{"id":2999,"date":"2026-02-24T15:37:21","date_gmt":"2026-02-24T14:37:21","guid":{"rendered":"https:\/\/www.hsu-hh.de\/imb\/?page_id=2999"},"modified":"2026-04-02T13:08:37","modified_gmt":"2026-04-02T11:08:37","slug":"bundeswehr","status":"publish","type":"page","link":"https:\/\/www.hsu-hh.de\/imb\/bundeswehr","title":{"rendered":"Bundeswehr"},"content":{"rendered":"\n
\"\"<\/figure>
\n

Im Rahmen der Zusammenarbeit mit der Bundeswehr bearbeiten wir verschiedene Forschungsbereiche an der Schnittstelle von Datenanalyse, maschinellem Lernen und technischen Systemen. Dazu z\u00e4hlen die Auswertung komplexer Sensor- und Audiodaten, Verfahren zur Vorhersage zeitlicher Entwicklungen, die Erkennung von Anomalien sowie KI-gest\u00fctzte Ans\u00e4tze f\u00fcr milit\u00e4rische Planung und technische Zustands\u00fcberwachung. Ziel der Forschung ist die Entwicklung robuster Methoden, die aus heterogenen und teilweise unsicheren Daten belastbare Informationen ableiten und dadurch Analyse-, Planungs- und Entscheidungsprozesse unterst\u00fctzen.<\/p>\n\n\n\n

Kontakt: imb-bw@hsu.hamburg<\/a><\/p>\n<\/div><\/div>\n\n\n\n


<\/p>\n\n\n\n

\n\n\n\n
Sensorauswertung<\/summary>\n
\"\"<\/figure>
\n

Die Auswertung moderner Sensorsysteme stellt eine zentrale Herausforderung dar, da Messdaten h\u00e4ufig durch Rauschen, St\u00f6rungen, Mehrwegeffekte und dynamische Umgebungsbedingungen beeinflusst werden. Ziel ist die Gewinnung robuster und verl\u00e4sslicher Informationen \u00fcber Objekte, Zust\u00e4nde und Szenenstrukturen aus gro\u00dfen Mengen hochdimensionaler Rohdaten. Beispiele f\u00fcr solche Sensorsysteme sind unter anderem RADAR- und SONAR-Technologien.<\/p>\n\n\n\n

Moderne Deep-Learning-Verfahren erm\u00f6glichen die direkte Modellierung komplexer Strukturen in Sensordaten und die effiziente Repr\u00e4sentation hochdimensionaler Messr\u00e4ume. Dabei kommen insbesondere Convolutional Neural Network-basierte Ans\u00e4tze zum Einsatz, um r\u00e4umliche und zeitliche Muster automatisch zu extrahieren. Generative Modelle, wie beispielsweise Autoencoder, erlauben zus\u00e4tzlich das Lernen latenter Repr\u00e4sentationen sowie die Rekonstruktion und Analyse zugrunde liegender Signalstrukturen. Wir untersuchen datengetriebene Ans\u00e4tze zur Detektion und Klassifikation in komplexen sensorbasierten Anwendungen.<\/p>\n<\/div><\/div>\n<\/details>\n\n\n\n

\n\n\n\n
Forecasting<\/summary>\n
\"\"<\/figure>
\n

Die Vorhersage zuk\u00fcnftiger Systemzust\u00e4nde 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 zuverl\u00e4ssiger Prognosen. In realen Anwendungen sind Daten h\u00e4ufig unvollst\u00e4ndig, verrauscht oder stark variabel, wodurch robuste und adaptive Vorhersagemethoden erforderlich werden.<\/p>\n\n\n\n

Ein Anwendungsbeispiel ist die Prognose von Bewegungs- und Trajektorienverl\u00e4ufen auf Basis von AIS-Daten. Moderne Verfahren des maschinellen Lernens erm\u00f6glichen die Modellierung komplexer Abh\u00e4ngigkeiten in solchen Zeitreihen und die pr\u00e4zise Vorhersage zuk\u00fcnftiger Bewegungen. Ein zentraler Aspekt ist die Quantifizierung von Unsicherheiten in den Prognosen. Wir untersuchen Methoden zur Unsicherheitsabsch\u00e4tzung, um Vorhersagen nicht nur zu pr\u00e4zisieren, sondern auch zuverl\u00e4ssig zu machen und so Vertrauen in datengetriebene Entscheidungsprozesse zu erm\u00f6glichen.<\/p>\n<\/div><\/div>\n<\/details>\n\n\n\n

