Die industrielle Produktion befindet sich seit Jahren in einem Wandel, der von sich ändernden Kundenbedürfnissen, sinkenden Losgrößen und kürzer werdenden Produktlebenszyklen charakterisiert ist. Klassische Automatisierungsansätze auf der Basis monolithischer Systeme und hierarchischer Architekturen kommen an ihre Grenzen. Um in einem solchen Umfeld kompetitiv zu bleiben, werden flexiblere Automatisierungskonzepte gefordert, die über ein hohes Maß an Adaptierbarkeit verfügen. So müssen sich Maschinen bei Bedarf mit möglichst geringem Aufwand in eine Anlage integrieren bzw. aus dieser entfernen lassen, ohne dass dazu aufwendige Änderungen an den Steuerungssystemen anfallen.
Eine Voraussetzung dafür ist, dass Maschinen über eine maschinenlesbare Beschreibung verfügen, die insbesondere deren Funktionen umfasst. Mit Hilfe einer solchen Beschreibung können bspw. automatisiert Maschinen ausgewählt werden, die zur Herstellung eines Produktes benötigt werden. Und auch das Steuern von Maschinen kann durch die Informationen, die in einer solchen Beschreibung enthalten sind, vereinfacht werden.
In der Forschung werden solche Beschreibungen unter den Begriffen Capabilities, Services und Skills (CSS) untersucht. Für die relevanten Begrifflichkeiten in diesem Kontext wurde in [1] und [2] ein erstes CSS-Referenzmodell vorgestellt, welches in [3] erweitert und um abstrakte Engineering-Methoden ergänzt wurde.
Gemäß des CSS-Referenzmodells aus [1] und [2] stellen Capabilities Spezifikationen von Funktionen dar, die von Maschinen angeboten werden können (sog. Provided Capability) oder für einen Auftrag bzw. durch ein Produkt angefragt werden (sog. Required Capability). Ein Service ist im Sinne einer Dienstleistung als Erweiterung einer Capability um Informationen wie Kosten, Termine etc. zu verstehen. Als Skills werden ausführbare Funktionen bezeichnet, die über eine gekapselte Implementierung verfügen, welche mittels einer maschinenlesbar beschriebenen Aufruf-Schnittstelle, dem sog. Skill Interface, aus einem übergeordneten Steuerungssystem aufgerufen werden können.
Bereits seit 2018 wird das Themenfeld um Capabilities und Skills an der Professur für Automatisierungstechnik erforscht. Neben dem ursprünglichen Anwendungszweck im Bereich der industriellen Produktion wird das Thema seit 2020 im Projekt RIVA. auch auf die Koordination autonomer Systeme übertragen. Einen Überblick über die wesentlichen Arbeiten gibt die Übersichts-Seite https://caskade-automation.github.io/. Alle veröffentlichten Modelle sowie Software-Tools werden unter https://github.com/orgs/CaSkade-Automation/repositories gesammelt.
Die Arbeiten lassen sich grob in die folgenden drei Bereiche aufteilen
- Entwicklung eines semantischen Modells zur Beschreibung von Capabilities und Skills
- Entwicklung von Methoden zur Automatisierung und Unterstützung des Engineerings von Capabilities und Skills
- Entwicklung von Methoden zur automatisierten Planung und Steuerung auf Basis von Capabilities und Skills
Die Arbeiten in diesen drei einzelnen Bereichen werden im Folgenden vorgestellt.
Semantisches Modell zur Beschreibung von Ressourcen, Capabilities und Skills
Zur maschinenlesbaren Beschreibung der Fähigkeiten und Skills von Maschinen setzen wir auf Ontologien. Ontologien stellen formale Beschreibungsmittel dar, mit denen die Bedeutung von Begriffen und den Zusammenhängen zwischen Begriffen formal beschrieben werden kann.
