Projekte

Transportation networks are vital to urban development, supporting economic growth,
social interaction, and environmental management. From an operator’s perspective, developing
mobility services in dynamic urban environments presents significant challenges.
These include managing the complexities of multi-modal traffic flows and balancing the
diverse interests involved in infrastructure development. To address these challenges,
it is crucial to understand how to strategically deploy mobility services that can adapt
to changing conditions and evolving demand. The project’s goal is to develop methods
to design adaptable or evolvable mobility solutions, such as the optimal placement of
charging stations, by using network and multi-objective optimization techniques that can
adapt to varying conditions and future uncertainties. These methods consider multiple
stakeholder needs to ensure that services can robustly evolve in response to changing
demand and infrastructure conditions. Additional consideration is the transferability of
these strategies across diverse urban contexts.

Projekt im Forschungsportal ansehen

Particle-laden flows are encountered in many natural and industrial processes, such as, for instance, the flow of red and white blood cells in plasma, or the fluidization of biomass particles in furnaces. Over the last 40 years, scientists have used Euler-Lagrange (EL) simulations as a way to predict the behavior of such flows. However, EL simulations rely on models to describe the interaction between the fluid and the individually tracked particles. These models require the so-called "undisturbed” fluid velocity at the location of the particle, which is what the velocity of the fluid would have been if the particle had not been there. Current models for this are very rudimentary and precisely calculating the undisturbed fluid velocity is extremely expensive, as it would involve running many additional highly resolved simulations of the same case where one particle is left out.

This is a project to deliver a novel model for the undisturbed fluid velocity at each particle location, given the properties of the flow around the particle and of the surrounding particles, using a supervised learning machine learning approach: genetic programming (GP). GP is highly suitable, as its result will not be a "black-box” model, but a verifiable expression for the undisturbed velocity. This expression will be validated by analytical solutions and highly resolved simulations, and will enable accurate, large-scale simulations of dense particle-laden flows, while only requiring a fraction of the cost of fully resolved simulations.

Projekt im Forschungsportal ansehen

Der Einsatz von Robotersystemen in Produktion und Logistik nimmt stetig zu. Inzwischen sind innerhalb einer Produktion viele verschiedene Robotersysteme im Einsatz. Allerdings arbeiten diese Systeme selten isoliert, sondern müssen sowohl mit Menschen, miteinander und mit anderen großen, ergänzenden Systemen (unter anderem Transportrobotern in Lagerhallen und fliegenden Robotern für Überwachungszwecke) interagieren, um eine effiziente Produktion sicherzustellen. Die Koordination zwischen diesen Systemen stellt jedoch eine enorme Herausforderung dar und ist das Hauptthema unseres Projekts. Unser Ziel besteht darin, neuartige KI-basierte Technologien für die intelligente Produktion der Zukunft zu entwickeln. Dabei liegt der Fokus auf der Weiterentwicklung moderner Schwarmtechnologien für plattformübergreifende Anwendungen insbesondere in den Bereichen Logistik und Produktion. Das Alleinstellungsmerkmal besteht in der Optimierung und Interoperabilität zwischen heterogenen (Schwarm-)Robotikplattformen und -Maschinen von der Planungs- bis zur Operationsebene.

Projekt im Forschungsportal ansehen

In the last decade, many commercial video games have used planners instead of classical Behavior Trees or Finite State Machines to define agent behaviors. Planners allow looking ahead in time and can prevent some problems of purely reactive systems. Furthermore, some of them allow coordination of multiple agents. However, implementing a planner for highly-dynamic environments like video games is a difficult task. This work aims to provide an overview of different elements of planners and the problems that developers might have when dealing with them. We identify the major areas of plan creation and execution, trying to guide developers through the process of implementing a planner and discuss possible solutions for problems that may arise in the following areas: environment, planning domain, goals, agents, actions, plan creation and plan execution processes. Giving insights into multiple commercial games, we show different possibilities of solving such problems and discuss which solutions are better suited under specific circumstances and why some academic approaches find a limited application in the context of commercial titles.

