Forschungsgruppen

Caterina De Bacco

Max Planck Institute for Intelligent Systems

Forschungsschwerpunkt: Verständnis, Optimierung und Vorhersage von Zusammenhängen zwischen den mikroskopischen und makroskopischen Eigenschaften großer, komplexer interagierender Systeme. Die Gruppe nähert sich der Forschung, indem sie anwendungsorientierte Probleme mit Fachexperten aus verschiedenen Disziplinen angeht. Sie entwickelt Modelle und Algorithmen, die auf statistischen physikalischen Prinzipien basieren.

Cyber Valley Research Fund Forschungsprojekte

• Relaxing restrictive interdependence assumptions in networks
Relaxing restrictive interdependence assumptions in networks

Sogenannte Netzwerkmodelle helfen, komplexe Systeme mit vielen einzelnen Elementen zu beschreiben. In verschiedenen Forschungsbereichen, wie z.B. den Sozialwissenschaften, der Biologie und der Informatik, gibt es bereits zahlreiche solcher Netzwerkmodelle. Diese wurden vor allem in den letzten Jahren genutzt, um neue Schlussfolgerungen aus bereits bekannten Daten zu ziehen. Vor allem die Verfügbarkeit großer Datenmengen hat diese Entwicklung befördert.

Ein beliebtes Netzwerkmodell sind generative Modelle. Hierbei werden latenteVariablen eingeführt, welche die wissenschaftlichen Erkenntnisse auf diesem Wissensgebiet (das „Domänenwissen“) integrieren und die komplexen Wechselwirkungen erfassen. Diese Variablen sind aber meist so komplex, dass sie selbst bereits als eigenständige Modelle gelten. Bedingt durch diese Variablen sind die Netzwerkkanten unabhängig und die Verteilung von Wahrscheinlichkeiten innerhalb des Netzwerkes kann zusammengefasst bzw. vereinfacht werden. Nachteil dieser Modelle ist, dass bei einigen Szenarien aus der realen Welt die Interaktionen innerhalb des Netzwerkes nicht gut abgebildet werden. Das bedeutet, dass die mathematische Beschreibung aus dem Modell nicht mit der Realität übereinstimmt. Hauptproblem sind hier die Variablen, welche zu sehr eingeschränkt sind.

Im Vergleich dazu benutzen Netzwerk-Ensemble-Modelle keine solchen einzelnen Variablen, sondern netzwerkspezifische Größen (z.B. Verteilungsgrad oder Clustering-Koeffizient). Doch auch diese Modelle leiden unter verschiedenen Problemen, welche die praktische Anwendung einschränken.

Mit diesem Projekt hier wird Caterina de Baccos Gruppe nun bestimmte Merkmale dieser beiden Modelle, des generativen und des Netzwerk-Ensemble-Modells, mit Methoden aus der statistischen Physik kombinieren, um bessere prinzipienbasierte Modelle zu entwickeln. Darüber hinaus soll deren effiziente Anwendung auf konkrete Problemstellungen (z.B. Wiederholbarkeit oder das gleichzeitige Auftreten verschiedener Beziehungsformen zwischen zwei Knoten) gewährleistet werden.

Wenqi Hu

Max Planck Institute for Intelligent Systems

Forschungsschwerpunkt: Die Gruppe wird sich auf zwei Bereiche konzentrieren. Erstens auf die Herstellung und die Integration von Komponenten, die aus verschiedenen intelligenten Materialien bestehen, zu einem System. Zweitens plant Wenqi Hu, auf der Grundlage dieser neu entwickelten Herstellungsmethoden zu untersuchen, wie man bioinspirierte weiche Miniaturroboter von nur einigen Millimetern bis zu einigen zehn Zentimetern Größe entwerfen kann. Ziel ist es, solch kleine, kabellosen Roboter autonom zu steuern.

