Aktuelle Projekte

SmartShip erforscht KI-gestützte Methoden zur Unterstützung maritimer Einsatzszenarien, mit Schwerpunkt auf der Seenotrettung. Aufbauend auf den Ergebnissen des Vorgängerprojekts werden standardisierte Datenarchitekturen für digitale Zwillinge entwickelt sowie Verfahren für Prognostics & Health Management (PHM) weiterentwickelt. Weitere Forschungsschwerpunkte umfassen die Integration von Large Language Models zur Verbesserung der Mensch-Maschine-Interaktion sowie die multimodale Fusion von Kamera-, Thermal- und Radardaten zur robusten Objekterkennung unter anspruchsvollen Umweltbedingungen. Ziel ist die Entwicklung intelligenter Assistenzsysteme zur Steigerung von Sicherheit, Zuverlässigkeit und Effizienz in maritimen Anwendungen.

Weitere Informationen zu diesem Projekt finden Sie hier.

Wir entwickeln Methoden zur Erzeugung eines resilienten maritimen Lagebilds durch die intelligente Fusion heterogener Datenquellen wie AIS, Radar, Sonar, Satellitenbilder und AIS-Peilungen. Dabei werden Schiffverhalten analysiert, die Qualität eingehender Sensordaten bewertet und Unsicherheiten systematisch quantifiziert. Ziel ist ein robustes, belastbares Lagebild, das auch bei unvollständigen, fehlerhaften oder widersprüchlichen Informationen eine zuverlässige maritime Situationsbewertung ermöglicht und damit Entscheidungsprozesse in sicherheitskritischen Anwendungen unterstützt.

Stress ist ein allgegenwärtiger Bestandteil unseres täglichen Lebens. Um den negativen Folgen einer langfristigen Belastung durch akuten Stress und hohe Arbeitsbelastung vorzubeugen, entwickeln wir intelligente Systeme an der Schnittstelle zwischen Mensch und Maschine. Hierzu erfassen und analysieren wir physiologische Signale aus Wearables und anderen Sensorsystemen. Mithilfe modernster Verfahren des maschinellen Lernens und des Deep Learning werden robuste Modelle zur automatisierten Stresserkennung entwickelt. Ziel ist es, Stress frühzeitig und zuverlässig zu erkennen und adaptive, personalisierte Unterstützung in Gesundheits-, Arbeits- und Alltagsszenarien zu ermöglichen.

Weitere Informationen zu diesem Projekt finden Sie hier.

EKI (Engineering für die KI-basierte Automation in Produktionsumgebungen) entwickelt neue Engineering-Methoden zur Integration von KI- und Machine-Learning-Komponenten in adaptive Automatisierungslösungen. Ziel ist es, Engineering-Umgebungen zu schaffen, die Maschinenbauer und Integratoren bei der schnellen Entwicklung, Anpassung und Inbetriebnahme flexibler Produktionsanlagen unterstützen. Offene Schnittstellen und intelligente Assistenzfunktionen ermöglichen eine effiziente Einbindung von KI-Verfahren und bilden die Grundlage für wandlungsfähige, ressourceneffiziente und zukunftsfähige Produktionssysteme.

Weitere Informationen zu diesem Projekt finden Sie hier.

DiaMant konzentriert sich auf die frühzeitige Erkennung hypoglykämischer Ereignisse bei Patientinnen und Patienten mit Typ-1-Diabetes, um schwerwiegende Folgen wie Bewusstlosigkeit oder Koma zu verhindern. Auf Grundlage von DiaData, einem großen und qualitativen CGM-Datensatz, entwickelt das Projekt personalisierte KI-Modelle zur Klassifikation des Hypoglykämierisikos bis zu zwei Stunden vor dem Ereignis. Unterstützt wird das Modell durch eine App, die Daten erfasst, Modelle ausführt und geeignete Interventionen empfiehlt. Ziel von DiaMant ist es, klinisch zuverlässige Warnungen bereitzustellen, insbesondere innerhalb des kritischen Zeitfensters von 5 bis 15 Minuten vor einer Hypoglykämie, in dem eine rechtzeitige Intervention am wirksamsten ist.

