Forschung

Exzellente und breite
KI-Expertise.

Maschinelles Lernen

(Probabilistisches) Deep Learning

Statistische relationale KI

Computer Vision

Verarbeitung natürlicher Sprache

Robotik

Modelle höherer Erkenntnis

Psychologie der Informationsverarbeitung

Datenbanksysteme

Softwareentwicklung

Verteilte Systeme

Hardware

Bioinformatik

Semantisches Web

Nachhaltigkeit

Medizin

Finanzen


620+ Publikationen

Veröffentlichungen zu künstlicher Intelligenz von unserem Team.


170.000+ Zitationen

Eine wachsende Zahl von Zitationen in anderen Publikationen.


KI-Konferenzen

Programmvorsitzender unter anderem bei ACL, CVPR, UAI, CoRL, ECML PKDD.


Fellows

EurAI, IEEE, ELLIS und andere.


Projekte

hessian.AI initiiert und ist Teil von einigen Projekten, um Spitzenforschung voranzubringen, Interdisziplinarität zu fördern und den Transfer von KI-Forschung in die breite zu transferieren.

HMWK Clustervorhaben

LOEWE Projekte

Eine Auswahl an Projekten, in die hessian.AI involviert ist:


DFG


BMBF


Bund und Land


EU

Graduiertenschule

Mit der sich im Aufbau befindenden hessian.AI-Graduiertenschule verbinden wir das Ziel, den wissenschaftlichen Nachwuchs auf dem Gebiet der Künstlichen Intelligenz bestmöglich zu fördern, optimale Promotionsbedingungen zu gewährleisten und die internationale Strahl- und Anziehungskraft von hessian.AI kontinuierlich stärken.

Dazu hat hessian.AI ein eigenes Betreuungskonzept sowie ein Qualifikationsprogramm aufgelegt. Folgende Aspekte sehen wir in hessian.AI als zentral für die Promotionsphase an:

Connectom Vernetzungsfonds

Der Connectom Vernetzungsfonds bietet Seed-Funding für kollaborative Forschung von hessian.AI- Mitgliedern sowie weiteren Kolleg*innen an sowie zwischen den beteiligten Hochschulen. In einem kompetitiven Verfahren werden zeitlich begrenzte Vorhaben im gesamten Spektrum von Forschung, Lehre, Aufklärung oder Anwendung mit Mitteln i.H.v. von max. 40.000 EUR je Vorhaben gefördert. Der Connectom-Vernetzungsfonds wird einmal jährlich ausgeschrieben. Die Bewertung und Auswahl der zu fördernden Projektskizzen erfolgt durch eine Auswahlkommission, die sich aus Vertreterinnen und Vertretern aller an hessian.AI beteiligten Hochschulen zusammensetzt. Die eingereichten Skizzen werden auf Basis folgender Kriterien bewertet:

Antragsberechtigt sind Mitarbeitende der an hessian.AI beteiligten Hochschulen, die mindestens eine abgeschlossene Promotion nachweisen können. Teil des antragstellenden Konsortiums muss ein Gründungsmitglied von hessian.AI sein. Externe Forscherinnen und Forscher können als Kooperationspartner_innen am Vorhaben beteiligt sein, jedoch keine Fördermittel aus dem Connectom-Vernetzungsfonds erhalten.

Geförderte Projekte der ersten Ausschreibungsrunde (2021):


SpeedTram

Dr. Florian Stock, TUDa, Fachbereich Maschinenbau, Fachgebiet für Fahrzeugtechnik (FZD)
Prof. Dr. Andreas Koch, TUDa, Fachgebiet für Eingebettete Systeme und Anwendungen (ESA)

Im Fokus der Forschungen zu autonomen Fahren stehen bisher ganz klar Autos, nur wenige Projekte haben dagegen andere Verkehrsmittel im Blick. Um dem abzuhelfen, fördert Hessian.AI mit dem Projekt SpeedTram innovative interdisziplinäre Forschung, die sich mit dem autonomen/assistierten Fahren von Straßenbahnen befasst. Das Fachgebiet für Fahrzeugtechnik (FZD) und das Fachgebiet für Eingebettete Systeme und Anwendungen (ESA) der TU Darmstadt untersuchen darin die beschleunigte Ausführung der für die Automatisierung in und von Assistenzsystemen für Straßenbahnen erforderlichen Algorithmen des maschinellen Lernens. Dabei werden reale Daten bearbeitet, die auf einem Versuchsträger des lokalen Nahverkehrsunternehmens HEAG während des Betriebs aufgezeichnet wurden. Die Auswertung dieses wachsenden, mittlerweile mehr als 140 TB umfassenden Datensatzes, war mit den bestehenden Verfahren nicht mehr sinnvoll möglich. Durch die Arbeiten in SpeedTram konnten die beiden zeitaufwändigsten Schritte der Datenanalyse, nämlich die Objekterkennung auf Basis neuronaler Netze sowie die Verarbeitung der LIDAR-Sensordaten, jeweils um die Faktoren drei und 24 beschleunigt werden. SpeedTram leistet einen wichtigen Beitrag, das Innovationspotential der automatisierten Straßenbahnführung zu heben und für künftige Anwendungen nutzbar zu machen.