\n\n\n\n
Anomalieerkennung<\/summary>\n
\"\"<\/figure>
\n

Die Anomalieerkennung adressiert die Identifikation ungew\u00f6hnlicher Muster in Daten, die auf sicherheitsrelevante Ereignisse, Fehlverhalten oder bislang unbekannte Prozesse hinweisen k\u00f6nnen. Eine zentrale Herausforderung besteht in der zuverl\u00e4ssigen Abgrenzung zwischen normalem Systemverhalten und tats\u00e4chlich kritischen Abweichungen.<\/p>\n\n\n\n

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 k\u00f6nnen auf ungew\u00f6hnliche oder potenziell kritische Situationen hinweisen. Zur Erkennung solcher Auff\u00e4lligkeiten werden sowohl regelbasierte als auch probabilistische Verfahren eingesetzt. W\u00e4hrend regelbasierte Methoden bekannte Muster und definierte Grenzwerte nutzen, erm\u00f6glichen likelihood-basierte Modelle eine datengetriebene Bewertung beobachteter Verhaltensweisen. Wir untersuchen die Kombination dieser Ans\u00e4tze zur robusten Identifikation von Anomalien im maritimen Verkehr.<\/p>\n<\/div><\/div>\n<\/details>\n\n\n\n

\n\n\n\n
KI-gest\u00fctzte Milit\u00e4rische Planung<\/summary>\n
\"\"<\/figure>
\n

Moderne milit\u00e4rische Planung erfordert schnelle, fundierte Entscheidungen unter Unsicherheit. Am IMB entwickeln wir KI-basierte Methoden, die F\u00fchrungskr\u00e4fte und St\u00e4be \u00fcber den gesamten Planungsprozess hinweg unterst\u00fctzen.<\/p>\n\n\n\n

Die Grundlage bildet eine hochaufl\u00f6sende Modellierungs- und Simulationsumgebung<\/strong>. Reale Elemente, wie Gel\u00e4nde, Kr\u00e4fte, Doktrin und Auftragsziele, werden in einen digitalen Zwilling abstrahiert, der in gro\u00dfem Ma\u00dfstab ausgef\u00fchrt werden kann. Reinforcement-Learning-Agenten operieren in dieser Umgebung und erlernen effektive Verhaltensweisen f\u00fcr Blau- und Rotkr\u00e4fte. Ein Weltmodell erfasst die zugrunde liegende Dynamik des Operationsraums und erm\u00f6glicht robuste Zustandsvorhersage sowie Unsicherheitssch\u00e4tzung als Grundlage f\u00fcr die Planung.<\/p>\n<\/div><\/div>\n\n\n\n

\"\"<\/figure>
\n

Diese simulationsgest\u00fctzten Erkenntnisse flie\u00dfen in die Handlungsoptionsentwicklung<\/strong> ein. Ein KI-gest\u00fctztes Planungssystem generiert, bewertet und vergleicht Handlungsoptionen anhand von Auftragskriterien. Das System liefert priorisierte Optionen mit Begr\u00fcndung, die eine menschliche Aufsicht erm\u00f6glichen, wobei der Kommandeur die finale Entscheidungsverantwortung beh\u00e4lt.<\/p>\n\n\n\n

<\/p>\n<\/div><\/div>\n\n\n\n

\"\"<\/figure>
\n


Die gew\u00e4hlte Handlungsoption wird anschlie\u00dfend im analytischen Kriegsspiel<\/strong> erprobt. Blau- und Rotoptionen werden in einer strukturierten Kr\u00e4fte-gegen-Kr\u00e4fte-Ausf\u00fchrung gegeneinander ausgespielt und erzeugen eine Bewertungsmatrix. Das Ergebnis ist eine transparente, evidenzbasierte Empfehlung als Grundlage f\u00fcr den Befehl.<\/p>\n\n\n\n

Diese drei F\u00e4higkeiten bilden zusammen eine koh\u00e4rente KI-gest\u00fctzte Planungspipeline: vom Umgebungsmodell bis zum ausf\u00fchrbaren Befehl.<\/p>\n<\/div><\/div>\n<\/details>\n\n\n\n