Projekt im Forschungsportal ansehen

Wir werden mit der Johannes Kepler Universität in Linz und dem Deutschen Zentrum für Luft- und Raumfahrt (DLR) in Oberpfaffenhofen zusammenarbeiten. Ziel des Projekts ist der Einsatz von autonomen Drohnenschwärmen für Rettungseinsätze. Dabei können Drohnen das Schwarmverhalten von Vögeln imitieren, um für Rettungszwecke immer eine optimale Sicht zu haben.

Bei der großen Aufmerksamkeit, die Drohnen derzeit zuteil wird, übersieht man leicht das enorme Potenzial, das sie im zivilen Bereich mit sich bringen. Weltweit etablieren sich Drohnengruppen in Blaulichtorganisationen wie Polizei, Feuerwehr und Bergrettung, um diese Technologie zur Rettung von Menschenleben einzusetzen. Such- und Rettungseinsätze profitieren unter anderem vom flexiblen, schnellen und - im Vergleich zu Helikoptern - kostengünstigen und sicheren Einsatz von Drohnen. Auch bei der Inspektion von Katastrophengebieten, der Früherkennung von Waldbränden, der Grenzsicherung oder der Wildtierbeobachtung werden sie eingesetzt. Das Problem bei all diesen Anwendungen ist immer die Verdeckung durch Vegetation, z. B. Wald, die es in der Regel unmöglich macht, Menschen, Tiere oder Fahrzeuge in einzelnen Luftbildern zu finden, zu erkennen und zu verfolgen. Dieses Projekt basiert auf der an der Johannes Kepler Universität entwickelten Bildgebungsmethode "Airborne Optical Sectioning" (AOS) und wird weitere Potenziale der Schwärme untersuchen.
Dieser Text wurde mit DeepL übersetzt

Projekt im Forschungsportal ansehen

This platform is part of the projects funded by the ministry to prepare for the excellence initiative Cognitive Vitality.
The problems in cognitive vitality are so complex, that out-of-the-box Machine Learning (ML) and data science algorithms cannot be applied. Recent advances in data-driven learning, including methodologies of computational intelligence (CI), machine learning (ML) and data science, together with powerful computing resources have opened boundaries to solve real-world problems of complex systems. More than ever, we can unleash the potential of such methodologies for problems in various disciplines which had limited connection to computer science. The main goal of DECODE platform is to promote and disseminate cross-sectional research for Cognitive Vitality.

Projekt im Forschungsportal ansehen

Im Rahmen dieses Projekt wird ein Roboterlabor für zunächst einen Schwarm fliegender Roboter aufgebaut. In der Schwarmrobotik werden mehrere kleine Roboter so programmiert, dass ein globales und vordefiniertes Verhalten entsteht. Solche Robotersysteme kommen schon heute in vielen Gebieten zum Einsatz. So werden im Katastrophenschutz Gruppen von mobilen Robotern zum Auffinden eines gemeinsamen Ziels beispielsweise zu Bergungszwecken oder zur Datensammlung in Katastrophengebieten genutzt. Derartige Anwendungen werden mit zunehmendem Interesse wissenschaftlich untersucht. Die Kontrolle eines solchen Schwarms von Robotern ist allerdings eine große Herausforderung und bietet eine Vielzahl an interessanten Forschungsthemen. Die Validierung der Interaktionen in Roboterschwärmen ist gegenwärtig eine der größten Herausforderung dieses Forschungsgebiets. Die Untersuchungen zeigen, dass die Umgebung und die Technik die Funktionalität der Roboter stark beeinflussen. Daher besteht der Bedarf an Experimenten, um die Methodik unter Echtzeitbedingungen zu untersuchen und weiterzuentwickeln. Damit kann eine Umwelt (Labor) von Sensoren, Robotern und mobilen Endgeräten eingerichtet und die Kommunikation und Vernetzungen untersucht werden, die die Zukunft der Anwendung solcher technischen Systeme im Alltag darstellt und simuliert.