AI4Bats: Recognizing Bat Species and Bat Behavior in Audio Recordings of Bat Echolocation Calls

Dr. Nicolas Frieß, PU Marburg, FB Geographie, Umweltinformatik
Prof. Dr. Bernd Freisleben, PU Marburg, FB Mathematik & Informatik, Distributed Systems and Intelligent Computing
Prof. Dr. Thomas Nauss, PU Marburg, FB Geographie, Umweltinformatik

Biodiversität ist wichtig für verschiedene Ökosystemleistungen, die die Grundlage des menschlichen Lebens bilden. Der derzeitige Rückgang der biologischen Vielfalt erfordert eine Transformation von der manuellen periodischen Bewertung der biologischen Vielfalt hin zu einer automatisierten Echtzeit-Überwachung. Fledermäuse sind eine der am weitesten verbreiteten terrestrischen Säugetierarten und dienen als wichtige Bioindikatoren für den Zustand von Ökosystemen. Üblicherweise werden Fledermäuse durch Aufzeichnung und Analyse ihrer Echoortungsrufe überwacht. In diesem Projekt, AI4Bats, präsentieren wir einen neuartigen KI-basierten Ansatz zur Detektion von Fledermaus-Echoortungsrufen und zur Erkennung von Fledermausarten sowie zur Erkennung von Fledermausverhalten in Audiospektrogrammen. Er basiert auf einer neuronalen Transformer-Architektur und beruht auf Selbstaufmerksamkeitsmechanismen. Unsere Experimente zeigen, dass unser Ansatz aktuelle Ansätze zur Detektion von Fledermaus-Echoortungsrufen und zur Erkennung von Fledermausarten in mehreren öffentlich verfügbaren Datensätzen übertrifft. Während unser Modell zur Detektion von Fledermaus-Echoortungsrufen eine durchschnittliche Präzision von bis zu 90,2% erreicht, erzielt unser Modell zur Erkennung von Fledermausarten eine Genauigkeit von bis zu 88,7% für 14 in Deutschland vorkommende Fledermausarten, von denen einige selbst für menschliche Experten schwer zu unterscheiden sind. AI4Bats legt den Grundstein für Durchbrüche bei der automatisierten Überwachung von Fledermäusen im Bereich der Biodiversität, deren potenzieller Verlust wahrscheinlich zu den bedeutendsten Herausforderungen gehört, die die Menschheit in naher Zukunft bewältigen muss.


AI@School

Dr. Joachim Bille, TH Mittelhessen, Leiter Abteilung FTN
Prof. Dr. Michael Guckert, TH Mittelhessen, Fachbereich Mathematik, Naturwissenschaften und Datenverarbeitung, FG Wirtschaftsinformatik – Künstliche Intelligenz
Prof. Holger Rohn, TH Mittelhessen, Fachbereich Wirtschaftsingenieurwesen, FG Life Cycle Management & Qualitätsmanagement, Makerspace Friedberg

Ziel des Projekts AI@School war die Entwicklung eines Demonstrators zur anschaulichen Vermittlung von Grundkenntnissen der Künstlichen Intelligenz, der Schülerinnen und Schülern einen möglichst frühen und niedrigschwelligen Zugang zu KI-Themen ermöglichen sollte. Der Demonstrator soll zum einen geeignete Beispiele und Exponate zur anschaulichen Wissensvermittlung beinhalten, zum anderen soll ein interaktiver Einführungskurs zur Wissensvermittlung unter Anwendung der Exponate und Beispiele erarbeitet werden. Aufbauend auf diesen Angeboten soll ebenso eine prototypische Lehreinheit auf Leistungskursniveau entwickelt werden. Die Projektergebnisse sollen dauerhaft Implementierung bei hessian.AI implementiert werden; zudem ist mittel- bis langfristig ein hessenweiter Transfer des Konzepts an passende Institutionen in den anderen Landesteilen geplant.


Robot Learning of Long-Horizon Manipulation bridging Object-centric Representations to Knowledge Graphs

Prof. Dr. Georgia Chalvatzaki, TUDa, FB Informatik, iROSA: Robot Learning of Mobile Manipulation for Intelligent Assistance
Prof. Dr. Iryna Gurevych, TUDa, FB Informatik, Ubiquitous Knowledge Processing Lab

Ziel dieses Projekts war es, die Verbindungen zwischen hochrangigen Befehlen in natürlicher Sprache und Robotermanipulation zu untersuchen. Menschen sind in der Lage, Befehle in natürlicher Sprache effektiv zu abstrahieren und zu zerlegen, z. B. „Mach mir einen Kaffee“, aber eine solche Aktion ist für einen Roboter nicht detailliert genug, um sie auszuführen. Das Problem der Aufgabenausführung in der Robotik wird in der Regel als Aufgaben- und Bewegungsplanungsproblem angegangen, bei dem ein Aufgabenplaner das abstrakte Ziel in eine Reihe von logischen Aktionen zerlegt, die von einem Bewegungsgenerator in tatsächliche Aktionen in der Welt umgesetzt werden müssen. Die Verbindung zwischen abstrakter logischer Handlung und realer Beschreibung (z.B. hinsichtlich der genauen Position von Objekten in der Szene) macht die Aufgaben- und Bewegungsplanung zu einem sehr anspruchsvollen Problem. In diesem Projekt haben wir uns diesem Problem aus drei verschiedenen Richtungen genähert, indem wir Teilprobleme des Themas im Hinblick auf unser letztendliches Ziel, das Erlernen von Manipulationsplänen mit langem Zeithorizont unter Verwendung des gesunden Menschenverstands und von Szenegraphen, untersucht haben:

  1. Die Assoziation der Objektszene mit Robotermanipulationsplänen unter Verwendung von graphischen neuronalen Netzen (GNNs) und RL,
  2. Verwendung von Sprachanweisungen und Bildverarbeitung in Transformatorennetzen zur Ausgabe von Teilzielen für einen Low-Level-Planer, und
  3. Übersetzen menschlicher Anweisungen in Roboterpläne.

Projektergebnisse aus 2. und 3. sollen in naher Zukunft auf einer großen Konferenz zum maschinellen Lernen veröffentlicht werden. Arbeiten aus iii werden im Rahmen einer aktuellen Zusammenarbeit von iROSA und UKP fortgeführt.