Forschungsthema »Digitalisierung und Künstliche Intelligenz«

In lebenswerten und nachhaltigen Städten kommt dem Außenraum eine zunehmende Bedeutung zu. Nicht nur Parkflächen und Alleen sondern auch einzelne Bäume, Dach- und Fassadenbegrünungen beeinflussen das Stadtklima maßgeblich und sind ein wichtiger Faktor klimaneutraler Quartiere. Daher wird die Erkennung und Bewertung hinsichtlich der Naturhaushaltswirksamkeit von ebendiesen Grünflächen erforscht. Außerdem wird die strukturierte Darstellung des Außenraums im BIM Kontext betrachtet. Dadurch kann ein automatisierter Soll-Ist-Abgleich konzeptioniert werden, welcher die Entscheidungsgrundlage für die zukünftige Städteentwicklung darstellt und die zentrale Frage „Wurde umgesetzte, was genehmigt wurde?“ beantwortet.

Projektziele

Anhand von konkreten Fragen zur Grünraumerkennung und Bewertung der Stadt Klagenfurt und der VIE Build GmbH wird zunächst eine dreidimensionale Kennzahl entwickelt, welche die Naturhaushaltswirksamkeit des Grünraums auf Grundstücksebene bewertet. Weiters wird der Einsatz von KI zur Erkennung von Grünraum mit VertreterInnen der Stadt exemplarisch durchgeführt. Dazu wird die Abbildung von Grünraum in BIM erarbeitet. Es wird evaluiert, inwieweit ein Soll-Ist-Abgleich von einer Einreichung und dem realisierten Zustand eines Grundstücks durchgeführt werden kann. 

Projektergebnisse

Das zentrale Ergebnis des Projekts ist die verbesserte Nutzung des Außen- und Grünraums. Dazu werden Hindernissen bei der Erfassung, Bewertung und Dokumentation von städtischen Grünflächen für eine nachhaltigere Städteentwicklung überwunden. Die angestrebten Projektergebnisse eröffnen PlanerInnen und EntscheidungsträgerInnen zukünftig innovative Möglichkeiten für die Grünraumplanung und das Monitoring der Realisierung ebendieser Flächen. Weiters wird die Infrastruktur zur automatisierten Baueinreichung aus dem Vorgängerprojekt „AMAzE – AutoMAtisierte BauEinreichung“ hinsichtlich den Außen- und Grünraum betreffenden Aspekten zur Konformitätskontrolle erweitert. AMAzE 2.0 legt damit den Grundstein für ein effizientes, nachhaltiges und lebenswertes Design einer Smart City.

Ziel des Projekts ist es, ein rechtspezifisches Sprachmodell (Legal LLM) zu entwickeln, das den Zugang zum Recht verbessert und die Effizienz juristischer Arbeitsabläufe steigert. “AmigaAI” soll in der Lage sein, juristische Sprache zu verstehen und im Kontext richtig zu interpretieren. Bestehende KI-Modelle bieten hier noch keine ausreichende Lösung. Sie seien nicht darauf ausgelegt, die feinen Nuancen und den spezifischen Kontext des österreichischen Rechtswesens präzise zu erfassen, so Bernhard Landrichter, Mitgründer und geschäftsführender Gesellschafter des Wiener Start-Ups. Das Projektteam zielt darauf ab diese Lücke zu schließen und ein Modell zu entwickeln, das rechtliche Dokumente analysieren, spezifische Fragen beantworten, und bei der Erstellung von juristischen Texten unterstützen kann.

Projektergebnisse

Neben den Vorteilen für Rechtsprofessionist:innen und Lai:innen, wird das rechstsspezifische KI-Modell einen wesentlichen Beitrag zur Digitalisierung und Modernisierung der österreichischen Rechtsbranche leisten. Somit markiert das Projekt einen wichtigen Schritt in Richtung eines gerechteren, zugänglicheren und effizienteren Rechtssystems in Österreich. Die nächsten unmittelbaren Arbeitsschritte sind nun die Analyse rechtlichen Rahmenbedingungen und die Definition der Anforderungen und Anwendungsfälle des Sprachmodells. Im Sommer 2026 soll die Entwicklung vollständig abgeschlossen sein.

Die übergeordnete Zielsetzung von champI4.0ns ist die (Weiter)entwicklung von Methoden und Werkzeugen, die eine intelligente und souveräne Nutzung von Daten in der Produktion erlauben und die Verdeutlichung der Potenziale der unternehmensübergreifenden Datennutzung in der Produktion mithilfe von Demonstratoren. 