Projekt im Forschungsportal ansehen

Im Projekt SmartProSys geht es um die Entwicklung einer smarten und nachhaltigeren Chemieindustrie durch Kreislaufwirtschaft. Die Idee, die Rohstoffe der Produkte am Ende ihres Lebenszyklus wieder in die Produktion zurückzuführen, ist angesichts des wachsenden Bedarfs an nachhaltigeren Produktionsmethoden und Ressourcennutzung vielversprechend. Im Vergleich zu traditionellen, meist linearen Produktionsprozessen, ergeben sich neue Herausforderungen, die oft ein Kompromiss zwischen den Zielen der Wirtschaftlichkeit und der Nutzung von recycelten Rohstoffen bedeuten. Multikriterielle Optimierungsverfahren eignen sich für solche Probleme, da sie Lösungen finden können, welche mehrere Ziele optimal abwägen. Wir betrachten dabei vor allem die Aspekte der Produktionsplanung und Materialbeschaffung unter den Aspekten der Wirtschaftlichkeit und Nachhaltigkeit. Die größte Herausforderung bei der Optimierung von Lieferketten hin zu zirkulären Produktionsprozessen ist eine große Menge an Parametern, die sich gegenseitig unterschiedlich beeinflussen. Wir entwickeln daher Multikriterielle Verfahren, welche in diesen komplexen Umgebungen sowohl wirtschaftliche Ziele als auch die nachhaltige Nutzung von Ressourcen optimieren.

Projekt im Forschungsportal ansehen

Fluidized beds are the basis for scores of applications in which fast mixing, heat and mass transfer of gas and solid particles are essential. Their performance largely relies on the bubble dynamics: rising bubbles drive the solids circulation and significantly enhance gas-solids contact, improving mixing, reactions, and transport properties. So far, almost all fluidized beds are operated with a uniform gas flow. However, some recent academic work shows that operating a fluidized bed with an alternating gas flow (e.g. sinusoidal gas fluidisation velocity) leads to different bubble patterns and dynamics. In this project, we aim to control the bubbles in a fluidized bed, by application of computational intelligence (CI) methodologies such as evolutionary algorithms and genetic programming. We will use our lab-scale fluidized bed with camera system and our model developments in the Eulerian-Eulerian and Eulerian-Lagrangian frameworks to capture the dynamics of bubbles in the fluidized bed as the fluidizing gas velocity is spatio-temporally varied. Firstly, these results will be used to find the optimal inflow-pattern for given target functions. The challenge for the CI algorithm is to find the right balance between the computationally and timely intensive experimental data and the simulation data to efficiently deliver the required fluidization velocity profile. In addition, we aim to address multiple conflicting target functions using multi-objective optimization algorithms. Secondly, the CI algorithm will be used to steer and control the velocity profile, to obtain a specified bubble size and dynamics. Being able to control the behavior of the bubbles in a fluidized bed will significantly improve the desired outcome, such as product quality, efficiency and selectivity of the process, to name a few.

Projekt im Forschungsportal ansehen

In 6G-ANNA-MOEVE werden wir multi-kriterielle Optimierung und Entscheidungsfindungsalgorithmen sowie Methoden fu¨r verteiltes Lernen entwickeln. Die multi-kriteriellen Optimierungsprobleme haben mehrere Zielfunktionen, die gleichzeitig optimiert werden mu¨ssen. Ein Beispiel fu¨r solche hochkomplexe Probleme ist die Minimierung des Energieverbrauchs im Netz bei gleichzeitiger Sicherstellung von Ende- zu-Ende Performanz (Durchsatz, Latenz und Zuverla¨ssigkeit). Die Lo¨sung solcher Probleme ist eine Menge optimaler Alternativen, auf dieser Entscheidungsgrundlage kann der Anwender gema¨ß seinen Pra¨ferenzen die fu¨r ihn beste Lo¨sung auswa¨hlen. Das gibt dem Anwender ein hohes Maß an Flexibilita¨t in der Entscheidung, was zur Nachhaltigkeit der Lo¨sungen beitra¨gt.
Fu¨r eine Echtzeitoptimierung werden wir digitale Zwillinge (Simulationen) entwickeln. Allerdings spiegeln Simulationen die Realita¨t nicht perfekt wider. Daher sollen hier Methoden entwickelt werden, die eine effiziente Kombination von Offline- (Simulationsbasierte-) und Echtzeitoptimierung bieten. Eine mo¨gliche Lo¨sung fu¨r Echtzeitoptimierung kann durch verteilte Optimierung auf lokaler Ebene stattfinden. Parallelisierung bzw. die dezentrale Ausfu¨hrung von Optimierungsalgorithmen ist ein komplexes Problem und hat viele Herausforderungen, u.a. Konvergenz zu lokalem Optimum und Mobilita¨t der Knoten.
Bei der Entwicklung der Entscheidungsfindungsalgorithmen werden wir den Anwender in den Vordergrund stellen und dabei eine technische Unterstu¨tzung durch KI-Algorithmen anbieten. Ein Ziel des Projekts ist, dass durch die Interaktion zwischen Menschen und Maschine die nicht maschinenlesbaren Pra¨ferenzen der Anwender von Algorithmen verstanden werden, was wir "reverse explainability" von Entscheidungsfindung nennen. Diese findet in "Collaborative Spaces" Anwendung, die sich auf die Mensch-Maschine Interaktion, z.B. die Zusammenarbeit von Robotern und Menschen in der industriellen Produktion, fokussieren.

