Autonomous Driving with Generative Pre-Trained Transformers

Das Forschungsprojekt ADRIVE-GPT widmet sich der Erforschung und Anwendung von verankerten Sprachmodellen (Large Language Models, LLMs) im Kontext des automatisierten Fahrens. Bisherige Studien haben LLMs nur für einfache Aufgaben in der station?ren Robotik betrachtet. In ADRIVE-GPT soll untersucht werden, wie multimodale Sensorwahrnehmungen von Kamera- und Lidarsensorik mit natürlicher Sprache kombiniert werden k?nnen, um Aktionspl?ne für ein unfallfreies und menschen?hnliches autonomes Fahren zu generieren. Darüber hinaus wird untersucht, ob der Lernprozess durch bereits prozessiertes Wissen über statische und dynamische Objekte unterstützt werden kann.

Weitere Informationen:
ADRIVE-GPT Webpage

Anonymisierte Erfassung und Nutzung von Mobilit?ts- und Bewegungsdaten (2022-2025)

Seit Jahren etablieren sich zunehmend neue Formen der individuellen und kollektiven Mobilit?t. Dienstanbietende etwa von Carsharing oder ?ffentlichem Personennahverkehr ben?tigen Erkenntnisse aus Mobilit?tsdaten, damit sie die Angebote ressourcen- und umweltschonend auf den Bedarf der Nutzenden zuschneiden k?nnen. Das Projekt ?Anonymisierte Erfassung und Nutzung von Mobilit?ts- und Bewegungsdaten“ (AnoMoB) zielt darauf ab, Anonymisierungsverfahren zu entwickeln, die den Anbietenden von Mobilit?tsdiensten eine verbesserte Erhebung und Verarbeitung von Mobilit?tsdaten erm?glichen und gleichzeitig den Schutzbedürfnissen der Bürgerinnen und Bürger gerecht werden. Hierfür wird zun?chst anhand der Anforderungen der Dienstanbietenden definiert, welche spezifischen Mobilit?tsdaten zuzüglich weiterer Attribute wie Alter und Einkommen, in welcher Menge und Qualit?t genau, für die Planung einer ressourcenschonenden und bedarfsgerechten Mobilit?t ben?tigt werden. In Abh?ngigkeit von festgelegten Erwartungen werden ma?geschneiderte technische L?sungen entwickelt, die das datenschutzfreundliche Erheben der Bewegungsdaten der Dienstnutzenden erm?glichen und die sensiblen Informationen durch angemessene Sicherheitsma?nahmen schützen. Zugleich soll das Vertrauen der Dienstnutzenden in die Dienstanbietenden dank der erreichten Anonymisierungsgarantien bei der Verarbeitung ihrer personenbezogenen Daten gest?rkt werden.

Gef?rdert vom Bundesministerium für Bildung und Forschung

Das Datenanalyse Cluster der HAWen in Baden-Württemberg - kurz "DACHS" - versorgt die Hochschulen mit Compute Kapazit?t für datengetriebene Forschung und Lehre im Bereich Maschinelles Lernen, visuelle Datenanalyse und Big Data, eingebunden in bwHPC. Der Cluster erlaubt die Arbeit lokal aber auch remote mittels moderner Schnittstellen wie JupyterHub. Durch die Anbindung an bwHPC k?nnen Forschende auf die Tier-3 Cluster in bwHPC, sowie auf die Tier-2 Systeme des KIT und die Tier-1 Systeme des HLRS anknüpfen.

Weitere Informationen:
DACHS Wiki

DFG Forschungsimpuls - Smart Factory Grids (2024-2029)

Im von der Deutschen Forschungsgemeinschaft gef?rderten Forschungsimpuls "Smart Factory Grids" geht es um das Thema einer intelligenten Fabrik. Unsere Vision ist ein verteiltes Fertigungsnetzwerk, in dem mehrere spezialisierte Produktionseinheiten durch autonome (boden- und luftgestützte) Systeme miteinander verbunden sind, um eine hochflexible Fertigung für kleine Losgr??en mit drastisch reduzierten Rüstzeiten zu erreichen. Im Herzen dieser Smart Factory Grids stehen cyber-physische Systeme, die autonom und kooperativ agieren, sich selbst bewerten und resilient gegen a?u?ere Sto?rungen sind. Dies ist mehr als nur Automatisierung; es geht darum, ein intelligentes, reaktionsf?higes und nachhaltiges Fertigungs?kosystem zu schaffen.