Im Rahmen von champI4.0ns wird die Nutzung von produktionsrelevanten Daten vorangetrieben. Anhand von Beispielen aus der Holzindustrie wird gezeigt, wie eine intelligente und souveräne Nutzung von Daten in einem föderativen Ökosystem gelingen kann. Darüber hinaus werden Methoden und Dienste für die Adressierung zentraler Herausforderungen entwickelt und bereitgestellt. Beabsichtigt sind die Realisierung   und Dokumentation von Demonstratoren, die Weiterentwicklung und Anwendung von Big-Data-Technologien, die Mitgestaltung und Anwendung von Richtlinien und Standards, der Aufbau von Kompetenzen und Kapazitäten und die Förderung des Austausches zwischen Akteuren. champI4.0ns demonstriert den Mehrwert der Nutzung von Daten in den Anwendungsfeldern Traceability, Planung und Steuerung und Qualitätssicherung in der Holz-industrie und darüber hinaus.

Projektziele

Das Serviceangebot des DIH West nutzt ein Pyramidenmodell, das die Awarenessbildung und den niederschwelligen Einstieg in Themen der Digitalisierung um themen- und branchenspezifische Angebote und Vernetzungen ergänzt. Die Basis bilden Informationsangebote für eine große Bandbreite von KMU. Dies beinhaltet online- und Präsenzveranstaltungen, Webauftritt, Präsenz in sozialen Medien, sowie direkte Kontaktaufnahmen und Beratungsgespräche. Kurse der Weiterbildung sollen die Teilnehmer:innen dazu befähigen, das Potential von Methoden und Technologien kennenzulernen, so dass im Unternehmen weitere Schritte gesetzt werden können. Im Bereich Digitale Innovation adressiert der DIH West spezifische Zielgruppen und führt dabei Unternehmen und Expert:innen in Themenbereichen mit hohem Innovationscharakter zusammen.

Die inhaltlichen Schwerpunkte des DIH West bieten technologiebezogene, transformationsbezogene und branchenbezogene Zugänge für KMU. Im Bereich Data Engineering und Machine Learning dienen die Angebote dazu, das Potential von Datennutzung und maschinellem Lernen für das eigene Unternehmen bewerten zu können und Know-How aufzubauen. Die Kurse im Bereich Informationssicherheit schaffen Awareness für notwendige Maßnahmen und erleichtern den Einstieg. Der transformationsorientierte Zugang des DIH West wendet sich an Leitungskräfte von KMU und unterstützt sie dabei, digitale Transformationsvorhaben systematisch und damit risikoarm durchzuführen, unter Verwendung von Methoden aus IT-Management, Entrepreneurship und Software Engineering. Neben den mehrheitlich branchenoffenen Services bietet der DIH West KMU aus Produktion und Bauwirtschaft einen branchenspezifischen Zugang. Damit werden umsatzstarke und innovationskritische Branchen in Westösterreich adressiert. 

Um in Krisenfällen die Versorgung der Bevölkerung mit lebensnotwendigen Gütern als auch Dienstleistungen und der Unternehmen mit notwendigen Vorprodukten (Roh-, Halb- und Fertigfabrikate) langfristig zu gewährleisten, bedarf es bei kritischen Versorgungsengpässen und einem Versagen der üblichen Marktmechanismen eines belastbaren und fälschungssicheren Verteilungssystems. Nach über 50 Jahren soll dieses grundsätzlich noch vorhandene System der Bezugsberechtigungen in Papierform (»Lebensmittelmarken«) durch ein neues digital unterstütztes System ersetzt werden. Die Voraussetzungen für eine spätere mögliche Implementierung dieses Systems zu erörtern und eine Machbarkeit zu untersuchen, sind zentraler Inhalt dieses Projektvorhabens.

Projektziele

Auf Basis von Informations- und Kommunikationstechnologie (IKT) und technologischen Bausteinen wird ein grundlegendes Konzept für Bezugsberechtigungen erarbeitet, das flexibel für verschiedenste Katastrophen- und Krisenszenarien (zB Blackout, Internetausfälle, vernetzte Krisen) einsetzbar ist und im Falle von Mangellagen eine möglichst faire und effiziente Verteilung von Gütern und Dienstleistungen sicherstellen. Aufgrund dessen, dass IKT-Systeme wie Distributions- und Logistiksysteme, Lagerbewirtschaftungen und Verteilungssysteme angebunden werden, muss das Konzept Missbrauchs- und fälschungssicher gestaltet sein, Security-by-Design-Prinzipien folgen und dennoch typische Anwendungsfälle berücksichtigen. Es muss resilient und redundant gestaltet sein und einen temporären Offline-Inselbetrieb ermöglichen.