Projekt im Forschungsportal ansehen

Zentrales Thema dieses Projekts ist die Entwickelung naturinspirierter Optimierungsverfahren, insbesondere für multikriterielle und dynamisch veränderliche Problemstellungen. Wir untersuchen Mechanismen der Schwarmintelligenz und überprüfen sie auf Anwendbarkeit in technischen Systemen und mathematischen Optimierungen. Optimierungsprobleme, bei denen mehrere im Konflikt stehende Kriterien berücksichtigt werden müssen, treten zum Beispiel in vielen Anwendungen von Industrie und Wissenschaft auf. Wir untersuchen Particle Swarm Optimierungsverfahren (PSO) und evolutionäre multikriterielle Algorithmen (EMO), um multikriterielle Probleme zu lösen.

Projekt im Forschungsportal ansehen

Facility layout planning and job-shop scheduling are central optimization problems for the efficiency of modern manufacturing systems. In the context of industry 4.0, these systems are often characterized by conflicting objectives, unstable demand, short product life cycles, and mass customization. Traditional facility layout planning methods are not well suited to such environments, as they ignore the contained dynamic and flexible scheduling problem. As a solution, we develop a novel simulation-based multi-objective optimization methodology that integrates facility layout planning with job-shop scheduling.

Projekt im Forschungsportal ansehen

Dieses PhD-Projekt zielt darauf ab, die Rückverfolgbarkeit in evolutionären Algorithmen zu verstehen. Unser Ziel ist es, eine Methode einzuführen, um den Einfluss der Anfangspopulation eines evolutionären Algorithmus auf die Endpopulation zu verfolgen. Die größte Herausforderung besteht darin, das Erbe von mehreren Operatoren zu verfolgen.
Dieser Text wurde mit DeepL übersetzt

Projekt im Forschungsportal ansehen

Collective decision making has been a longstanding topic of study within swarm intelligence. The aim of this research area is to explain how groups of natural intelligent agents make decisions together, as well as to construct decision-making strategies that enable groups of artificial intelligent agents to come to a decision. The problems being investigated usually require the agents to form a collective decision using only their individual information and local interaction with their peers. There are two categories of problems that are primarily investigated within collective decision making, consensus achievement and task allocation. In the former category, agents need to form a singular opinion, while in the latter category, agents need to be allocated to different tasks.
In our research, we address the problem of collective perception, which is a discrete consensus achievement problem. We develop novel algorithms to deal with this problem

Projekt im Forschungsportal ansehen

We have two projects together with Volkswagen on the methodologies of computational intelligence in engineering and industrial contexts. We work on optimisation methods, evolutionary algorithms and neural networks to deal with various problems in automotive industry.

