Autonome Modellfahrzeuge

Im Projekt it:movES entwickeln 球探比分网de gemeinsam mit uns Hardware und Software für autonome Modellfahrzeuge im Maßstab 1:10. Hier entstehen innovative Lösungen für die autonome Mobilität, welche sehr erfolgreich in internationalen studentischen Wettbewerben präsentiert wurden und werden, z.B. im Carolo Cup (Team it:movES) oder der Bosch Future Mobility Challenge (Team DriverlES). Unser aktueller Softwarestack umfasst moderne neuronale Netze zur bildbasierten Umgebungserfassung, Algorithmen zur Sensorfusion, sowie eine tiefgehende Aktions- und Pfadplanung. Als Hardwarebasis dient eine optimierte NVIDIA Drive Plattform in Verbindung mit ROS (Robot Operating System). Diese Konfiguration lehnt sich stark an aktuelle Systeme in der Automobilindustrie an und bietet den 球探比分网den dadurch eine wertvolle Gelegenheit, praxisrelevante Erfahrungen zu sammeln und sie optimal auf zukünftige berufliche Herausforderungen im Bereich der autonomen Mobilität vorzubereiten.  Darüber hinaus fördert das Projekt it:movES die interdisziplinäre Zusammenarbeit und Kreativität, indem es 球探比分网den unterschiedlicher Fachrichtungen die Möglichkeit bietet, gemeinsam an interessanten Fragestellungen der autonomen Mobilität zu arbeiten.

Weitere Informationen: 

• it:movES Projektwebseite
• Pressemeldung "Erfolg für Team DriverlES" (2023)
• Pressemeldung "it:movES Team erreicht den 2. Platz beim Carolo Cup" (2022)
• Pressemeldung "Kleine Flitzer ganz groß" (2020)

Anonymisierte Erfassung und Nutzung von Mobilitäts- und Bewegungsdaten (2022-2025)

Seit Jahren etablieren sich zunehmend neue Formen der individuellen und kollektiven Mobilität. Dienstanbietende etwa von Carsharing oder öffentlichem Personennahverkehr benötigen Erkenntnisse aus Mobilitätsdaten, damit sie die Angebote ressourcen- und umweltschonend auf den Bedarf der Nutzenden zuschneiden können. Das Projekt „Anonymisierte Erfassung und Nutzung von Mobilitäts- und Bewegungsdaten“ (AnoMoB) zielt darauf ab, Anonymisierungsverfahren zu entwickeln, die den Anbietenden von Mobilitätsdiensten eine verbesserte Erhebung und Verarbeitung von Mobilitätsdaten ermöglichen und gleichzeitig den Schutzbedürfnissen der Bürgerinnen und Bürger gerecht werden. Hierfür wird zunächst anhand der Anforderungen der Dienstanbietenden definiert, welche spezifischen Mobilitätsdaten zuzüglich weiterer Attribute wie Alter und Einkommen, in welcher Menge und Qualität genau, für die Planung einer ressourcenschonenden und bedarfsgerechten Mobilität benötigt werden. In Abhängigkeit von festgelegten Erwartungen werden maßgeschneiderte technische Lösungen entwickelt, die das datenschutzfreundliche Erheben der Bewegungsdaten der Dienstnutzenden ermöglichen und die sensiblen Informationen durch angemessene Sicherheitsmaßnahmen schützen. Zugleich soll das Vertrauen der Dienstnutzenden in die Dienstanbietenden dank der erreichten Anonymisierungsgarantien bei der Verarbeitung ihrer personenbezogenen Daten gestärkt werden.

Gefördert vom Bundesministerium für Bildung und Forschung

Entwicklung eines selbstlernenden Verfahrens zur verbesserten Windenergie-Kurzfristprognose (2022-2025)

Mit räumlich hochaufgelösten, an Wettermodelle gekoppelten CFD-Modellen, basierend auf den Reynolds-gemittelten Navier-Stokes-Gleichungen (RANS), kann inzwischen eine sehr hohe Genauigkeit bei der Vorhersage der Windgeschwindigkeit erreicht werden, welche für die Bewertung von Winderträgen an potentiellen 球探比分网n verwendet werden kann. Dadurch eröffnet sich nun die Möglichkeit, diese Methoden weiterzuentwickeln, um auch Kurzfristvorhersagen im komplexen Gelände für den Windertrag von Windkraftanlagen zu erstellen. Die bereits angewandte und als Dienstleistung angebotene Herangehensweise, mesoskalige Wettermodelle in Verbindung mit Methoden der künstlichen Intelligenz für die Prognose zu verwenden (hybride Verfahren), soll deshalb im Sinne des physikalischen Downscalings mit detaillierten CFD-Simulationen und Anwendung von Ensemble-Wetterprognosen für die Bestimmung der physikalischen Prognoseunsicherheit weiterentwickelt werden.