Bereits vor der Veröffentlichung des CSS-Referenzmodells [1,2] wurde eine Ontologie entwickelt, mit der sich die Struktur von Maschinen sowie deren Capabilities und Skills modellieren lassen [4]. Diese Ontologie besteht aus einzelnen, in sich geschlossenen Ontologien, die alle auf Standards basieren – sog. Ontology Design Patterns (ODPs). Der Einsatz dieser ODPs sorgt durch die Standardisierung für ein hohes Maß an Wiederverwendbarkeit und sichert Robustheit und kontinuierliche Verbesserung, da die einzelnen ODPs auch separat oder anders zusammengestellt in anderen Projekten eingesetzt werden. Das in [4] vorgestellte Modell wurde seitdem kontinuierlich weiterentwickelt und an das CSS-Referenzmodell aus [1] angeglichen. Aktuell nutzen wir eine Drei-Schichten-Architektur für unser ontologisches Modell. Abb. 2 zeigt diese Schichten und gibt eine Übersicht über die integrierten Standards.
- Für die erste, abstrakte Ebene wurde die sog. CSS-Ontologie erstellt, welche eine 1:1-Abbildung des CSS-Referenzmodells darstellt. Diese Ontologie umfasst alle Begriffe und Relationen, ist aber zu abstrakt, um damit Planungs- und Ausführungsdetails von Capabilities bzw. Skills zu modellieren. Die CSS-Ontologie ist unter https://github.com/CaSkade-Automation/CSS frei verfügbar.
- Auf der zweiten Ebene befindet sich die sog. CaSk-Ontologie. Diese Ontologie bildet eine Zwischenschicht zwischen dem abstrakten CSS-Modell und anwendungsspezifischen Ontologien auf der untersten Ebene. Dazu werden in der CaSk-Ontologie Begriffe aus dem CSS-Modell mit konkreten Standards ausdetailliert. So wird bspw. zur Beschreibung von Skill-Zustandsautomaten PackML integriert. VDI 2206 gibt ein einfaches Modell der Systemstruktur (für Ressourcen) vor und IEC 61360 dient zur Beschreibung von Properties. Mittels OpenMath lassen Capability Constraints als mathematische Zusammenhänge modellieren. CaSk bietet für alle technologieneutralen Konzepte konkrete Modellierungslösungen. Allerdings fehlen noch Lösungen für konkrete Technologien, bspw. zur Skill-Ausführung. Diese Details werden auf der untersten Ebene ergänzt. So kann die CaSk-Ontologie für diverse Anwendungsdomänen erweitert werden. Die CaSk-Ontologie ist unter https://github.com/caskade-Automation/CaSk frei verfügbar.
- Die dritte Architektur-Ebene umfasst konkret anwendbare Ontologien mit Lösungen zur Modellierung technologiespezifischer Informationen, bspw. Skill-Aufrufen. An der Professur wurden dazu zwei Ontologien als Spezialisierung der CaSk-Ontologie entwickelt: Mit der CaSkMan-Ontologie können Capabilities und Skills in der Produktion beschrieben werden. Dazu importiert die CaSkMan-Ontologie die CaSk-Ontologie um Standards zur Beschreibung von Fertigungsprozessen (DIN 8580) und Handhabungs-Operationen (VDI 2860). Zur Beschreibung typischer Skill-Interfaces kommen Standards für die Technologien OPC UA und REST-APIs zum Einsatz. Die CaSkMan-Ontologie ist unter https://github.com/caskade-Automation/CaSkMan veröffentlicht.
Neben der CaSkMan-Ontologie wurde die RoboCaSk-Ontologie erstellt, welche speziell auf autonome Systeme verschiedener Modalitäten ausgelegt ist. Sie erweitert die CaSk-Ontologie um standardbasierte Ontologien, die in dieser Domäne typisch sind, bspw. IEEE 1872 oder MQTT. Die RoboCask-Ontologie ist unter https://github.com/caskade-Automation/RoboCaSk veröffentlicht und in Quelle [5] beschrieben.
Abbildung 2 verschafft einen Überblick über alle auf Standards basierenden ODPs der CaSkMan-Ontologie. Sämtliche ODPs sind ebenfalls verfügbar – Links zu diesen einzelnen Ontologien befinden sich unter https://github.com/hsu-aut/Industrial-Standard-Ontology-Design-Patterns. Detailliertere Informationen, Beispiele und teilweise auch SHACL-Constraints zu den Ontologien finden sich auf der jeweiligen GitHub-Seite.
Ein ontologisches Modell von CSS bietet einige Potenziale wie bspw. das Inferieren zusätzlicher Informationen, die Möglichkeit komplexer Modell-Abfragen mittels SPARQL oder auch die formale Verifikation von Anforderungen mittels SHACL. Jedoch ist die Modell-Erstellung mit hohem Aufwand verbunden und fordert ein hohes Maß an Ontologie-Expertise. Die CaSkMan-Ontologie ist dabei so groß und kompliziert, dass eine manuelle Modell-Entwicklung nicht zielführend ist. Es braucht daher einfache und möglichst automatisierte Methoden zur Modell-Erstellung.