Ardian Jusufi

Max Planck Institute for Intelligent Systems

Forschungsschwerpunkte: Neuromechanik der Fortbewegung, Biorobotik, experimentelle Validierung mit physikalischen Modellen, Softrobotik, integrative Systembiomechanik, Systembiophysik und Biomaterialien.

Cyber Valley Research Fund Forschungsprojekte

• Soft-sensing interfaces with multifunctional smart materials
Soft-sensing interfaces with multifunctional smart materials

Die Cyber Valley Forschungsgruppe „Locomotion in Biorobotic and Somatic Systems“ untersucht die Mechanik der Fortbewegung und die zugrunde liegenden morphologischen Anpassungen, wie sie von der Natur im Laufe der Evolution perfektioniert wurden. Die Forscher wenden ihre Erkenntnisse auf die Entwicklung von lebensechten Robotern sowie auf multi-funktionale Materialien an, die denen in der Natur vorkommenden sehr ähnlich sind. Ihre Forschung ist an der Schnittstelle von Ingenieurwesen und Biologie angesiedelt – ein relativ neues und vielversprechendes Gebiet. 

In ihrem aktuellen Projektantrag geht es Dr. Ardian Jusufi und Hritwick Banerjee darum, einen flexiblen, dehnbaren und biokompatiblen externen Sensor aus multifunktionalen intelligenten Materialien zu entwickeln. Dieser könnte eines Tages im Gesundheitswesen eingesetzt werden – bei Menschen und in der nicht-invasiven Veterinärmedizin. Der Sensor würde wie eine zweite Hautschicht an Gewebe anhaften, so dass er, egal wie sich eine Person oder ein Tier bewegt, an Ort und Stelle bleibt. Der Sensor könnte dann die Gesundheit einer Person erkennen, den Blutdruck und andere biometrische Werte erfassen oder messen, ob eine Person einen unregelmäßigen Herzschlag hat, der möglicherweise auf einen Herzinfarkt hindeutet. 

Mögliche Einsatzgebiete gehen jedoch über ein breites Spektrum an biomedizinischen Anwendungen hinaus: Der weiche und flexible Sensor könnte in intelligente Kleidung, tragbare Elektronik, in weiche Roboter oder zur Verbesserung der Mensch-Maschine Interaktion eingebaut werden. So stellen sich die Forscher beispielsweise vor, dass solche Sensoren in selbstfahrende Autos eingebaut werden könnten. Wenn eine Person den Sensor berührt, während sie im Fahrzeug sitzt, könnte der Sensor einen medizinischen Notfall erkennen und ein Signal an den Autopiloten senden, sofort zum nächsten Krankenhaus zu fahren.

Der Weg zur Entwicklung solcher sogenannter Soft-Interfaces ist sehr steinig. Es liegen viele Herausforderungen vor den Wissenschaftlern. Die grundlegenden Eigenschaften eines solchen Sensors müssten zu dem, was es bereits gibt, stark verbessert werden. Es geht darum, die Flexibilität, Empfindlichkeit, Wiederholgenauigkeit, Linearität, oder Haltbarkeit zu erforschen, um nur einige wenige Kriterien zu nennen. 

Fazit: Die Hauptziele des Forschungsprojektantrags der Wissenschaftler sind…

• Herstellung eines druckempfindlichen taktilen Abtastsystems, das dehnungsunabhängig ist und die Schnittstelle zwischen hochdehnbaren und biokompatiblen leitenden Materialien verbessert, die eine ausgezeichnete Haftung bieten.
• Entwickelung einer Sensorhülse mit einer Multistimulierungsfunktion, die in eine einzige Hybridplattform eingebettet ist, die sich aktiv an den Körper anpassen kann, ohne die Wirksamkeit zu beeinträchtigen
• Erforschung innovativer Anwendungen für innovative Soft-Sensoren in der Automobil- und Unterhaltungsindustrie, einschließlich der Integration mit mobilen Soft-Robotern, rehabilitativen Systemen und möglicherweise kollisionssicherer chirurgischer Robotik.