Weitere Informationen:
Pressemeldung der Hochschule Esslingen
Smart Factory Grids Webpage

?bersicht (2021-2027)

Bund und L?nder f?rdern im Rahmen ihres gemeinsamen Programmes ?FH-Personal“ die Gewinnung und Entwicklung professoralen Personals an 64 Fachhochschulen bzw. Hochschulen für angewandte Wissenschaften (HAW). Die Hochschule Esslingen geh?rt zu den 13 baden-württembergischen Hochschulen, die in der ersten F?rderrunde einen positiven Bescheid erhalten haben. Mit insgesamt mehr als sechs Millionen Euro, die an die Hochschule und ihre Verbundpartner im Projekt flie?en, sollen die Nachwuchswissenschaftler:innen an der Hochschule gef?rdert werden, um somit qualifizierte Kandidat:innen für die HAW-Professur in die Zukunft auszubilden. Unter dem Projektnamen "HE-Personal" strebt die Hochschule daher an, besonders gute Wissenschaftlerinnen und Wissenschaftler mit Praxiserfahrung für die Lehre und Forschung in acht zukunftsorientierten Schwerpunkten zu gewinnen.

Schwerpunkt Autonome Systeme

Autonome Systeme sind ein Anwendungsschwerpunkt der Intelligenten Robotik. Die Anwendung maschinellen Lernens für autonome Systeme ist eines der weltweit aktivsten Forschungsgebiete. Aufgrund der ans?s?sigen Industrie ist dieses Fachgebiet von besonders gro?er, strategischer Bedeutung für die Region Stuttgart. Der Schwerpunkt Autonome Systeme im Rahmen von HE-Personal besch?ftigt sich mit Forschungsfragen im Bereich der künstlichen Intelligenz. Der Fokus liegt hierbei auf der Entwicklung einer Methodik, um den Ressourcenverbrauch im gesamten Entwicklungsprozess von KI-Systemen zu reduzieren und die Nutzung nachhaltiger zu machen (“Green AI”), denn das Training eines einzelnen künstlichen neuronalen Netzes kann aktuell Kosten in Millionenh?he verursachen.

Forschungsthemen erstrecken sich über verschiedene Sub-Themengebiete, wie etwa der Automatisierung der Architektur von KI-Systemen im Hinblick auf Effizienzsteigerung; der Lernf?higkeit von KI-Systemen, vor allem aus kleineren Datenmengen, um den Aufwand in der (manuellen) Datenerhebung zu reduzieren (self-supervised learning, weak supervised learning, few-shot learning, low-resource NLP); sowie der Gewinnung des tieferen Verst?ndnisses von KI-Systemen, um eine gezieltere Optimierung der KI- Architektur zu erm?glichen (explainable AI).

Weitere Informationen: HE-Personal Projektwebseite der Hochschule.

Gef?rdert vom Bundesministerium für Bildung und Forschung und vom Ministerium für Wirtschaft, Arbeit und Tourismus Baden-Württemberg.

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

Mit r?umlich hochaufgel?sten, 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 Windertr?gen an potentiellen 龙8国际赌场_龙8国际_官网n verwendet werden kann. Dadurch er?ffnet sich nun die M?glichkeit, diese Methoden weiterzuentwickeln, um auch Kurzfristvorhersagen im komplexen Gel?nde 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.

Gef?rdert von der Deutschen Bundesstiftung Umwelt (DBU). 

Das Forschungsprojekt soll M?glichkeiten der Verkehrsbeobachtung mit einer neuen Art von LiDAR-Sensoren, sog. FMCW-LiDAR (Frequency Modulated Continuous Wave Light Detection and Ranging) Sensoren, erforschen. Diese zeichnen sich dadurch aus, dass sie im Gegensatz zu herk?mmlichen LiDAR-Sensoren neben Entfernungen auch Radialgeschwindigkeiten messen k?nnen. Schon für herk?mmliche LiDAR-Sensoren sind Verfahren zur Objekterkennung Gegenstand aktueller Forschungsarbeiten im Bereich des maschinellen Lernens und Inhalt vieler aktueller wissenschaftlicher Ver?ffentlichungen. Für FMCW-LiDAR-Sensoren existieren dagegen bisher kaum bekannte L?sungen. Das Forschungsprojekt soll dementsprechend neue Verfahren des maschinellen Lernens für die Objektklassifikation am Beispiel von Verkehrsszenen erforschen und deren Leistungsf?higkeit methodisch bewerten.