Das Smart-Pipetting-Projekt nutzt Sensordaten elektronischer Pipetten, etwa Motorstrom und Druck, um den Pipettierprozess besser zu verstehen und zu überwachen. Durch die Kombination gezielter Experimente mit robotergestützter Datenerfassung sowie Methoden des Machine Learning und des Deep Learning soll das Projekt Fehler erkennen, zwischen Flüssigkeiten unterscheiden und die automatische Anpassung von Pipettierparametern unterstützen. Dadurch lassen sich Zuverlässigkeit, Nachvollziehbarkeit und Effizienz in der Laborarbeit verbessern.

Zuverlässige Sensordaten sind für vertrauenswürdige KI und prädiktive Analysen unerlässlich. Allerdings enthalten Sensorströme aus der Praxis häufig fehlende Werte, die durch Geräteausfälle, Bewegungsartefakte, Kommunikationsprobleme oder menschliches Versagen verursacht werden. Dieses Projekt untersucht intelligente Imputationsmethoden zur Rekonstruktion fehlender Sensordaten, wobei der Schwerpunkt auf Anwendungen im Gesundheitswesen liegt, etwa auf der Überwachung mittels Wearables und der Hypoglykämievorhersage. Durch die Entwicklung lückenspezifischer Imputationsstrategien, neuartiger Bewertungsmetriken und kontextbezogener Rekonstruktionsmethoden wollen wir sowohl die Datenqualität als auch die Leistung nachgelagerter Machine-Learning-Modelle für die Frühdiagnose und die präventive Gesundheitsversorgung verbessern.

Da leistungsfähige KI-Verfahren auf qualitativ hochwertige Daten angewiesen sind, entwickelt dieses Projekt umfassende Benchmarks zur Bewertung der Datenqualität in sensorgestützten Anwendungen. Der Schwerpunkt liegt auf rekonstruierten und imputierten Zeitreihendaten aus dem Gesundheitswesen. Neben etablierten Fehlermetriken werden statistische Konsistenz, Verteilungsähnlichkeit und physiologische Plausibilität als komplementäre Perspektiven der Datenqualität berücksichtigt. Hierzu wird mit FRAM-SHAP ein erklärbares Bewertungsframework entwickelt, das prädiktive und statistische Metriken zu einem vollständigen Bild der Datenqualität vereint und eine zuverlässige sowie interpretierbare Bewertung für nachgelagerte Machine-Learning-Anwendungen ermöglicht.

Da leistungsfähige KI-Verfahren auf qualitativ hochwertige Daten angewiesen sind, entwickelt dieses Projekt umfassende Benchmarks zur Bewertung der Datenqualität in sensorgestützten Anwendungen. Der Schwerpunkt liegt auf rekonstruierten und imputierten Zeitreihendaten aus dem Gesundheitswesen. Neben etablierten Fehlermetriken werden statistische Konsistenz, Verteilungsähnlichkeit und physiologische Plausibilität als komplementäre Perspektiven auf die Datenqualität berücksichtigt. Hierzu wird mit FRAM-SHAP ein erklärbares Bewertungsframework entwickelt, das prädiktive und statistische Metriken zu einem vollständigen Bild der Datenqualität vereint und eine zuverlässige und interpretierbare Bewertung für nachgelagerte Machine-Learning-Anwendungen ermöglicht.

Das Projekt untersucht die objektive Erfassung von Angst bei Spinnenphobie anhand physiologischer Signale aus Wearable-Sensoren. In Verhaltensvermeidungstests mit realen und virtuellen Spinnen werden physiologische Reaktionen mit subjektiven Angsteinschätzungen und dem Vermeidungsverhalten verglichen. Ziel ist es, objektive Biomarker für Angst zu identifizieren und gleichzeitig zu bewerten, ob Virtual-Reality-basierte Tests eine valide Alternative zu klassischen klinischen Verfahren für Diagnostik und Therapiebegleitung darstellen.

Weitere Informationen zu diesem Projekt finden Sie hier.