Projekt im Forschungsportal ansehen

Ziel des Vorhabens MOSAIK ist die Erforschung von Methoden, welche die flexible Zusammenarbeit von Softwarekomponenten erlauben. Die so entstehenden Aggregate sollen vorgegebene Eigenschaften erfüllen bzw. definierte Phänomene erzeugen. Zur Laufzeit sollen sich die Aggregate auf dynamisch veränderliche Umstände anpassen und somit resilient gegenüber Perturbationen sein. Neben der Erforschung der Methodik sind die weiteren Ziele von MOSAIK die Entwicklung einer Laufzeitumgebung als Open Source sowie deren prototypischer Einsatz in der industriellen Praxis.

Projekt im Forschungsportal ansehen

DORIOT: Dynamische Laufzeitumgebung für organisch (dis-)aggregierende IoT-Prozesse:
Das Ziel von DORIOT ist die Nutzung von Organic Computing-Ansätzen zur frühzeitigen Erkennung von Störungen und Ausfällen und zur Ergreifung von Gegenmaßnahmen für die intelligente Vernetzung der SmartX-Knoten im IoT.

Projekt im Forschungsportal ansehen

In this project, we work on methods of Collective Search using Swarm Intelligence in dynamic environments. We have modelled the dynamics using Vector Fields and develop collective search methods which additionally consider these dynamics. As the dynamic are unknown, the challenge concerns the estimation and prediction of the local dynamics and their influence on the energy consumption and the search. We also work on the decision making methods for single individuals using multi-criteria decision making approaches to overcome the negative effects of the dynamics on the movement and the energy consumption.

Projekt im Forschungsportal ansehen

Bei großen Naturkatastrophen oder von Menschen verursachten Katastrophen können unzureichende Entscheidungen über die Versorgung mit Nahrungsmitteln, Wasser, Energie, Unterkünften, medizinischer und psychologischer Betreuung verheerende Auswirkungen haben. Bei solchen Ereignissen werden Entscheidungen über "Leben und Tod" unter Zeitdruck, dynamischen Bedingungen, widersprüchlichen Erwartungen, unvollständigen und unsicheren Informationen, Infrastrukturausfällen und unzureichenden Ressourcen getroffen, um alle dringenden
Bedürfnisse. Moderne Technologien ermöglichen die Entwicklung spezieller KI-gestützter Entscheidungsunterstützungssysteme (DSS) für solche anormalen Bedingungen. Die erforderlichen Entscheidungen beinhalten jedoch häufig widersprüchliche und unvergleichbare Kriterien (z. B. Kosten gegenüber dem Überleben und dem Wohlergehen der Menschen). Dies wirft Fragen hinsichtlich der Rationalisierbarkeit, Subjektivität und ethischen Erwägungen der betreffenden Entscheidungen auf. Darüber hinaus muss der Grad des Vertrauens in die Nutzung solcher KI-basierter Systeme untersucht werden. Um die wichtigsten soziotechnischen Aspekte von "AI to the Rescue" zu erforschen, wird sich dieses Projekt auf erfahrene Entscheidungsträger und Politiker stützen,
sowie Forscher aus den Ingenieur-, Sozial- und Medizinwissenschaften. Die geplante Forschung wird sich auf Entscheidungen über medizinische Notfalleinsätze bei großen Katastrophen konzentrieren. Das Konsortium wird neue Ideen für das erforderliche KI-basierte DSS unter Berücksichtigung der soziotechnischen Aspekte liefern.
Dieser Text wurde mit DeepL übersetzt

Projekt im Forschungsportal ansehen

[In diesem Projekt arbeiten wir an Methoden der kollektiven Suche mit Schwarmintelligenz in dynamischen Umgebungen. Wir haben die Dynamik mit Hilfe von Vektorfeldern modelliert und entwickeln kollektive Suchmethoden, die diese Dynamik zusätzlich berücksichtigen. Da die Dynamik unbekannt ist, besteht die Herausforderung in der Schätzung und Vorhersage der lokalen Dynamik und deren Einfluss auf den Energieverbrauch und die Suche. Wir arbeiten auch an Entscheidungsfindungsmethoden für einzelne Individuen unter Verwendung von multikriteriellen Entscheidungsfindungsansätzen, um die negativen Auswirkungen der Dynamik auf die Bewegung und den Energieverbrauch zu überwinden.
Dieser Text wurde mit DeepL übersetzt

