Projekte Forschungsprojekte mit Beteiligung des IIS

DFG Forschungsimpuls - Smart Factory Grids

DFG Forschungsimpuls - Smart Factory Grids (2024-2029)

Im von der Deutschen Forschungsgemeinschaft geförderten 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 Losgrößen 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 äußere Störungen sind. Dies ist mehr als nur Automatisierung; es geht darum, ein intelligentes, reaktionsfähiges und nachhaltiges Fertigungsökosystem zu schaffen.

Projektlaufzeit:  04/2024 - 03/2029
Projektteam (IIS):

Prof. Dr. Markus Enzweiler + Doktoranden

 

Weitere Informationen:
Pressemeldung der Hochschule Esslingen
Smart Factory Grids Webpage

 


AnoMoB

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.

Projektlaufzeit: 12/2022 - 12/2025
Projektteam (IIS):

Prof. Dr. Gabriele Gühring

 

Gefördert vom Bundesministerium für Bildung und Forschung


HE-Personal

Übersicht (2021-2027)

Bund und Länder fördern 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 gehört zu den 13 baden-württembergischen Hochschulen, die in der ersten Förderrunde einen positiven Bescheid erhalten haben. Mit insgesamt mehr als sechs Millionen Euro, die an die Hochschule und ihre Verbundpartner im Projekt fließen, sollen die Nachwuchswissenschaftler:innen an der Hochschule gefördert 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 ansäs­sigen Industrie ist dieses Fachgebiet von besonders großer, strategischer Bedeutung für die Region Stuttgart. Der Schwerpunkt Autonome Systeme im Rahmen von HE-Personal beschäftigt 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 Millionenhöhe verursachen.

Forschungsthemen erstrecken sich über verschiedene Sub-Themengebiete, wie etwa der Automatisierung der Architektur von KI-Systemen im Hinblick auf Effizienzsteigerung; der Lernfähigkeit 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 Verständnisses von KI-Systemen, um eine gezieltere Optimierung der KI- Architektur zu ermöglichen (explainable AI).

Projektlaufzeit: 07/2021 - 03/2027
Projektteam (IIS):

Sophie Böttcher, Prof. Dr. Alexander Brandt, Prof. Dr. Gabriele GühringProf. Dr. Markus Enzweiler

Projektpartner: Universität Tübingen, Robert Bosch GmbH

 

Weitere Informationen: HE-Personal Projektwebseite der Hochschule.

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

 


Windenergie-Kurzfristprognose

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 Standorten 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.

Projektlaufzeit: 09/2022 - 09/2025
Projektteam (IIS):

Götz Grimmer, Prof. Dr. Steffen Schober

Projektpartner: WEPROG GmbH

 

Gefördert von der Deutschen Bundesstiftung Umwelt (DBU)


Mobile Robotik

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. 

Projektlaufzeit: Seit 12/2022
Projektteam (IIS):

Fabian Schmidt, Constantin Blessing, Joshua Uhl, Maxim Becht, Tobias Mitterfellner, Prof. Dr. Markus Enzweiler


AMEISE

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.

Projektlaufzeit: 09/2023 - 10/2024
Projektteam (IIS): Marcel Voßhans, Alexander Baumann, Götz Grimmer, Prof. Dr. Steffen Schober, Prof. Dr. Clemens Klöck, Prof. Dr. Ralf Wörner
Projektpartner:  Siehe AMEISE Webseite

 

Weitere Informationen: AMEISE Webseite


HQ-Forecast

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.

Projektlaufzeit: 08/2022 - 07/2024
Projektteam (IIS):

Prof. Dr. Steffen Schober

Projektpartner: Feinwerktechnik Otto Harrandt GmbH
PlastSolutions GmbH

 

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


it:movES

Autonome Modellfahrzeuge

Im Projekt it:movES entwickeln Studierende 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 Studierenden 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 Studierenden unterschiedlicher Fachrichtungen die Möglichkeit bietet, gemeinsam an interessanten Fragestellungen der autonomen Mobilität zu arbeiten.

Weitere Informationen: 


Cobot

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.

Projektlaufzeit: 12/2020 - 12/2023
Projektteam (IIS): Dimitrios Lagamtzis, Fabian SchmidtProf. Dr. Steffen Schober, Prof. Dr. Thao Dang
Projektpartner: Festo SE & Co. KG

 

Publikationen

D. Lagamtzis, F. Schmidt, J. R. Seyler, T. Dang, and S. Schober. Exploiting Spatio-temporal Human-object Relations Using Graph Neural Networks for Human Action Recognition and 3D Motion Forecasting. International Conference on Intelligent Robots and Systems (IROS), 2023. https://doi.org/10.1109/IROS55552.2023.10342491

D. Lagamtzis, F. Schmidt, J. R. Seyler, T. Dang, and S. Schober. Graph Neural Networks for Joint Action Recognition, Prediction, and Motion Forecasting for Industrial Human-Robot Collaboration. International Symposium on Robotics (ISR), 2023. https://www.vde-verlag.de/proceedings-en/456140005.html

D. Lagamtzis, F. Schmidt, J. R. Seyler, and T. Dang. CoAx: Collaborative Action Dataset for Human Motion Forecasting in an Industrial Workspace. Proceedings of the 14th International Conference on Agents and Artificial Intelligence - Volume 3: ICAART, pp. 98-105, 2022. https://doi.org/10.5220/0010775600003116.

apply

Interesse geweckt? Bewirb dich! für das Sommersemester 2025

Ihre persönliche AnsprechpersonMelden Sie sich bei

Foto Gabriele Gühring

Prof. Dr. rer. nat. Gabriele Gühring

Montag 11:15 Uhr - 12:15 Uhr

in meinem persönlichen Webex Raum

https://hs-esslingen.webex.com/meet/gabriele.guehring

oder in meinem Büro F02.210

Tel: +49 711 397-4376
E-Mail: Gabriele.Guehring@hs-esslingen.de
Nachricht senden