ADRIVE-GPT
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 stationären Robotik betrachtet. In ADRIVE-GPT soll untersucht werden, wie multimodale Sensorwahrnehmungen von Kamera- und Lidarsensorik mit natürlicher Sprache kombiniert werden können, um Aktionspläne für ein unfallfreies und menschenähnliches autonomes Fahren zu generieren. Darüber hinaus wird untersucht, ob der Lernprozess durch bereits prozessiertes Wissen über statische und dynamische Objekte unterstützt werden kann.
Projektlaufzeit: | 01/2025 - 06/2029 |
Projektteam (IIS): | |
Projektpartner: | Hochschule München, Mercedes-Benz AG, Spleenlab GmbH |
Weitere Informationen:
ADRIVE-GPT 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): |
Gefördert vom Bundesministerium für Bildung und Forschung
DACHS - Datenanalyse Cluster der HAWen in Baden-Württemberg
Das Datenanalyse Cluster der HAWen in Baden-Württemberg - kurz "DACHS" - versorgt die Hochschulen mit Compute Kapazität 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 können Forschende auf die Tier-3 Cluster in bwHPC, sowie auf die Tier-2 Systeme des KIT und die Tier-1 Systeme des HLRS anknüpfen.
Projektlaufzeit: | 08/2024 - 07/2029 |
Projektteam (IIS): |
Weitere Informationen:
DACHS Wiki
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
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 Gühring, Prof. 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): | |
Projektpartner: | WEPROG GmbH |
Gefördert von der Deutschen Bundesstiftung Umwelt (DBU).
VeMoLis - Verkehrs-Monitoring mit neuartigen LiDAR-Sensoren
Das Forschungsprojekt soll Möglichkeiten 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 herkömmlichen LiDAR-Sensoren neben Entfernungen auch Radialgeschwindigkeiten messen können. Schon für herkömmliche LiDAR-Sensoren sind Verfahren zur Objekterkennung Gegenstand aktueller Forschungsarbeiten im Bereich des maschinellen Lernens und Inhalt vieler aktueller wissenschaftlicher Veröffentlichungen. Für FMCW-LiDAR-Sensoren existieren dagegen bisher kaum bekannte Lösungen. Das Forschungsprojekt soll dementsprechend neue Verfahren des maschinellen Lernens für die Objektklassifikation am Beispiel von Verkehrsszenen erforschen und deren Leistungsfähigkeit methodisch bewerten.
Projektlaufzeit: | 11/2024 - 11/2027 |
Projektteam (IIS): | |
Projektpartner: | Volkmann Straßen- und Verkehrstechnik GmbH |