Projekt im Forschungsportal ansehen

In the last decade, many commercial video games have used planners instead of classical Behavior Trees or Finite State Machines to define agent behaviors. Planners allow looking ahead in time and can prevent some problems of purely reactive systems. Furthermore, some of them allow coordination of multiple agents. However, implementing a planner for highly-dynamic environments like video games is a difficult task. This work aims to provide an overview of different elements of planners and the problems that developers might have when dealing with them. We identify the major areas of plan creation and execution, trying to guide developers through the process of implementing a planner and discuss possible solutions for problems that may arise in the following areas: environment, planning domain, goals, agents, actions, plan creation and plan execution processes. Giving insights into multiple commercial games, we show different possibilities of solving such problems and discuss which solutions are better suited under specific circumstances and why some academic approaches find a limited application in the context of commercial titles.

Projekt im Forschungsportal ansehen

Optimization in presence of multiple conflicting criteria is a problem encountered in several practical domains such as engineering design, scheduling, logistics, finance etc. Such problems are called multi-objective optimization problems (MOP), and their optimum comprises not one but a set of best trade-off solutions known as the Pareto optimal front (POF). There are two key pursuits in solving MOP - first is to search for the POF, and second is to effectively choose design(s) from the POF for implementation. Both these aspects are particularly intractable and computationally prohibitive if the number of objectives is more than three. The existing methods to solve MOP are so called decomposition based evolutionary algorithms (DBEA), which try to solve it by evolving a population of solutions along a pre-defined set of reference vectors. However, defining this set of reference vectors is the biggest challenge for contemporary DBEAs. This project aims to resolve this issue by developing means to quantitatively identify solutions of interest during the search and use them to construct guiding reference vectors for the algorithm. This will enable search for high quality solutions with low computational expense, while also aiding decision making. These two aspects will make the algorithm viable for industrial use.

Projekt im Forschungsportal ansehen

Rasante Entwicklungen in der IT-Branche sowie deren vielfältige Auswirkungen auf die menschliche Lebenswelt erfordern zunehmend eine Beschäftigung mit nutzergerechten Gestaltungselementen. Das Zentrum für Chancengleichheit in Wissenschaft und Forschung an der TU Chemnitz hat dieses Thema aufgegriffen und ein Projekt entwickelt, das Informatikforschende für Gender und Diversity sensibilisiert und sie dabei unterstützt, Genderaspekte in den wissenschaftlichen Forschungsprozess zu integrieren und in eigenen Projekten bewusst aufzugreifen und zu reflektieren.
Die Kooperationspartner sind TU Bergakademie Freiberg, TU Ilmenau und OVGU Magdeburg. Die Projektdauer erstreckt sich bis Mai 2018. Das Projekt hat zum Ziel, den intensiven Dialog, die Sensibilisierung von Forschenden sowie eine verbesserte Forschungsvernetzung zwischen den Hochschulen und den Mitarbeitenden zu bewirken, um ihnen die möglichen Potentiale und Chancen der Integration von Genderaspekten in der Informatikforschung aufzuzeigen. 
Zu den Maßnahmen, um die genannte Zielsetzung zu erreichen, gehören die Durchführung einer Auftakt- sowie Abschlusstagung sowie vier thematische Workshops, in denen die Teilnehmenden ausgewählte Inputs zum Projekt erhalten und begleitend dazu fachlich und methodisch weitergebildet werden.

Projekt im Forschungsportal ansehen

In diesem Projekt arbeiten wir an den Computational Intelligence Algorithmen; insbesondere mit evolutionären Algorithmen in Computerspielen. Unseren Schwerpunkt legen wir auf zwei Computerspiele: Multi-Objective Physical Traveling Salesman Problem und auf General Video Games. Wir entwickeln eine Vielzahl evolutionärer Algorithmen, welche in den Computerspielen integriert werden. Des Weiteren wurden Algorithmen entwickelt, um zu lernen und Entscheidungen während des Spiels zu treffen.

Projekt im Forschungsportal ansehen