LAVIS (Learning and Visual Systems)

AI-Mod

Ziel von AI-Mod ist der Einsatz lernender Verfahren für eine smarte Modellierung von Wertströmen: Mit einer innovativen KI-basierten Lösung sollen Unternehmen Wertströme künftig einfacher simulieren und damit besser gestalten können als heute. Bislang wird allenfalls ein statisches Bild von Wertströmen mit Hilfe von Wertstromdesign und -analyse erhoben, welches eher selten durch eine tiefgreifende Wertstromsimulation ergänzt wird. Das liegt daran, dass die Erstellung eines Wertstrom-Simulationsmodells bislang ein umfassendes Verständnis von Simulationstechnologie erfordert und damit überwiegend Spezialisten vorbehalten ist. In AI-Mod sollen Suchverfahren entwickelt werden, die automatisch statisch modellierte Wertstrom-Graphen interpretieren und im Falle von Modellierungsfehlern in simulationsfähige (d. h. von einer Simulationssoftware fehlerfrei interpretierbare) Wertströme überführen. Um der kombinatorischen Explosion des Lösungsraums zu begegnen, soll die Wertstromkorrektur wie ein Spiel betrachtet werden kann: das Lernverfahren schlägt Züge (= Veränderungen am statisch modellierten Wertstrom) vor. Wenn so ein Wertstrom entsteht, der besser von der Simulationssoftware interpretiert werden kann, gibt es eine positive Rückmeldung, ansonsten eine negative. So lernt der Algorithmus, welche Änderungen an Wertströmen erforderlich sind, um Simulationsfähigkeit zu erreichen. AI-Mod verbindet die Expertise der praxisorientierten Wertstrom-Modellierung der Simplan AG mit den Forschungsarbeiten zu maschinellem Lernen an der Hochschule RheinMain. Als assoziierter Anwendungspartner begleiten die Mercedes-Benz AG und die Siemens Industry Software GmbH das Vorhaben.

Dieses Projekt wird durch das Programm DISTR@L des Landes Hessen gefördert.

AMIGO

Educational video is the key driver to e-learning, as it offers rich context, flexibility, and personalized learning speed. Interaction possibilities, however, are often limited to a sequential viewing. To overcome this limitation, AMIGO's goal is an interaction with videos just like with PDFs: You can search for text in e-lectures, copy text from them, navigate between pages/slides, get links to interesting stuff, etc. Key to that is an automatic indexer for e-lectures that - given a video and presentation slides - automatically localizes each slide in the video, estimating a pixel- and frame-accurate position of each text box.

AMIGO live system (access restricted) | AMIGO paper

ATRIUM

In this R&D project, a new framework will be developed with which the simulation and visualization of various bulk materials can be carried out in real time. In contrast to current simulation methods, a new data-based approach will be used, where the behaviour of the bulk material is predicted with the help of AI instead of being calculated on the basis of physically motivated equations. Using the results from classical calculations, training data is generated and a suitable regression model is developed to train a convolutional neural network to predict the simulation results. This promises a considerable acceleration of the simulation calculation. The saved computing power is then used to achieve a more detailed and realistic visualization or to enable certain simulations even on less powerful devices.

ATRIUM wird durch das Zentrale Innovationsprogramm Mittelstand (ZIM) des Bundesministeriums für Bildung und Forschung (BMBF) gefördert.

DeepCA

Content Analytics is targeted at extracting knowledge from heterogenous data sources, mainly natural language text. Here, recent models based on neural networks (deep learning) open up possibilities for improving search, tagging, categorization, and exploration. DeepCA's mission is to interlink neural models with conventional semantic knowledge modelling using ontologies. A cognitive service for text and knowledge graph analysis will be developed that can easily adapted for the exploration of new domains and leads to innovative solutions for semantic text annotation and search in heterogenous case bases. Through this, DeepCA will form the basis for an end-user centric, efficient knowledge engineering.