Hyosang Lee

University of Stuttgart

Forschungsschwerpunkt: Lees Forschungsgruppe beschäftigt sich mit intelligenten taktilen Systemen und untersucht die Fühl- und Wahrnehmungsmechanismen biologischer Systeme. Die Forschungsgruppe entwickelt am Institut für Intelligente Sensorik und Theoretische Elektrotechnik (IIS) künstliche taktile Systeme, die dann in kontaktreichen Umgebungen zur Anwendung kommen. Dafür wird die Gruppe interdisziplinärer Forschungsarbeiten sowohl auf Hardware- als auch auf Softwareebene durchführen, einschließlich der Erforschung neuer Materialien, des Entwurfs neuer Sensoren, der multiphysikalischen Simulation, der Herstellung von Sensoren, der Signalverarbeitung und des maschinellen Lernens. Lees Forschung hat das Potenzial, autonome Systeme für kontaktreiche Systeme hervorzubringen. Diese Systeme könnten perspektivisch in der Lage sein, Kontakt als solchen zu erkennen und die Vorteile der Oberfläche ihres Körpers für Manipulation, Bewegungsplanung und nonverbale Kommunikation zu nutzen.

Die Forschungsgruppe um Lee wird durch eine Zuwendung der Christian Bürkert Stiftung ermöglicht.

Falk Lieder

Max Planck Institute for Intelligent Systems

Forschungsschwerpunkte: Revolutionierung von Selbstverwirklichung und persönlicher Entwicklung, Psychotherapie und Psychiatrie, Gehirntraining und Bildung durch die Etablierung einer neuen Wissenschaft zur Verbesserung des menschlichen Geistes und zur Entwicklung innovativer Ansätze und Technologien, die Menschen dazu befähigen effektiver zu werden. Die Forschung konzentriert sich daher auf das Verständnis, die Förderung und die Unterstützung von Lernen, Zielsetzung und Zielerreichung.

Cyber Valley Research Fund Forschungsprojekte

• A scalable machine learning approach to improving human decision making
A scalable machine learning approach to improving human decision making

Mit zunehmender Technologisierung und Automatisierung werden Millionen von Arbeitsplätzen sich dramatisch verändern oder gar ganz wegfallen. Dieses Projekt versucht eine wissenschaftlich fundierte Lösung zu finden um die daraus resultierenden gesellschaftlichen Probleme abzumildern. Intelligente Trainingsprogramme sollen den Arbeitnehmer:innen schnell und kostengünstig die notwendigen Fähigkeiten vermitteln, um in der veränderten Arbeitswelt der Zukunft zurechtzukommen.

Unser allgemeiner und vielseitig verwendbarer Ansatz baut auf Computermodellen des menschlichen Lernens und der Entscheidungsfindung auf. Er nutzt maschinelles Lernen und künstliche Intelligenz, um den betroffenen Arbeitnehmer:innen die Strategien beizubringen, die sie brauchen um den Selbstmanagement-Herausforderungen der sich ändernden Arbeitsbedingungen zu begegnen.

Wir werden diesen Ansatz testen, indem wir eine Reihe von sogenannten „intelligenten Tutoren“ (Computerprogramme) entwickeln, welche optimale Entscheidungsstrategien für immer realistischere Szenarien entdecken und vermitteln. Das Potenzial dieses Ansatzes werden wir veranschaulichen, indem wir einen Tutor entwickeln, der die Zeitmanagement-Fähigkeiten einer bestimmten Berufsgruppe (z.B. Wissenschaftler) in einer simulierten Arbeitsumgebung trainiert. Im Idealfall kann dieser dann weitsichtige Strategien zur Planung von Projekten, zur Priorisierung von Aufgaben und zum effektiven Selbst-Management vermitteln, die im Arbeitsalltag nützlich sind.