Im Projektvorhaben werden auch Fragen nach gesellschaftlichen und sozialen Auswirkungen beim Einsatz eines IKT-Konzepts gestellt. Es wird analysiert, wie das mögliche Design einen niederschwelligen Gebrauch durch breite Bevölkerungsschichten unterstützen und Verhaltensweisen von Menschen in unsicheren wirtschaftlichen Mangellagen (zB Schwarzmarktbildung, Tauschwirtschaft) möglichst berücksichtigen kann. Des Weiteren wird erörtert, wie das IKT-Bezugsberechtigungskonzept in die öffentliche Verwaltung eingebettet und sicher betrieben werden kann.
Ein solches IKT-Bezugsberechtigungskonzept bildet einen wesentlichen Baustein in der Modernisierung der wirtschaftlichen Krisenvorsorge unter Berücksichtigung der digitalen Abhängigkeit des gesellschaftlichen Lebens in Österreich und der Sicherheit der Bevölkerung.

Der Rohstoff Holz findet bereits in vielen Produkten Anwendung und hat gegenüber anderen Rohstoffen einige Vorteile:

• Es handelt sich um einen nachwachsenden Rohstoff
• Er ist biologisch abbaubar
• Er ist rein für sich genommen CO₂ neutral
• Er ist leicht zu bearbeiten
• Er ist für eine Vielzahl an Produkten einsetzbar

Es ergibt daher Sinn, die Nutzung und vor allem auch die Verarbeitung dieses Rohstoffs möglichst effizient und ressourcenschonend zu gestalten. In diesem Hinblick kommen Sägewerken und ihren Prozessen ein besonderes Gewicht zu: Als Dreh- und Angelpunkt der Holzverarbeitung haben Optimierungen in dieser Branche große Auswirkungen, nicht nur auf die Sägewerke selbst sondern auch auf die vorgeschaltenen bzw. nachgeschaltenen Produktionspartner. Eine genauere Betrachtung und Verfeinerung der Prozesse im Sägewerk erzeugt somit automatisch einen positiven Pull-Effekt auf die gesamte Holz-Branche.

Integraler Bestandteil der Kernkompetenz von Sägewerken ist das möglichst effiziente Planen und Betreiben ihrer Produktionslinien. Dazu zählen folgende Teilaspekte:

• Auftragsreihung: In welcher Reihenfolge sollen Aufträge abgearbeitet werden, so dass es möglichst kurze Leerlaufzeiten der verwendeten Maschinen gibt?
• Rüst- und Reinigungsintervalle, Effiziente Planung von Umrüstintervallen
• Schichtpläne

Die Planung und Simulation dieser drei, miteinander verwobenen essentiellen Teilaktivitäten eines Sägewerks stellt sich aufgrund mehrerlei Herausforderungen als äußerst komplex dar.

Projektziele

KI-gestützte Systeme können einen großen Beitrag für eine Verbesserung leisten. Es ist bereits etabliert, dass solche Systeme bei komplexen Kombinationen aus Datenquellen und Optimierungsziel die Mitarbeiter*innen und Unternehmen nachhaltig unterstützen können. Durch das Erstellen eines neuen Simulationssystems wird es möglich werden, die Ressourcennutzung (z.B. Zeitaufwand, Energieverbrauch) zu minimieren und die Flexibilität des Gesamtsystems "Sägewerk" im Hinblick auf Auftragsausfälle oder notwendige Auftragsänderungen zu erhöhen. Das übergeordnete Ziel dieses Projekts ist die ganzheitliche Optimierung der holzverarbeitenden Industrie; dabei kommt den Sägewerken eine Schlüsselstellung zu. Sie stehen daher im Fokus dieses Projekts.

Projektergebnisse

Statische Optimierung (Förderfluss-Optimierung der Anlagen) Das erste Ziel ist die Bestimmung der idealen Konfiguration des Förderflusses, d.h. der optimalen Anordnung aus Auslegung der einzelnen Maschinen eines Sägewerks. Diese Optimierung erfolgt während der Planung und Konstruktion eines neuen Sägewerks und vor dem Umbau oder der Erweiterung eines existierenden Sägewerks. Da diese Bau- und Umbaumaßnahmen nur selten vorgenommen werden können, haben sie weitreichende Folgen auf die zukünftige Kapazität eines Sägewerks. Diese statische, nicht zeitkritische Optimierung soll im Rahmen dieses Projekts mathematisch gelöst werden und als Optimierungsmodul realisiert werden. Damit steht diese Optimierung zukünftig allen Sägewerken zur Verfügung und stärkt somit direkt die Industrie vor Ort, verbessert die nachhaltige, optimale Nutzung des Rohstoffs Holz und fördert so den Einsatz von Holz statt anderer, weniger nachhaltiger Stoffe.