Gefördert von der Deutschen Bundesstiftung Umwelt (DBU). 

Autonome Roboter in unstrukturierten Umgebungen (2022-)

Das Forschungsprojekt Mobile Robotik hat das Ziel, neue Methoden zu erforschen, die es einem mobilen Roboter ermöglichen, autonom in unbekannten und unstrukturierten Umgebungen zu agieren. Die inhaltlichen Schwerpunkte liegen dabei auf der sensorbasierten Wahrnehmung und Selbstlokalisierung mit modernen Verfahren des maschinellen Lernens.

In einer ersten Projektphase wurden bestehende Verfahren aus der Literatur unter wissenschaftlichen und technischen Gesichtspunkten analysiert und bewertet. Diese bestehenden Verfahren befassen sich zum größten Teil mit autonomer mobiler Robotik in bekannten und strukturierten Umgebungen, z.B. Indoor-Logistik im industriellen Umfeld oder autonomes Fahren im Straßenverkehr, und lassen sich nicht ohne Weiteres auf unbekannte unstrukturierte Umgebungen anwenden. 

In einer zweiten Projektphase wird daher erforscht, wie ein solcher Transfer ermöglicht werden kann und welche Weiterentwicklungen bestehender Methoden dazu erfolgen müssen. Grundlage dazu ist eine detaillierte Ableitung von Anforderungen sowie der Aufbau einer entsprechenden Auswerte- und Vergleichssystematik, die neben theoretischen Analysen auch eine Experimentalstudie mit öffentlich verfügbaren Forschungsdatensätzen beinhaltet. 

Vorausschauende Mensch-Roboter-Interaktion in einem kollaborativen Arbeitsraum (2020-2023)

Gemeinsame Arbeitsbereiche von Robotern und Menschen sind in der Industrie immer häufiger anzutreffen. Viele vorwiegend einfache Arbeitsschritte können durch Roboter präzise und schnell erledigt werden. Dagegen gibt es z.B. in der Montage häufig sehr komplexe Aufgaben, die nur von Menschen erledigt werden können. In einem gemeinsamen Arbeitsbereich stellen Roboter dann eine ungenutzte und kostenintensive Ressource dar. 

Um die Arbeitseffizienz zu erhöhen, sollen in diesem Projekt Mensch-Roboter-Kollaborationen untersucht werden. Im Besonderen ist Ziel der Kooperation die Entwicklung von Verfahren zur Vorhersage der Bewegungen und Aktionen eines Menschen im Arbeitsraum des Roboters und die Anpassung der Bewegungsplanung des Roboters an solche Prädiktionen.

AMEISE (Phase III) - Ganzheitliche Forschung zu den Potenzialen des autonomen Fahrens im ÖPNV (2023-2024)

Im Herbst 2023 startete der emissionsfreie und autonome Kleinbus AMEISE in die dritte Förderphase. Auch dieses Mal werden Wege untersucht, wie der autonome Shuttle systematisch mit der Stadtentwicklung und allen beteiligten Interessensvertretern verzahnt werden kann. Dafür identifizieren die Expert*innen in dieser Phase Faktoren, die einen Erfolg ermöglichen.

Weitere Informationen: AMEISE Webseite

Kl-basierte Qualitätsprognose von Spritzguss-Bauteilen (2022-2024)

Ziel des Projekts ist die Entwicklung eines KI-basierten Prognosesystems zur Vorhersage der Bauteilqualität beim Spritzgießen.

Im Gegensatz zum Stand der Technik soll dieses System die bisherige Prognose durch Prozessüberwachung mittels Maschinenparameter deutlich übertreffen. Weiterhin soll das System im Gegensatz zu herkömmlichen KI-Anwendungen mit einer deutlich geringeren Menge an Trainingsdaten auskommen, um auch für Kleinserien attraktiv zu sein.

Durch das im Forschungsprojekt entwickelten Prognosemodell sollen die Bauteile schon während des Produktionsprozesses so genau überwacht werden, dass eine Qualitätskontrolle nach der Fertigung überflüssig wird.

Dafür werden zuerst entsprechende Sensoren in den Prozess integriert. Über ein mehrstufiges Bewertungssystem kann das System sehr schnell eingesetzt werden, da nur eine kleine Menge an Trainingsdaten benötigt wird. Durch die mehrstufige Klassifikation können unbekannte Prozesszustände identifiziert und während der laufenden Fertigung nachgelernt werden. Bekannte Prozesszustände können vom System basierend auf Methoden des maschinellen Lernens robust und sicher klassifiziert werden.

Gefördert vom Ministerium für Wirtschaft, Arbeit und Tourismus Baden-Württemberg.