• ACTrain: A personalised companion for enhancing executive functions based on adaptive meta-cognitive feedback
ACTrain: A personalised companion for enhancing executive functions based on adaptive meta-cognitive feedback

In unserem digitalen Zeitalter sind Informationen allgegenwärtig und konkurrieren um unsere Aufmerksamkeit. Dabei lenken uns gerade soziale Medien häufig von unseren eigentlichen Aufgaben ab. Dies verhindert, dass sich Schüler*innen und Studierende lange genug konzentrieren können, um effektiv zu lernen. Auch unsere Wirtschaft erfährt durch die sinkende Effektivität und Produktivität enorme finanzielle Verluste. Wie die Forschung zeigt, können wir gezielt trainieren, Ablenkungen zu widerstehen und auf ein bestimmtes Ziel fokussiert zu bleiben. Allerdings verwenden bestehende Trainingsansätze oft künstliche Aufgaben, die sich nicht in den Alltag übertragen lassen.

Um dieses Problem zu lösen, entwickeln Dr. Falk Lieder und Jun.-Prof. Dr. Maria Wirzberger gemeinsam mit ihrem Projektteam die intelligente Computersoftware ACTrain. Diese verwandelt den Alltag in eine optimale Lernumgebung, in der die Nutzenden mit ihren eigenen Zielen trainieren während sie lernen, studieren oder arbeiten. Als persönlicher Assistent soll ACTrain einen Namen und ein individuelles Erscheinungsbild erhalten, um die Motivation der Nutzenden zu steigern. Das Herzstück von ACTrain ist ein intelligentes Feedback, das den Wert vermittelt, konzentriert zu bleiben und nicht abgelenkt zu werden. Dieser Mechanismus basiert auf mathematischen Modellen davon, wie die Fähigkeiten zur Kontrolle der Aufmerksamkeit erlernt werden.

Dieser neuartige Trainingsansatz hat das Potential, die moderne Bildungs- und Arbeitswelt zu revolutionieren und Millionen von Menschen dabei zu unterstützen, ihre Ziele effektiver zu erreichen und damit ihr Leben zu verbessern.

Mijung Park

Max Planck Institute for Intelligent Systems

Forschungsschwerpunkt: Entwicklung von Algorithmen zum Schutz der Privatsphäre, wenn große Datensätze selbst zu statistischen Schlussfolgerungen kommen. Ziel der Gruppe ist es, anspruchsvolle statistische Probleme im Bereich Machine Learning und Datenschutz zu lösen.

Tian Qiu

University of Stuttgart

Forschungsschwerpunkt: Entwicklung neuer Geräte und Mikrosysteme für biomedizinische Anwendungen. Ziel ist es, die Betätigung, Erfassung und Berechnung zu integrieren, um medizinische Verfahren voranzutreiben. Qiu ist daran interessiert, Werkzeuge zu entwickeln, die große Datenmengen sammeln und aus den Daten lernen, um die zugrunde liegenden Prinzipien zu verstehen. Ein Forschungsschwerpunkt liegt auf der Schaffung einer realistischen Test- und Simulationsumgebung für chirurgische Roboter, die auf Rapid Prototyping und Augmented Reality basiert.

Gefördert von der Vector Stiftung.

Cyber Valley Research Fund Forschungsprojekte

• Der cyber-physikalische Zwilling menschlicher Organe
Der cyber-physikalische Zwilling menschlicher Organe

Angehende Piloten trainieren viele hundert Stunden in einem Flugsimulator, bevor sie ein echtes Flugzeug fliegen dürfen. Im Gegensatz dazu haben Chirurgen nur sehr begrenzten Zugang zu Simulatoren; und die, die es gibt, bieten keine ausreichend realistischen Bedingungen. Medizinische Instrumente, die in der Roboter- und minimal-invasiven Chirurgie eingesetzt werden, werden daher oft an einer Traube oder an gepresstem Fleisch aus einer Dose getestet.

