Zentrale Forschungsthemen
Das Fraunhofer IIS besitzt Kompetenzen im Bereich Machine Learning, mit seinen Teilgebieten Reinforcement Learning und Deep Learning.
Das über viele Jahre aufgebaute Know-how wird für verschiedene Anwendungsbereiche, wie Sports Analytics, Industrie 4.0 oder für das Tracking genutzt, wodurch wir individuelle Lösungen für den Kunden bereitstellen können.
Machine Learning für Signalverarbeitung
Im Bereich der Signalverarbeitung werden verschiedene algorithmische Techniken zur Filterung, Mustererkennung, Klassifikation und schließlich der weiteren Verarbeitung von Signalen eingesetzt. Das maschinelle Lernen (ML) macht es möglich, aus geeigneten Daten neuartige algorithmische Lösungen zu erzeugen und damit neues Anwendungspotential zu erschließen, wo herkömmliche Lösungen versagen. So setzen wir nicht nur klassische ML-Modelle, wie beispielsweise Support Vector Machines, sondern auch moderne ML-Ansätze wie künstliche neuronale Netze in der Verarbeitung von z.B. Funksignalen für Funkwellen-basierte Ortung und Kommunikation ein.
Ein wichtiger Anwendungsbereich in der Digitalwirtschaft ist die Positionsbestimmung von Funksendern wie Smartphones oder anderen mobilen Geräten mittels bereits vorhandener Funkinfrastruktur. Während klassische Signalverarbeitungsansätze in komplexen Umgebungen, wie zum Beispiel Logistikzentren, versagen, werden am Fraunhofer IIS spezielle Typen von künstlichen neuronalen Netzen eingesetzt, um Funk-basierte Positionierungslösungen auch unter schwierigen Bedingungen zu ermöglichen.
Machine Learning für menschliche Bewegungen
Die menschliche Bewegung ist sowohl hochdynamisch und individuell als auch zeit- und kontextabhängig. Diese Herausforderungen und Abhängigkeiten führen dazu, dass die Bewegung von Menschen nur in sehr begrenztem Umfang formalisiert werden kann und daher nicht vollständig und korrekt beschrieben werden kann.
Im Gegensatz zu bewährten probabilistischen Methoden, die die menschliche Bewegung mit Hilfe empirischer Analysen und Expertenwissen beschreiben, lernen Methoden des maschinellen und tiefen Lernens alle Abhängigkeiten direkt aus der Erfahrung, basierend auf vorhandenen Bewegungsdaten. Diese Daten werden uns immer mehr zur Verfügung gestellt, so dass diese modernen Methoden immer besser lernen, die jeweiligen Datenströme von verschiedenen Sensorsystemen im Laufe der Zeit und abhängig vom aktuellen Kontext auf die richtige menschliche Bewegungsform abzubilden.
Darüber hinaus können unbeaufsichtigte Methoden des tiefen Lernens verwendet werden, um unbekannte Verbindungen zwischen Sensordatenströmen und zugrunde liegenden Bewegungsinformationen im Alltag zu erschließen und so im Laufe der Zeit intelligenter zu werden.
Eine clevere Kombination aus klassischen Methoden und künstlicher Intelligenz (KI), sogenannte Hybride, können etwaige Unsicherheiten der KI überbrücken, so eine nahezu fehlerfreie Vorhersage der aktuellen menschlichen Bewegung gewährleisten und darüber hinaus der zukünftigen Bewegung in Verbindung mit dem Sozialverhalten der Menschen ermöglichen.
Machine Learning für eingebettete Systeme
Im Bereich der Embedded Systems wird klassisches Maschinelles Lernen sowie Deep Learning eingesetzt. Wir nutzen multi-objektive AutoML (Automatisches Maschinelles Lernen), um Zielkonflikte zwischen Modell-Performance und Rechen- oder Speicherkosten zu lösen. Der AutoML Ansatz bedingt auch den nur sehr kurzen Zeitraum, den ein erster Prototyp benötigt. Unsere Auswahlalgorithmen und Verarbeitungsworkflows sind für den Einsatz von Machine Learning Pipelines optimiert, welche speziell für Embedded Systems entwickelt wurden.
Um Deep Learning Modelle gezielt anzuwenden, verwenden wir Methoden wie Deep Compression und Suchalgorithmen für neuronale Architekturen, um kleine, aber leistungsstarke Deep Learning Modelle zu erhalten, wo Standardnetzwerke nicht angewendet werden können.