Im Rahmen der Zusammenarbeit mit der Bundeswehr bearbeiten wir verschiedene Forschungsbereiche an der Schnittstelle von Datenanalyse, maschinellem Lernen und technischen Systemen. Dazu zählen die Auswertung komplexer Sensor- und Audiodaten, Verfahren zur Vorhersage zeitlicher Entwicklungen, die Erkennung von Anomalien sowie KI-gestützte Ansätze für militärische Planung und technische Zustandsüberwachung. Ziel der Forschung ist die Entwicklung robuster Methoden, die aus heterogenen und teilweise unsicheren Daten belastbare Informationen ableiten und dadurch Analyse-, Planungs- und Entscheidungsprozesse unterstützen.
Kontakt: [email protected]
Sensorauswertung
Die Auswertung moderner Sensorsysteme stellt eine zentrale Herausforderung dar, da Messdaten häufig durch Rauschen, Störungen, Mehrwegeffekte und dynamische Umgebungsbedingungen beeinflusst werden. Ziel ist die Gewinnung robuster und verlässlicher Informationen über Objekte, Zustände und Szenenstrukturen aus großen Mengen hochdimensionaler Rohdaten. Beispiele für solche Sensorsysteme sind unter anderem RADAR- und SONAR-Technologien.
Moderne Deep-Learning-Verfahren ermöglichen die direkte Modellierung komplexer Strukturen in Sensordaten und die effiziente Repräsentation hochdimensionaler Messräume. Dabei kommen insbesondere Convolutional Neural Network-basierte Ansätze zum Einsatz, um räumliche und zeitliche Muster automatisch zu extrahieren. Generative Modelle, wie beispielsweise Autoencoder, erlauben zusätzlich das Lernen latenter Repräsentationen sowie die Rekonstruktion und Analyse zugrunde liegender Signalstrukturen. Wir untersuchen datengetriebene Ansätze zur Detektion und Klassifikation in komplexen sensorbasierten Anwendungen.
Forecasting
Die Vorhersage zukünftiger Systemzustände ist eine zentrale Komponente datengetriebener Analyse- und Entscheidungsprozesse. Eine wesentliche Herausforderung besteht in der Modellierung komplexer zeitlicher Dynamiken auf Basis historischer Daten sowie in der Ableitung zuverlässiger Prognosen. In realen Anwendungen sind Daten häufig unvollständig, verrauscht oder stark variabel, wodurch robuste und adaptive Vorhersagemethoden erforderlich werden.
Ein Anwendungsbeispiel ist die Prognose von Bewegungs- und Trajektorienverläufen auf Basis von AIS-Daten. Moderne Verfahren des maschinellen Lernens ermöglichen die Modellierung komplexer Abhängigkeiten in solchen Zeitreihen und die präzise Vorhersage zukünftiger Bewegungen. Ein zentraler Aspekt ist die Quantifizierung von Unsicherheiten in den Prognosen. Wir untersuchen Methoden zur Unsicherheitsabschätzung, um Vorhersagen nicht nur zu präzisieren, sondern auch zuverlässig zu machen und so Vertrauen in datengetriebene Entscheidungsprozesse zu ermöglichen.
Anomalieerkennung
Die Anomalieerkennung adressiert die Identifikation ungewöhnlicher Muster in Daten, die auf sicherheitsrelevante Ereignisse, Fehlverhalten oder bislang unbekannte Prozesse hinweisen können. Eine zentrale Herausforderung besteht in der zuverlässigen Abgrenzung zwischen normalem Systemverhalten und tatsächlich kritischen Abweichungen.
Ein wichtiges Anwendungsfeld ist die Analyse von Bewegungsmustern im Schiffsverkehr auf Basis von AIS-Daten, aus denen typische Routen, Geschwindigkeitsprofile und Verhaltensmuster abgeleitet werden. Abweichungen davon können auf ungewöhnliche oder potenziell kritische Situationen hinweisen. Zur Erkennung solcher Auffälligkeiten werden sowohl regelbasierte als auch probabilistische Verfahren eingesetzt. Während regelbasierte Methoden bekannte Muster und definierte Grenzwerte nutzen, ermöglichen likelihood-basierte Modelle eine datengetriebene Bewertung beobachteter Verhaltensweisen. Wir untersuchen die Kombination dieser Ansätze zur robusten Identifikation von Anomalien im maritimen Verkehr.
KI-gestützte Militärische Planung
Moderne militärische Planung erfordert schnelle, fundierte Entscheidungen unter Unsicherheit. Am IMB entwickeln wir KI-basierte Methoden, die Führungskräfte und Stäbe über den gesamten Planungsprozess hinweg unterstützen.