Engineering-Methoden zur automatisierten Modell-Erstellung
Neben den entwickelten Ontologien arbeiten wir an Engineering-Methoden, um die Erstellung der CaSkMan- bzw. RoboCaSk-Ontologie zu vereinfachen und möglichst zu automatisieren. In den vergangenen Jahren sind in diesem Bereich unterschiedlichste Arbeiten entstanden [6-15]. Diese Arbeiten reichen von Software-Entwicklungs-Frameworks [6,7] über automatisierten Mappings [8-12] bis hin zu Ansätzen, die Large Language Models (LLMs) nutzen, um auch ausgehend von unstrukturierten Informationen automatisiert Elemente unserer Ontologie zu generieren [13-15]. Für jeden dieser Ansätze wurden Software-Tools entwickelt und auf GitHub veröffentlicht.
Dieser Abschnitt gibt einen kurzen Überblick über die verschiedenen Methoden zur automatisierten Modell-Erstellung. Details zu jedem einzelnen Ansatz finden sich in den entsprechenden Veröffentlichungen sowie im jeweiligen GitHub-Repository.
Im Kontext von CSS verursacht insbesondere das Implementieren von Skills einen hohen Aufwand bei gleichzeitig hohem Fehlerpotenzial. Jeder Skill muss einem einheitlichen Zustandsautomaten – in unserem Framework der Zustandsautomat von PackML – folgen. Darüber hinaus müssen andere Skills oder externe Systeme über ein Skill-Interface (bspw. via OPC UA) mit dem Skill interagieren können, d.h. einen Skill starten, stoppen, abbrechen oder andere Zustandsübergänge auslösen. Skill-Parameter müssen gesetzt und nach Ausführung ausgelesen werden können. Und der Skill sowie das zugehörige Interface müssen korrekt in Form der oben beschriebenen Ontologie modelliert werden.
Um die Skill-Entwicklung zu vereinfachen, wurde ein Software-Entwicklungs-Framework in Java [6] sowie in Python [7] entwickelt, das alle zusätzlich anfallenden Aufwände (verglichen mit einer Software-Entwicklung ohne Skills) automatisiert. Diese Frameworks erstellen automatisch:
- den Zustandsautomat, den jeder Skill aufweisen muss
- ein Skill-Interface (bspw. OPC-UA- oder Web-Server), über den der Skill später aufgerufen werden können
- die komplette Beschreibung in Form der oben beschriebenen Ontologie
Dazu müssen lediglich einige wenige Annotationen in Form sog. Decorators gemacht werden. Kenntnisse von Capabilities und Skills oder von Ontologien sind nicht erforderlich. Das eigentliche Verhalten der Skill-Funktionalität wird automatisch in den Zustandsautomaten integriert und das ebenfalls generierte Skill-Interface erlaubt das Kontrollieren dieses Zustandsautomaten sowie das Interagieren mit den Parametern des Skills. Die generierte Ontologie kann schließlich zur Anmeldung des Skills an einem übergeordneten System (bspw. MES) genutzt werden. Die beiden Entwicklungsframeworks sind unter https://github.com/CaSkade-Automation/SkillUp bzw. https://github.com/CaSkade-Automation/pySkillUp verfügbar.
Für die Skill-Implementierung mittels klassischer SPS-Programmierung nach IEC 61131 arbeiten wir an einem vergleichbaren Ansatz, der aus der Kombination einer SPS-Bibliothek mit einem automatisierten Mapping besteht [8]. Sowohl die SPS-Bibliothek für Codesys als auch eine Anwendung zum Mapping des SPS-Projekts sind unter https://github.com/CaSkade-Automation/plc2skillverfügbar.
In der Prozessautomatisierung gibt es mit dem Module Type Package (MTP) einen mit Capabilities und Skills vergleichbaren Ansatz zur flexiblen Automatisierung modularer Anlagen. Um eine Brücke zum MTP-Konzept zu schlagen, bieten wir ein automatisiertes Mapping eines MTPs in die oben beschriebene Capability- und Skill-Ontologie [9]. Auch zu diesem Mapping-Ansatz gibt es ein Software-Tool, welches unter https://github.com/CaSkade-Automation/mtp2skill abrufbar ist.