Dr. Tian Qiu, Leiter der Cyber Valley-Forschungsgruppe „Biomedizinische Mikrosysteme“, hat sich zum Ziel gesetzt, die Situation zu verbessern. Seine Forschung konzentriert sich darauf, sehr realistische Organ-Attrappen zu entwickeln, die das Training chirurgischer Eingriffe optimieren und quantitativ messbar machen. Die Attrappen sind sehr authentische physische Nachbildungen, haben aber zusätzlich eine Cyber-Komponente. Daher trägt sein Projekttitel den Namen „cyber-physikalischer Zwilling menschlicher Organe“.

Mit Blick auf die Anatomie und die Gewebeeigenschaften realer Organe und menschlicher Körperteile wird jeder 3D-gedruckte Organ-Zwilling aus weichen Materialien hergestellt, die dem echten Organ sehr ähneln. Die Cyber-Komponente wiederum besteht darin, dass das Modell spüren kann, was an ihm gemacht wird, und diese Daten sammelt. Solche Daten wären unmöglich aufzuzeichnen, wenn zum Beispiel ein medizinisches Verfahren an einem echten menschlichen Organ trainiert würde. Mit den Daten, die der cyber-physikalische Zwilling erzeugt, kann das Ergebnis eines chirurgischen Trainings jetzt klar visualisiert werden, was unter realen Bedingungen unmöglich wäre. Die Leistung eines Medizinstudenten bzw. einer Medizinstudentin könnte jetzt automatisch ausgewertet werden; und unmittelbar nach jedem Training könnten sie Feedback bekommen, wodurch die Trainingserfahrung optimiert würde.

Solch intelligente cyber-physikalische Organ-Zwillinge werden eines Tages die chirurgische Ausbildung verändern. Sie könnten das Training am menschlichen Körper immer mehr ersetzen und Tierversuche reduzieren, glauben Tian Qiu und sein Team. Die Organ-Zwillinge bieten nicht nur die Möglichkeit, neue medizinische Instrumente zu entwickeln und zu testen, sondern auch bessere Sicherheitsprodukte wie Helme und Airbags zu entwickeln, wenn zum Beispiel bei Crashtests real nachgebaute Körperteile eingesetzt werden. Lebenswichtige Daten darüber, wie sie bei einem Unfall betroffen sind, können gesammelt und analysiert werden. 

Gabriele Schweikert

University of Tübingen

Forschungsschwerpunkt: Mit maschinellen Lernmethoden wichtige molekulare Prozesse in lebenden Zellen besser verstehen, mit einem besonderen Interesse an epigenetischen Prozessen - z.B. was macht eine Leberzelle aus oder welche Blutzelle, was sie aus, wenn alle Zellen im Körper den gleichen genetischen Code haben? Mit der Entwicklung von maschinellen Lerntechniken für die computergestützte Genidentifikation will Schweikert den Bereich der computergestützten Epigenomik, der für medizinische Anwendungen vielversprechend ist, weiter voranbringen.

Gefördert von der Gips-Schüle Stiftung.

Fabian Sinz

University of Göttingen

Forschungsschwerpunkt: Entwicklung intelligenter Systeme, die in Bezug auf Lernen und Leistung so vielseitig sind wie das Gehirn von Säugetieren. Zu diesem Zweck verwendet die Gruppe große Mengen neurophysiologischer und anatomischer Daten, um die Grundlagen der neuronalen Intelligenz besser zu verstehen und die Kluft zwischen KI-Forschung und Neurowissenschaften zu verringern.

Gefördert von der Carl-Zeiss Stiftung.