DeepCA is conducted in collaboration with the company partners Empolis and SER, and with the German Research Center for Artificial Intelligence (DFKI) and the University of Trier as academic partners. The project is funded by the Federal Ministry of Education and Research.

DeepCA Website

DeepLearningCargo

The DeepLearningCargo project will primarily contribute to basic research in the area of AI generalization and explainability. However, in the orientation of its scientific research design for hypothesis testing, it will take up aspects from the areas of Aviation Next Generation, logistics, mobility and digital transformation. In this respect, the project addresses central topics of the HOLM research agenda.

Dieses Projekt wird im Rahmen des House of Logistics and Mobility (HOLM) / Innovationsförderung des Landes Hessen gefördert.

DeepWeather

Numerische Wettermodelle berechnen den zukünftigen Zustand der Atmosphäre zu bestimmten Zeitpunkten, indem sie den auf Basis von Messungen und Sonden-Aufstiegen ermittelten Ist-Zustand durch Lösen von komplexen, extrem rechenintensiven und nichtlinearen physikalischen Gleichungssystemen für spätere Zeitpunkte prognostizieren. Während großflächige Trends hierbei mittelfristig gut prognostiziert werden können, haben die aktuellen Verfahren noch einige Schwächen für die lokale Wettervorhersage. Zum einen werden die Wetterprognosen nur in sehr groben Rastern von mehreren km berechnet. Zum anderen waren viele Messwerte bisher nicht meter- und minutengenau verfügbar. Hier setzt das vorliegende Projekt mit der Entwicklung einer meter- und minutengenauen Wettervorhersage an. Hierbei werden moderne KI-Verfahren auf Basis von hochaufgelösten lokalen Wetterdaten aus dem Internet-of-Things für die Wettervorhersage entwickelt. Der innovative Lösungsansatz besteht dabei in der dynamischen Interpolation bestehender Wettermodelle mittels Regression durch künstliche neuronale Netze und Verifikation durch die hochaufgelösten lokalen Daten.

DeepWeather wird durch das Zentrale Innovationsprogramm Mittelstand (ZIM) des Bundesministeriums für Bildung und Forschung (BMBF) gefördert.

Demo To Go

Demonstrationen sind wesentliche Elemente für den Technologieaustausch. Dazu sollen zunächst herkömmliche Demozentren eingerichtet werden, in denen ohne großen Vorbereitungsaufwand Gästen der Hochschule Forschungsresultate aus dem Anwendungsbereich Smart Home / Smart Energy / Smart Mobility sowie Technologie- und Dienstleistungsdemos aus dem Forschungsschwerpunkt "Smarte Systeme für Mensch und Technik" demonstriert werden können. In einem zweiten Schritt sollen Demos mit Methoden der Virtuellen Realität realisiert werden, um eine Ortsunabhängigkeit und in Ergänzung zu reinen Videos eine Interaktivität zu erreichen. Damit können diese Demos auf hybriden Plattformen vorgeführt werden, z.B. kann eine Demo, die besonderes Equipment am Hochschulstandort Rüsselsheim benötigt, auch am Standort Wiesbaden gezeigt werden. Andere Orte sind z.B. Messen oder Vorort-Demonstrationen bei Externen. In einem dritten Schritt sollen die Demonstrationen so erweitert werden, dass sie nicht nur von eingewiesenem Hochschulpersonal sondern auch Unternehmen und Konsumenten selber durchgeführt werden können. Methoden der Serious Games sollen genutzt werden, um diesen ein motivierendes und unterhaltsames Demo-Erlebnis zu vermitteln. Die Demonstrationen sollen auch in der Lehre Verwendung finden.

