Autor: Guido Dartmann
Zentrale Forschungsthemen der AG VSKI sind die Erforschung von verteilter Sensor-Signalverarbeitung, Algorithmen der (statistischen) Datenanalyse und verteilter Systeme für die Nutzbarmachung und ressourceneffiziente Verarbeitung der großen Informationsmengen z.B. des Internet of Things (IoT) oder cyber-physischer Systeme (CPS).
Eine aktuelle Herausforderung ist die verteilte und zugleich ressourceneffiziente Umsetzung komplexer CPS-Anwendungen. In diesen CPS müssen Algorithmen der multimodalen Sensor-Signalverarbeitung und des Machine Learning für Sensordatenströme im Edge-Bereich energieeffizient umgesetzt werden. Diese Systeme bestehen aus heterogenen IoT-Endknoten, die hochdimensionale Datensätze generieren und interpretieren müssen. Solche Systeme sind zunehmend dezentral organisiert und verlangen Konzepte für verteilte Algorithmen mit ressourceneffizienter lokaler Signal- und Datenvorverarbeitung (Edge Computing). Zur effizienten Verarbeitung der Datenströme in solchen Systemen erforschen wir verteilte Methoden der Informationsverarbeitung und deren dezentrale Umsetzung in Protokollen, Software und Hardware. Aufgrund der Diversität dieser Anwendungen sind die Forschungsthemen der AG breit und praxisnah aufgestellt. Die Arbeitsgruppe hat Erfahrung in den Bereichen:
Das Team ist interdisziplinär ausgerichtet, bildet eine Brücke zu anderen Arbeitsgruppen und Fachbereichen und ist international gut vernetzt. Die im Team entwickelten und erforschten Technologien haben einen besonderen Bezug zu aktuellen Anwendungsgebieten (Nachhaltigkeit, Ressourceneffizienz, Industrie, Logistik, Wirtschafts-, Gesundheits-, und Naturwissenschaften).
Die breite Ausrichtung ermöglicht die Adressierung vieler Ausschreibungen für hoheitliche Drittmittelprojekte, sowie das Verständnis für die zweite wichtige Aufgabe des Technologietransfers. Die Abbildung zeigt die Struktur der Arbeitsgruppe. Die Forschungsthemen des Teams sollen anwendungsgetrieben sein und Anknüpfungspunkte zu anderen Fachgruppen aufweisen. Insbesondere die Zusammenarbeit in hoheitlichen Verbundprojekten eröffnet es dem Team aus der Industrie entsprechende Praxiserfahrung einzubinden, um relevante Probleme zu lösen. Aus dem Zusammenspiel zwischen Grundlagen und Anwendung werden drei zentrale Forschungsgebiete für die AG definiert, die in der unteren Abbildung dargestellt sind.
Forschungsfeld 1 - Verteilte Systeme:
Leitung des Forschungsbereichs: Lars Creutz
Hier erforschen wir Konzepte der (dezentralen) Umsetzung von CPS. Relevante Forschungsfelder sind Cyber-Physical-Contracts, resiliente EdgeAI-Architekturen und Zero Trust.
Ein wichtiges Ergebnis dieser Forschung ist die Umsetzung energieeffizienter Smart Contract-Systeme für Logistik, Mobilität und IoT. Hierzu entwickelte die Arbeitsgruppe das Konzept der Cypher Social Contracts, welches innerhalb der Open-Source Anwendung Fides (https://gitlab.rlp.net/l.creutz/fides) Verwendung findet und in mehreren Veröffentlichungen der Gesellschaft zur Verfügung gestellt wurde:
Unterstützt wurden und werden die Forschungsarbeiten durch die Drittmittel-Projekte:
Forschungsfeld 2 - Künstliche Intelligenz
Leitung des Forschungsbereichs: Dr. Lejla Begic Fazlic
Dieser Bereich adressiert die algorithmischen Methoden für die dezentrale Weiterverarbeitung von Informationen aus CPS- und IoT-Systemen sowie Algorithmen für Edge Computing. Der Fokus liegt hier in der Erforschung von Methoden der Signal- und Datenverarbeitung, Merkmalsextraktion aus Sensorsignalen, Optimierungsverfahren und statistische Methoden und Algorithmen. Hier entstanden mehrere relevante Forschungsarbeiten:
Unterstützt wurden und werden die Forschungsarbeiten durch die Drittmittel-Projekte:
Forschungsfeld 3 - Engineering
Leitung des Forschungsbereichs: Kristof Ueding
Hier adressieren wir die ressourceneffiziente Umsetzung von CPS und Verfahren der Sensorsignalverarbeitung in Software und Hardware und insbesondere die Entwicklung von Forschungsdemonstratoren. Künftig sollen hier auch Platinen für mögliche Umsetzungen intelligenter IoT-Endknoten mit einer ressourceneffizienten (Sensor-) Datenvorverarbeitung entstehen, die mit intuitiven Entwicklungswerkzeugen ausgestattet sind.
Urschel, B., Begic Fazlic, L., Morgen, M., Machhamer, M., Dartmann, G. and K. -U. Gollmer, "A Machine Learning Approach for Optimal Ventilation based on Data from CO2 Sensors," 2022 Sensor Data Fusion: Trends, Solutions, Applications (SDF), 2022, pp. 1-6, doi: 10.1109/SDF55338.2022.9931945.Unterstützt wurden und werden die Forschungsarbeiten durch die Drittmittel-Projekte:
Sie verlassen die offizielle Website der Hochschule Trier