Cyber Valley Research Fund Forschungsprojekte

• Mechanisms of representation transfer
Mechanisms of representation transfer

In diesem Projekt untersuchen wir neue Möglichkeiten Eigenschaften des biologischen Sehsystems auf künstliche neuronale Netze zu übertragen, um sie robuster gegen Veränderungen von Bildmerkmale zu machen, die den Bildinhalt nicht verändern – wie z.B. die Veränderung des Bildstils. Derzeit gibt es keinen Lern-Algorithmus, der es schafft robust das Erlernte auf andere nicht-trainierte Bildmerkmale zu übertragen. Selbst bei leichten Veränderungen des Bilds, z.B. durch Hinzufügen von Rauschen oder Veränderungen des Stils, begehen künstliche neuronale Netze schnell Fehler, obwohl unser Wahrnehmungsapparat keine Probleme hat den Inhalt des Bilds zu erkennen. Auch wenn die Meisten von uns unter dem Einfluss einer bestimmten Umwelt mit spezifischen Bildmerkmalen aufwachsen (beispielsweise der Schwäbischen Alb), kann unser Wahrnehmungsapparat das Erlernte problemlos auf ganz andere Umgebungen (beispielsweise der Umweltstatistik in einer Wüste oder die eines Gemäldes) übertragen.

Frühere Arbeiten haben gezeigt, dass künstliche tiefe neuronale Netzwerke ganz andere Bildinformationen (Merkmale) zur Entscheidungsfindung nutzen als unser Sehsystem. Während wir beispielsweise Objekte meist anhand ihrer Form kategorisieren, stützen sich diese Netzwerke hauptsächlich auf lokale Muster in den Bildern. Derzeit ist es noch sehr schwierig, die in unserer menschlichen Wahrnehmung verwendeten Bildmerkmale in künstliche Systeme einzubauen, da wir schlicht noch zu wenig über die genauen Eigenschaften biologischer Systeme wissen.

Aus diesem Grund wollen wir Mechanismen entwickeln, die robuste Merkmale direkt aus Messungen von Gehirnaktivität auf künstliche Systeme übertragen können. Wir werden zunächst unter kontrollierten Bedingungen untersuchen, mit welchen Mechanismen diese Merkmale zwischen den Netzwerken übertragen werden können. In der finalen Phase des Projekts werden wir öffentlich zugängliche Messdaten neuronaler Aktivität des Sehsystems nutzen und testen, welche Eigenschaften der Daten sich auf künstliche Netze mit den von uns entwickelten Methoden übertragen lassen.

Jörg Stückler

Max Planck Institute for Intelligent Systems

Forschungsschwerpunkt: Entwicklung autonomer intelligenter Systeme, die ihre Wahrnehmungs- und Handlungskompetenz durch Interaktion mit der Umwelt erlernen und verbessern können. Ein Schwerpunkt liegt auf lernbasierten Ansätzen zur Bild- und Sensordatenanalyse. Stückler entwickelt Verfahren, mit denen Roboter aus Sensordaten ihre dynamische Umgebung aktiv verstehen und für komplexe Aufgaben wie Objektbehandlung oder autonome Navigation nutzen können. Neben den Bilddaten verwendet er auch andere Sensoren wie taktile Sensoren für den künstlichen Tastsinn beim Greifen oder Trägheitssensoren, die mit dem menschlichen Gleichgewichtssinn vergleichbar sind.

Cyber Valley Research Fund Forschungsprojekte

• Learning of physics-based models for visio-tactile object perception and manipulation
Learning of physics-based models for visio-tactile object perception and manipulation

Heutige autonome Systeme fallen noch immer weit zurück hinter den vielseitigen Fähigkeiten des Menschen Szenen wahrzunehmen und mit Objekten umzugehen. In diesem Projekt werden Jörg Stückler und sein Team untersuchen, wie Roboter selbstüberwacht lernen können, visuelles und taktiles Feedback für die Objektwahrnehmung und -manipulation zu nutzen. Die Forscher werden einen Ansatz entwickeln, der Roboter befähigen soll, ein Modell darüber zu lernen, wie sie mit Objekten interagieren können. Dabei werden die Interaktion und Objekte über taktile sowie visuelle Messungen wahrgenommen. Der Ansatz wird für die Bewegungsplanung eines Roboters in einer Reihe von Objekthandhabungsaufgaben evaluiert.