digLL-Innovationsforum VR/AR

Digitale Medien sind ein Fundament der digital gestützten Lehre. Während Bilder, interaktive Fragen oder Videos bereits weit verbreitet sind, besitzen Virtuelle Realität (VR) und Augmentierte Realität (AR) noch neue Potenziale für die Hochschullehre: VR beispielsweise kann Studierenden eine neue Qualität an Erfahrbarkeit und Interaktion ermöglichen, AR kann die Realität nahtlos um zusätzliche Inhalte erweitern. Im Rahmen des beantragten Innovationsforums sollen neue Formen des digital gestützten Lernen und Lehrens mit VR und AR im Kontext der besonderen Anforderungen von Hochschulen konzipiert, untersucht und bewertet werden. Dabei liegt ein besonderes Augenmerk auf die Machbarkeit sowie Übertragbarkeit der gefunden Lösungen über die Grenzen von Hochschulen und Disziplinen hinweg. Im Rahmen von digLL entsteht deshalb unter anderem ein Katalog mit Hochschul-Anwendungen von VR/AR. An der Hochschule RheinMain erweitern wir außerdem unsere Video-Lernplattform AMIGO um die Möglichkeit, Lehrvideos mit dynamischen 3D-Objekten anzureichern.

Das Innovationsforum VR/AR wird in Kooperation mit der Goethe-Universität Frankfurt und der Hochschule Fulda im Rahmen des Projekts "Digital gestütztes Lernen und Lehren in Hessen" (digLL) durchgeführt.

VR-AR-Med2

Virtuelle Realität (VR) und Augmentierte Realität (AR) sind Technologien, die aufgrund ihrer Verfügbarkeit im Massenmarkt in den Blickpunkt zahlreicher Innovationen gelangt sind. Es gilt deren Potenzial für konkrete Anwendungen auszuschöpfen und den Mehrwert ihres Einsatzes hierbei nachzuweisen. Im Projekt wird die konkrete Anwendung der medizinischen Weiter- und Fortbildung (CME – Continuing Medical Education) betrachtet. Hier sehen Unternehmen wie der Antragssteller, die health&media GmbH (HM), hohe Nutzenpotenziale durch den Einsatz von VR/AR, die sich in effizienterem Lernen, höherer Motivation, Vermittlung von Zusatzqualifikationen sowie höherer Attraktivität des Lehrmaterials manifestieren. Die Gruppe LAVIS der Hochschule RheinMain (HSRM) unter Dr. Ralf Dörner bringt hier innovative Ansätze wie das Konzept der VR/AR-Nuggets (ein Pattern-basierter Ansatz, der in kombinierbaren, ständig lauffähigen Anwendungen umgesetzt wird), eine KI-basierte VR/AR-Guidance als auch ein punktuelles Einsatzkonzept von VR/AR im Kurs ein.

Dieses Projekt (HA-Projekt-Nr.:690/19-10) wird im Rahmen der Innovationsförderung Hessen aus Mitteln der LOEWE - Landesökonomischer Exzellenz, Förderlinie 3: KMU-Verbundvorhaben gefördert.

WASABI

WASABI brings together computer vision experts from HSRM with colleagues from the National University University of Sciences and Technology (NUST) in Islamabad / Pakistan. Pakistan ranks third in water scarcity world-wide, and suffers from a lack of proper water resource management. While drying up on the one hand, the country experiences catastrophic floods on the other. Therefore, to better manage water resources so that to enforce an even distribution of water throughout the year, a solution is required to densely supervise the volume of water bodies (including rivers, lakes, and reservoirs) and predict the ratio at which the water resources are varying. To this end, the project WASABI (WAter resource estimation by SAtellite Based Image analysis) aims at laying the foundations for a system that quantitatively monitors Pakistan’s water bodies and helps national authorities with a more proactive water supply management. To do so, the WASABI system will employ remote sensing satellite imagery of Pakistan’s water bodies. This data will be processed with state-of-the-art machine learning / deep learning techniques to estimate the current quantity of water and - based on historic time series of population and seasonal capacity fluctuation - predict the amount of water available in the near future. WASABI‘s core research challenge lies in the fact that labeled data for Pakistani waterbodies is scarce, which is why unsupervised learning and transfer learning from densely labeled regions such as Europe will be explored. The project also features an academic exchange program, with interns from NUST visiting Wiesbaden on an annual basis.