Die Veröffentlichungen [6-9] gehen allesamt von klassischen Entwicklungsprozessen und konkreten Engineering-Artefakten wie Programmcode oder einem MTP aus. Was aber, wenn die Entwicklung einer neuen Maschine und deren Capabilities bzw. Skills modellbasiert erfolgen soll? In [10] präsentieren wir einen Entwurf einer Methode zur Integration der Skill-Entwicklung in die modellbasierte Systementwicklung. Mit dem dort präsentierten Ansatz lassen sich Funktionsdiagramme in Skill-Gerüste und Ablaufdiagramme in mit Skill-Aufrufen versehene BPMN-Prozesse überführen. Eine prototypische Implementierung dieses Ansatzes findet sich unter https://github.com/CaSkade-Automation/BPMN-Code-Generator.
Die Asset Administration Shell (AAS) ist eine häufig genutzte Technologie zum Beschreiben von Capabilities und Skills. Um eine Kompatibilität zwischen den AAS Submodel Templates für Capabilities und Skills und unserer Ontologie herzustellen, wurde ein automatisiertes Mapping entwickelt, das bidirektionale Übersetzungen zwischen AAS und Ontologie ermöglicht [11]. Eine Software-Anwendung zur Ausführung dieses Mappings ist unter https://github.com/caskade-Automation/CSS-AAS-OWL verfügbar.
Alle zuvor präsentierten Engineering-Methoden konzentrieren sich auf Skills als kompliziertesten Aspekt von CSS. Allerdings ist ohne Engineering-Methoden auch das korrekte Modellieren einer Capability inklusive Properties und Constraints fehleranfällig und nur durch Ontologie-Experten durchzuführen. Im Vergleich zur Skill-Entwicklung, in der es eine Reihe strukturierter Artefakte (Programmcode, MTP, AAS, UML-Modelle, …) gibt, gibt es für Capabilities meist keine solchen Informationen. Oftmals liegen Anforderungen und Beschreibungen von Capabilities nur in natürlicher Sprache vor. In [12] zeigen wir daher, inwiefern sich LLMs zur Generierung von Capabilities aus einfachen, textuellen Beschreibungen nutzen lassen. Das Ergebnis war äußerst positiv: Für einfache Capabilities konnten syntaktisch und semantisch korrekte Ontologien generiert werden. Kompliziertere Capabilities erfordern teilweise leichte Nachbesserungen. Ein deutliche Verbesserung zur manuellen Modellierung! Alle Daten der Studie in [12] sind unter https://github.com/CaSkade-Automation/llm-capability-generation einsehbar.
Aufbauend auf [12] wird in [13] eine Methode entwickelt, die automatisiert die Qualität der generierten Capabilities prüft. Dazu nutzen wir eine automatisierte Syntax-Validation, Reasoning und Constraint-Checking mittels SHACL. Bei Fehlern werden automatisch neue Prompts an das LLM gestellt, um die Fehler in den generierten Capabilities zu verbessern. Ein entsprechendes Software-Tool zur automatisierten Capability-Generierung ist unter https://github.com/caskade-automation/llm4cap verfügbar.
Neben der Capability-Entwicklung lassen sich LLMs aber auch für die Skill-Entwicklung nutzen. Wir bauen dazu auf der Vielzahl an Arbeiten im Bereich der Code-Generierung aus natürlicher Sprache auf. In [14] präsentieren wir einen Ansatz, mit dem sich der Programm-Code eines Skills aus einer textuellen Spezifikation generieren lässt. Durch den Einsatz von Retrieval-Augmented-Generation (RAG) können dabei auch bestehende Bibliotheken oder Interfaces integriert werden, über die ein LLM ansonsten keine Kenntnis hätte. Das zu diesem Ansatz gehörende Software-Tool ist unter https://github.com/CaSkade-Automation/Cap2Skill zu finden.