• Self-supervised learning of mobility affordances for vision-based navigation
Self-supervised learning of mobility affordances for vision-based navigation

Zukünftige mobile Serviceroboter, wie z.B. Lieferroboter oder selbstfahrende Autos, müssen selbständig in ihrer Umgebung lernen können, um sich an Veränderungen anpassen zu können. Dadurch würden sie sich nicht nur effizienter fortbewegen können, sondern Ingenieure würden auch davon befreit werden, Roboter durch manuelle Programmierung auf die jeweilige Umgebung abzustimmen.

In diesem Projekt werden Jörg Stückler und sein Team untersuchen, wie mobile Roboter ihre Fahreigenschaften in ihrer Umgebung selbstüberwacht lernen können. Der Ansatz soll Bewegungsmodelle lernen, die die Auswirkungen von Aktionen von mobilen Robotern in ihrer Umgebung vorhersagen können. Die Forscher werden einen kamerabasierten Navigationsansatz zur Planung von Bewegungen anhand der gelernten Modelle entwickeln. Das Verfahren wird für die autonome Navigation eines mobilen Roboters evaluiert. 

Sebastian Trimpe

RWTH Aachen University

Forschungsschwerpunkt: Entscheidungsfindung, Steuerung und Lernen für autonome intelligente Systeme. Entwicklung grundlegender Methoden und Algorithmen, die es Robotern und anderen intelligenten Systemen ermöglichen, durch Feedback mit ihrer Umgebung zu interagieren, autonom von Daten zu lernen und sich zu kollaborativen Netzwerken zu verbinden. Die Umsetzung mathematischer und theoretischer Erkenntnisse in eine verbesserte Autonomie und Leistung realer physikalischer Systeme ist eine wichtige und treibende Komponente der Arbeit der Gruppe Intelligent Control Systems.

Cyber Valley Research Fund Forschungsprojekte

• MachineData: Machine
MachineData: Machine

Beim maschinellen Lernen geht es um die Daten. Maschinen, denen große Datensätze zugeführt werden, lernen, Regelmäßigkeiten in den Daten selbstständig zu entdecken – so wie das Gehirn aus der immer wiederkehrenden Beobachtung der Umgebung Rückschlüsse zieht. Die Verfügbarkeit großer Datensätze hat bei den jüngsten Durchbrüchen im Bereich des maschinellen Lernens eine wichtige Rolle gespielt. In den letzten Jahren haben Datensätze unter anderem die Sprachverarbeitung, Spracherkennung oder Computer Vision ermöglicht oder verbessert. Einige Forscher argumentieren sogar, dass Daten wichtiger sind als neue Algorithmen. 

Bei Maschinen und Systemen wie autonomen Robotern oder selbstfahrenden Autos ist dies jedoch anders. Im Bereich der physikalischen Systeme haben Datensätze noch nicht zu vergleichbaren Durchbrüchen geführt. 

Sebastian Trimpe und seine Forschungsgruppe Intelligent Control Systems beschäftigen sich mit der Frage, ob reichhaltige und qualitativ hochwertige Datensätze, die auf Maschinen gesammelt werden (z.B. Daten, die auf einem Motor gesammelt werden), für das Lernen im Kontext physischer Maschinen ähnlich nützlich sein können. Das Team wird in Zusammenarbeit mit Cyber Valley Industriepartnern verschiedene Datensätze auf einer Vielzahl von physischen Maschinen sammeln und empirisch untersuchen, ob diese Daten für eine Lernaufgabe auf einer anderen Maschine nützlich sind. 

Darüber hinaus werden konzeptionelle und grundlegende Forschungsfragen gestellt wie: Wann sind die Daten für ein dynamisches Lernproblem ausreichend aussagekräftig? Welche Daten können sinnvoll von einer Maschine auf eine andere übertragen werden? Und wie können vorhandene Datensätze für die Modellierung und Steuerung neuer Maschinen genutzt werden? 

Die entwickelten maschinendynamischen Datensätze und Maßstäbe sowie alle wissenschaftlichen Ergebnisse sollen der Forschungsgemeinschaft zur Verfügung gestellt werden.