Die Grundlage bildet eine hochauflösende Modellierungs- und Simulationsumgebung. Reale Elemente, wie Gelände, Kräfte, Doktrin und Auftragsziele, werden in einen digitalen Zwilling abstrahiert, der in großem Maßstab ausgeführt werden kann. Reinforcement-Learning-Agenten operieren in dieser Umgebung und erlernen effektive Verhaltensweisen für Blau- und Rotkräfte. Ein Weltmodell erfasst die zugrunde liegende Dynamik des Operationsraums und ermöglicht robuste Zustandsvorhersage sowie Unsicherheitsschätzung als Grundlage für die Planung.
Diese simulationsgestützten Erkenntnisse fließen in die Handlungsoptionsentwicklung ein. Ein KI-gestütztes Planungssystem generiert, bewertet und vergleicht Handlungsoptionen anhand von Auftragskriterien. Das System liefert priorisierte Optionen mit Begründung, die eine menschliche Aufsicht ermöglichen, wobei der Kommandeur die finale Entscheidungsverantwortung behält.
Die gewählte Handlungsoption wird anschließend im analytischen Kriegsspiel erprobt. Blau- und Rotoptionen werden in einer strukturierten Kräfte-gegen-Kräfte-Ausführung gegeneinander ausgespielt und erzeugen eine Bewertungsmatrix. Das Ergebnis ist eine transparente, evidenzbasierte Empfehlung als Grundlage für den Befehl.
Diese drei Fähigkeiten bilden zusammen eine kohärente KI-gestützte Planungspipeline: vom Umgebungsmodell bis zum ausführbaren Befehl.
Audiosignalverarbeitung
Gesprochene und geschriebene Sprache sind komplexe Signale mit reichhaltiger latenter Struktur. Unsere Forschungsgruppe entwickelt Methoden zur automatisierten Analyse dieser Signale unter realen, unkontrollierten Aufnahmebedingungen. Methodisch arbeiten wir an der Schnittstelle von akustischer Signalverarbeitung, Phonetik und tiefen neuronalen Netzarchitekturen.
Forschungsschwerpunkte umfassen:
Sprecheranalyse in Multi-Sprecher-Szenarien. Robuste Sprecheridentifikation und -diarisierung in Umgebungen mit wechselnden Sprechern, Überlappungen und variierenden akustischen Bedingungen auch unter Einbeziehung von Methoden zur Täuschungsdetektion und Verifikation unter unkooperativen Bedingungen.
Echtzeit-Verarbeitung auf ressourcenbeschränkten Systemen. Entwicklung ressourceneffizienter Modellarchitekturen für die Inferenz auf eingebetteten Systemen und in Umgebungen ohne stabile Netzwerkanbindung, mit strengen Anforderungen an Latenz und Energieeffizienz.
Mehrsprachigkeit und Sprachidentifikation. Klassifikation von Sprachen sowie sprachunabhängige Merkmalsextraktion für den Einsatz in mehrsprachigen, international heterogenen Kommunikationsumgebungen.
Engineering
Technische Systeme versagen selten ohne Vorwarnung; die Signale sind meist vorhanden, werden jedoch nicht systematisch erfasst, strukturiert oder ausgewertet.
Unsere Forschungsgruppe entwickelt Methoden, die diese Lücke systematisch schließen: von rohen Messdaten komplexer Maschinen und Anlagen hin zu validierten, entscheidungsrelevanten Zustandsinformationen für Betreiber und Instandhaltung. Ein zentraler Forschungsschwerpunkt liegt im Condition Monitoring unter realen Betriebsbedingungen. Wir untersuchen, wie heterogene Sensordaten, wie Vibration, Temperatur, Akustik und weitere Modalitäten, kontinuierlich erfasst, synchronisiert und auf anomale Muster hin analysiert werden können. Dabei ist besonders die Robustheit solcher Systeme gegenüber Messrauschen, Sensorausfall und sich verändernden Betriebszuständen, an denen klassische Schwellwertverfahren systematisch scheitern, interessant.
Darauf aufbauend erforschen wir datengetriebene Ansätze für Predictive Maintenance: die frühzeitige, modellbasierte Vorhersage von Degradationsprozessen und Ausfallwahrscheinlichkeiten, bevor kritische Zustände eintreten. Hierfür kombinieren wir physikalisch motivierte Modelle mit maschinellen Lernverfahren, immer mit dem Ziel, nicht nur Muster zu erkennen, sondern deren Ursachen zu verstehen und zu quantifizieren. In ausgewählten Anwendungsfällen wird dieser Ansatz durch Digital-Twin-Architekturen erweitert: Ein kontinuierlich synchronisiertes Systemmodell erlaubt es, Betriebszustände nicht nur zu beobachten, sondern Szenarien vorausschauend zu simulieren und Eingriffszeitpunkte datengestützt zu optimieren.
Letzte Änderung: 2. April 2026