Anwendung von Capabilities und Skills zur Planung und Ausführung von Prozessen
Mit den entwickelten Engineering-Methoden lassen sich Capabilities und Skills inklusive der zugehörigen Ontologien effizient entwickeln. Damit bleibt die die Frage, wie Capabilities und Skills in einer automatischen Produktionsplanung und -ausführung genutzt werden können. Wir gehen dabei von Szenarien aus, in denen eine angeforderte Capability durch eine Kombination mehrerer angebotener Capabilities realisiert wird. Diese Kombination angebotener Capabilities soll automatisch gefunden und die entsprechenden Property-Werte unter Berücksichtigung aller Constraints der einzelnen Capabilities bestimmt werden. Anschließend soll der so bestimmte Produktionsplan automatisiert ausgeführt werden.
Für die automatisierte Prozessplanung entwickeln wir Ansätze, um sowohl die Anfrage als auch die angebotenen Capabilities in ein KI-Planungsproblem zu überführen und dieses mit bestehenden Solvern zu lösen. In einem ersten Ansatz wurde dazu der Einsatz der Planning Domain Definition Language (PDDL) untersucht [15]. Schnell zeigte sich, dass PDDL nicht in der Lage ist, die komplexen Constraints abzubilden. Außerdem werden parallele Prozessschritte, Events und kontinuierliche Abläufe nur bedingt unterstützt. Expertenwissen (bspw. über Pflicht-Schritte oder verbotene Capability-Kombinationen) lassen sich gar nicht abbilden. Aus diesen Gründen untersuchen wir in aktuellen Arbeiten Planungsansätze auf Basis von Satisfiability Modulo Theories (SMT). Dabei handelt es sich um eine allgemeinere mathematische Theorie zum Abbilden und Lösen mathematischer Formeln. In [16] wird ein Ansatz präsentiert, der eine angeforderte und alle angebotenen Capabilities aus der ontologischen Beschreibung in ein SMT-basiertes Planungsproblem überführt. Dieses Planungsproblem wird anschließend mit einem Standard-Solver gelöst. Für diese automatisierten Planungsansatz wurde ein Software-Tool entwickelt, welches unter https://github.com/CaSkade-Automation/CaSkade-Plannerverfügbar ist.
Zur grafischen Beschreibung und anschließenden Ausführung der generierten Produktionsprozesse untersuchen wir Business Process Model and Notation (BPMN). Mit Hilfe des in [17] präsentierten Modellierungsansatzes können Capabilities in einem standardkonformen BPMN-Prozess integriert werden. Zur Ausführung werden für alle Capabilities die vorhandenen Skills ermittelt. Eine BPMN-Engine übernimmt anschließend die eigentliche Koordination des Prozesses sowie das Aufrufen der einzelnen Skills. Der Ansatz erlaubt neben der automatisierten Skill-Ausführung die Integration konventioneller „IT-Funktionen“ wie bspw. Einbinden von User-Eingaben, Error-Handling auf Prozess-Ebene oder Messaging. Zur BPMN-basierten Ausführung von Skills wurde ein Add-On für die weitverbreitete BPMN-Engine von Camunda entwickelt. Dieses AddOn steht unter https://github.com/CaSkade-Automation/BPMN-SkillExecutor zur freien Verfügung.
Neben diesen deterministischen, auf formalen Planungsmethoden basierenden Ansätzen zur Prozessplanung und -ausführung untersuchen wir in aktuellen Arbeiten auch den Einsatz von LLMs als Planungsinstanz. Dazu wird in [18] ein Architektur vorgestellt, in der explizite Modelle von Capabilities und Skills durch das Model Context Protocol (MCP) ersetzt werden. Capabilities und Skills werden in diesem Ansatz ausschließlich durch den Software-Code sowie Code-Kommentare repräsentiert und einem LLM als sog. tools zur Verfügung gestellt. LLMs sind in der Lage, diese tools und deren Anwendungskontext zu verstehen, Prozesse zu planen und die einzelnen Skills als tools in automatisiert aufzurufen. Auf diesem Gebiet besteht noch viel Forschungsbedarf. Aber zukünftig könnten solche Ansätze explizite Modelle wie die oben beschriebene Ontologie komplett ersetzen.
Für alle zuvor präsentierten Software-Tools bildet ein eigens entwickeltes Manufacturing Execution System auf Basis von Capabilities und Skills die Basis. Dieses MES ist unter https://github.com/CaSkade-Automation/caskade-mes verfügbar. Es integriert sämtliche Engineering-Methoden, erlaubt eine Verwaltung der erstellten Capability- und Skill-Modelle und bietet Möglichkeiten zur Planung und Ausführung von Prozessen.
