KI für einen Roboter entwickelt, der vorher definierte Objekte wiedererkennen und bestimmte Körper in einen Bereich schieben kann. Der Roboter verfügt über mehrere Sensoren, die bei der räumlichen Orientierung helfen. Es kann auf Kamera-, Laser-, Sonar und Lidardaten zugegriffen werden. Für die Umsetzung existieren schon bekannte Algorithmen, wie z. B. SLAM (Simultaneous Localization and Mapping), die genutzt werden können.
Im Anwendungsfeld „FaSiMo“ soll der dynamische Fahrsimulator für KI-Anwendungen erschlossen werden. Im Rahmen einer Projektarbeit sollen die Studierenden eine KI gestützte Funktion konzipieren, entwickeln und testen. Auswählen können sie dabei aus zwei Themengebieten, welche ihnen Einblicke in die Anwendung von KI-Systemen im Automotive-Bereich ermöglichen.
Bei der Verkehrszeichenerkennung entwickeln die Studierenden ein Fahrerassistenzsystem, welches KI-Methoden verwendet, um Verkehrszeichen in einer Szene zu erkennen. Auf diese kann dann entsprechen, z.B. durch das Anpassen der Geschwindigkeit auf neue Vorgaben, reagiert werden.
Im Projekt Takeover Time Prediction wird anhand vielfältiger Datenquellen, wie z.B. Eye-Tracking und Interaktionsverhalten, versucht die Zeit und Qualität von Übernahmeanfragen beim automatisierten Fahren abzuschätzen.
Im Anwendungsfeld “Spiking Neural Networks” sollen pulscodierte Neuronen (SNN) zum Einsatz kommen. Im Gegensatz zur klassischen KI sind die verwendeten Neuronenmodelle den biologischen Neuronen in der Signalerzeugung und Signalweiterleitung sehr stark nachempfunden. Diese Modelle lassen sich einerseits per Software simulieren, andererseits existiert hierfür vorgesehene Hardware. Ziel des Anwendungsfeldes ist es, mit den SNN Versuche durchzuführen und sie mit den klassischen Methoden der KI (Machine Learning) zu vergleichen. Typische Anwendungsszenarien sind die Bilderkennung und Spracherkennung.
Im Anwendungsfeld „Verkehrsobjekterfassung“ wird ein System weiterentwickelt und angewendet, das Daten für die Verkehrsplanung generiert. In der Verkehrsplanung werden quantitative Angaben über Verkehrsteilnehmer (Fußgänger, Radfahrer, diverse Fahrzeugarten, ...) in räumlicher und zeitlicher Aggregation erfasst. Ein Ansatz ist, diese Informationen aus digitalen Videobildern mittels Objekterkennung zu extrahieren. In dem Projekt bekommen Studierende einen Einblick in praxisorientierte Bildverarbeitung mittels KI-Systemen, indem sie kollaborativ ein System zur Verkehrsobjekterfassung weiterentwickeln und anwenden. Dabei arbeiten sie immer in interdisziplinären Teams aus Bauingenieuren und Informatikern.
Bei Fragen benutzen Sie bitte die E-Mail-Adresse
student-pairing(at)hochschule-trier.de
Marvin Schneider, M. Sc.
Marv.Schneider(at)hochschule-trier.de
Schneidershof | Gebäude O | Raum 5
Eileen Neumann, B. Sc.
eileen.neumann(at)hochschule-trier.de
Schneidershof | Gebäude O | Raum 5
Sie verlassen die offizielle Website der Hochschule Trier