Dynamische Optimierung (Auftragssimulator und Schichtplanoptimierung) Nach der Optimierung des Förderflusses ist im Betrieb die Auftragssimulation und Schichtplanerstellung die wesentliche Herausforderung für den optimalen Betrieb eines Sägewerks. Diese Optimierung unterscheidet sich grundlegend von der Förderfluss-Optimierung: sie erfolgt im laufenden Betrieb; sie ist zeitkritisch und erfordert eine Lösung, bevor es zu Leer- und Stillstandszeiten kommt; und sie muss dynamische Nebenbedingungen (Krankenstände der Mitarbeiter*innen, Unterbrechungen im Produktionsablauf, Verzögerungen in der Logistik, etc.) einhalten bzw. berücksichtigen. Diese Unterschiede erfordern auch in der mathematischen Herangehensweise einen anderen Ansatz. Dieser wird im zweiten Projektziel erarbeitet und implementiert; das Ziel dieser Teilfragestellung ist ein funktionsnachweisender Prototyp, der mittels mathematischer Optimierung und künstlicher Intelligenz eine optimale Lösung erstellt.

Das Projekt KRAISBAU hat sich zum Ziel gesetzt Kreislaufwirtschaft in der österreichischen Bauwelt systemisch voranzubringen. Das Konsortium setzt auf das Prinzip „Entwicklung im Schaufenster“: Dazu bauen wir auf das Wissen von relevanten neuesten Projekten auf und stellen dieses aggregiert der Öffentlichkeit zur Verfügung.

Dem integralen Ansatz folgend, welcher für diesen transformativen Prozess unerlässlich ist, binden wir Stakeholder und Expert*innen von Anfang an ein, analysieren gemeinsam Rahmenbedingungen und erarbeiten Empfehlungen zur Adaptierung dieser. Komplettiert wird der Prozess durch den Abgleich mit, aber auch Vorschläge zur Entwicklung passender Förderungs- und Finanzierungsinstrumenten.

Projektergebnisse

Das Projekt orientiert sich am Abfallwirtschaftsgesetz und der strategischen Ausrichtung der Kreislaufwirtschaftsstrategie des Bundes. KRAISBAU setzt gesellschaftliche und technische Innovationen ein für einen essenziellen Beitrag zu einer Kreislaufwirtschaft. Die notwendigen tiefgreifenden strukturellen  Änderungen entlang des gesamten Lebenszyklus von >23 realen Gebäuden in >5 Bundesländern werden mit der Entwicklung von 11 KI-gestützten Technologien unterstützt. Diese umfassen die Analyse von Bestandsgebäuden und die Dokumentation in BIM, automatisiertes Erkennen von Gebäudecharakteristika mittels Satellitenaufnahmen, kreislauffähige Sanierungsvorschläge zur Dekarbonisierung, das Erfassen und den Wiedereinsatz von Bauelementen über Schnittstellen zum Fachhandel, das automatisierte Erkennen von Störstoffen in Bauabfällen und deren Zuordnung zur bestmöglichen Aufbereitung, Vorschläge für präventive Instandhaltungsmaßnahmen, sowie die automatische Nachhaltigkeitsbewertung von Gebäuden.

Zusätzlich soll die Nutzungsphase eines Gebäudes durch Schaffen biologischer Kreisläufe unterstützt, Sekundär-Bauprodukte aus den Bauabfällen generiert sowie das Anwendungsbedürfnis der (Fach-)Öffentlichkeit durch Informationsbereitstellung und auch aktivem Community-Building gestillt werden.

Erst mit all diesen aufeinander abgestimmten Maßnahmen ist eine Transformation hin zur gelebten Kreislaufwirtschaft in der Baubranche möglich. KRAISBAU ist nur der Beginn dazu.