Veröffentlichungen
[1] A. Köcher, A. Belyaev, J. Hermann, J. Bock, K. Meixner, M. Volkmann, M. Winter, P. Zimmermann, S. Grimm, C. Diedrich: A reference model for common understanding of capabilities and skills in manufacturing. at – Automatisierungstechnik, Vol. 71 (2), 2023, S. 94–104. DOI: https://doi.org/10.1515/auto-2022-0117
[2] C. Diedrich, et al.: Information Model for Capabilities, Skills & Services: Definition of terminology and proposal for a technology-independent information model for capabilities and skills in flexible manufacturing. https://www.plattform-i40.de/IP/Redaktion/EN/Downloads/Publikation/CapabilitiesSkillsServices.pdf?__blob=publicationFile&v=1
[3] J. Bock, et al.: Capabilities, Skills and Services: CSS Model Extensions and Engineering Methodology. https://www.plattform-i40.de/IP/Redaktion/DE/Downloads/Publikation/2025-i40-capabilities.pdf?__blob=publicationFile&v=5
[4] A. Köcher, C. Hildebrandt, L.M. Vieira da Silva, A. Fay: A Formal Capability and Skill Model for Use in Plug and Produce Scenarios. In: 2020 IEEE 25th International Conference on Emerging Technologies and Factory Automation (ETFA). DOI: https://doi.org/10.1109/ETFA46521.2020.9211874
[5] L.M. Vieira da Silva, A. Köcher, A. Fay: A capability and skill model for heterogeneous autonomous robots. at – Automatisierungstechnik, Vol. 71 (2), 2023, S. 140–150. DOI: https://doi.org/10.1515/auto-2022-0122
[6] A. Köcher, C. Hildebrandt, B. Caesar, J. Bakakeu, J. Peschke, A. Scholz, A. Fay: Automating the Development of Machine Skills and their Semantic Description. In: 2020 IEEE 25th International Conference on Emerging Technologies and Factory Automation (ETFA). DOI: https://doi.org/10.1109/ETFA46521.2020.9211933
[7] L.M. Vieira da Silva, A. Köcher, P. Topalis, A. Fay: A Python Framework for Robot Skill Development and Automated Generation of Semantic Descriptions. In: 2023 IEEE 28th International Conference on Emerging Technologies and Factory Automation (ETFA). Piscataway, NJ: IEEE, S. 1–8, 2023. DOI: 10.1109/ETFA54631.2023.10275347
[8] A. Köcher, T. Jeleniewski, A. Fay: A Method to Automatically Generate Semantic Skill Models from PLC Code. In: 2021 IEEE 47th Annual Conference of the IEEE Industrial Electronics Society (IECON). DOI: https://doi.org/10.1109/IECON48115.2021.9589674
[9] A. Köcher, L. Beers, A. Fay: A Mapping Approach to Convert MTPs into a Capability and Skill Ontology. In: 2022 IEEE 27th International Conference on Emerging Technologies and Factory Automation (ETFA). DOI: https://doi.org/10.1109/ETFA52439.2022.9921639
[10] A. Köcher, A. Hayward, A. Fay: Model-Based Engineering of CPPS Functions and Code Generation for Skills. In: 2022 IEEE 5th International Conference on Industrial Cyber-Physical Systems (ICPS): IEEE, S. 1–8, 2022. DOI: https://doi.org/10.1109/ICPS51978.2022.9816919
[11] L.M. Vieira da Silva, A. Köcher, M.S. Gill, M. Weiss, A. Fay: Toward a Mapping of Capability and Skill Models using Asset Administration Shells and Ontologies. In: 2023 IEEE 28th International Conference on Emerging Technologies and Factory Automation (ETFA). Piscataway, NJ: IEEE, S. 1–4, 2023. DOI: https://doi.org/10.1109/ETFA54631.2023.10275459
[12] L.M. Vieira da Silva, A. Köcher, F. Gehlhoff, A. Fay: On the Use of Large Language Models to Generate Capability Ontologies. In: 2024 IEEE 29th International Conference on Emerging Technologies and Factory Automation (ETFA), S. 1–8, 2024. DOI: https://doi.org/10.1109/ETFA61755.2024.10710775
Letzte Änderung: 13. Februar 2026