\n\n\n\n
Audiosignalverarbeitung<\/summary>\n
<\/div>\n\n\n\n

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.<\/p>\n\n\n\n

Forschungsschwerpunkte umfassen:<\/p>\n\n\n\n

Sprecheranalyse in Multi-Sprecher-Szenarien. Robuste Sprecheridentifikation und -diarisierung in Umgebungen mit wechselnden Sprechern, \u00dcberlappungen und variierenden akustischen Bedingungen auch unter Einbeziehung von Methoden zur T\u00e4uschungsdetektion und Verifikation unter unkooperativen Bedingungen.<\/p>\n\n\n\n

Echtzeit-Verarbeitung auf ressourcenbeschr\u00e4nkten Systemen. Entwicklung ressourceneffizienter Modellarchitekturen f\u00fcr die Inferenz auf eingebetteten Systemen und in Umgebungen ohne stabile Netzwerkanbindung, mit strengen Anforderungen an Latenz und Energieeffizienz.<\/p>\n\n\n\n

Mehrsprachigkeit und Sprachidentifikation. Klassifikation von Sprachen sowie sprachunabh\u00e4ngige Merkmalsextraktion f\u00fcr den Einsatz in mehrsprachigen, international heterogenen Kommunikationsumgebungen.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n
<\/div>\n<\/details>\n\n\n\n
\n\n\n\n
Engineering<\/summary>\n


Technische Systeme versagen selten ohne Vorwarnung; die Signale sind meist vorhanden, werden jedoch nicht systematisch erfasst, strukturiert oder ausgewertet. <\/p>\n\n\n\n

Unsere Forschungsgruppe entwickelt Methoden, die diese L\u00fccke systematisch schlie\u00dfen: von rohen Messdaten komplexer Maschinen und Anlagen hin zu validierten, entscheidungsrelevanten Zustandsinformationen f\u00fcr Betreiber und Instandhaltung. Ein zentraler Forschungsschwerpunkt liegt im Condition Monitoring unter realen Betriebsbedingungen. Wir untersuchen, wie heterogene Sensordaten, wie Vibration, Temperatur, Akustik und weitere Modalit\u00e4ten, kontinuierlich erfasst, synchronisiert und auf anomale Muster hin analysiert werden k\u00f6nnen. Dabei ist besonders die Robustheit solcher Systeme gegen\u00fcber Messrauschen, Sensorausfall und sich ver\u00e4ndernden Betriebszust\u00e4nden, an denen klassische Schwellwertverfahren systematisch scheitern, interessant. <\/p>\n\n\n\n

Darauf aufbauend erforschen wir datengetriebene Ans\u00e4tze f\u00fcr Predictive Maintenance: die fr\u00fchzeitige, modellbasierte Vorhersage von Degradationsprozessen und Ausfallwahrscheinlichkeiten, bevor kritische Zust\u00e4nde eintreten. Hierf\u00fcr 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 ausgew\u00e4hlten Anwendungsf\u00e4llen wird dieser Ansatz durch Digital-Twin-Architekturen erweitert: Ein kontinuierlich synchronisiertes Systemmodell erlaubt es, Betriebszust\u00e4nde nicht nur zu beobachten, sondern Szenarien vorausschauend zu simulieren und Eingriffszeitpunkte datengest\u00fctzt zu optimieren.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\"\"<\/figure>\n<\/div>\n\n\n\n
\n
\"\"<\/figure>\n<\/div>\n<\/div>\n<\/details>\n\n\n\n
\n","protected":false},"excerpt":{"rendered":"

Im Rahmen der Zusammenarbeit mit der Bundeswehr bearbeiten wir verschiedene Forschungsbereiche an der Schnittstelle von Datenanalyse, maschinellem Lernen und technischen Systemen. Dazu z\u00e4hlen die Auswertung komplexer Sensor- und Audiodaten, Verfahren […]<\/p>\n","protected":false},"author":3417,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"categories":[4],"tags":[],"class_list":["post-2999","page","type-page","status-publish","hentry","category-forschung"],"_links":{"self":[{"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/pages\/2999","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/users\/3417"}],"replies":[{"embeddable":true,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/comments?post=2999"}],"version-history":[{"count":16,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/pages\/2999\/revisions"}],"predecessor-version":[{"id":3516,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/pages\/2999\/revisions\/3516"}],"wp:attachment":[{"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/media?parent=2999"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/categories?post=2999"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.hsu-hh.de\/imb\/wp-json\/wp\/v2\/tags?post=2999"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}