Aktuelle Angebote im öffentlichen Personennahverkehr (ÖPNV) basieren vielerorts auf veralteten Anforderungsanalysen und werden den heutigen Mobilitätsanforderungen nicht gerecht. Dadurch verfügt der ÖPNV – insbesondere abseits von Innenstädten – über eine niedrige Akzeptanz, was sich in einem hohen Aufkommen des motorisierten Individualverkehrs widerspiegelt. Nur wenn der ÖPNV als attraktive Alternative zum eigenen Auto wahrgenommen wird, kann er sich als umweltverträgliches Verkehrssystem der Zukunft etablieren. Um das ÖPNV-Angebot auf die Bedürfnisse der Gesellschaft abstimmen zu können, werden Instrumente zur Erfassung der ÖPNV-Nutzung und allgemeiner Mobilitätsbedarfe benötigt. Zukünftig müssen diese Instrumente in der Lage sein, eine Datenbasis bereitzustellen, die im Hinblick auf Aktualität und Genauigkeit geeignet ist, um den ÖPNV nachhaltig und bedarfsorientiert zu gestalten.

Projektziele

Im österreichischen Mobilitätsmasterplan 2030 wurde zur Erreichung der Klimaneutralität im Verkehr das Leitprinzip „vermeiden, verlagern, verbessern“ formuliert. Ziel von Övvvi ist es, durch die Erfassung, Integration, Analyse und strukturierte Bereitstellung von Mobilitätsdaten einen Beitrag zur Erreichung der hinter dem Leitprinzip stehenden Ziele zu leisten.

Vier konkrete Projektziele werden verfolgt:

1. Entwicklung einer datenschutzkonformen, zuverlässigen und wirtschaftlichen Lösung zur automatischen Erfassung von Fahrgastströmen,
2. Erläuterung von wesentlichen technischen und nichttechnischen Voraussetzungen für einen funktionierenden Mobilitätsdatenraum,
3. Aufzeigen von Lösungen zur datenbasierten Steigerung der Attraktivität und Wirtschaftlichkeit des ÖPNV und
4. Erstellung eines Umsetzungskonzepts, das die Fertigentwicklung und breite Ausrollung der Lösungen und die Integration in einen Mobilitätsdatenraum umfasst.

Projektziele

Das übergeordnete Ziel dieses Projekts ist es, die Zuverlässigkeit von dezentralen Energiesystemen durch den Einsatz von Reinforcement Learning (RL) zu erhöhen, wobei die Ungenauigkeiten des Prognosemodells erkannt und kompensiert werden. Um die Vorteile von MPC (das mit genauen Modellen gute Ergebnisse liefert) und RL (das sich an ungenaue Modelle anpassen kann) auszunutzen, betrachten wir zwei hybride Lösungen. RISE konzentriert sich nicht nur auf die technische Umsetzung, sondern verfolgt einen umfassenden Ansatz, bei dem auch ein Energieanbieter (wüsterstrom), eine Gemeinde (Wieselburg-Land), sowie die Data Intelligence Offensive (DIO), die die Verbindung zum Green Data Hub und zu nationalen Datenräumen herstellt, mitwirken. Die Einbeziehung verschiedener Bedarfsträger gewährleistet eine gut funktionierende Verwertbarkeit der Projektergebnisse.

Für die Firma ZF-TRW in Laage wurde im Rahmen einer Auftragsentwicklung eine Software zur visuellen Endkontrolle in der Serienproduktion von Airbag-Generatoren entwickelt.

In dem dortigen Werk werden täglich etwa 50.000 Airbag-Gas-Generatoren in verschiedenen Varianten produziert. Die ursprüngliche visuelle Endkontrolle im Werk bestand in der Verwendung einfacher Bildverarbeitungs-Verfahren und in einer manuellen Sichtprüfung der Bauteile durch die Mitarbeiter. Aufgrund der hohen Stückzahlen und fertigungsbedingten Materialschwankungen waren die bisherigen Endkontrollen risikobehaftet und führten zu sehr hohen Belastungen der Mitarbeiter.

Die Software ist durch eine spezielle Variante eines Gaussian-Mixture-Modells dazu fähig zu lernen, welche Schwankungen in der Erscheinung eines Produktes normal sind, und kann somit gezielt Abweichungen aufspüren und für eine manuelle Nachprüfung markieren. Da es sich bei Airbag-Gas-Generatoren um ein sicherheitsrelevantes Bauteil handelt, muss die Software besondere Kriterien erfüllen:

• Erkennungsrate: 100 % (kein defektes Bauteil darf das Werk verlassen)
• Pseudofehlerrate: < 0.1 % (Jedes mutmaßlich defekte Bauteil muss zur Nachkontrolle und verlangsamt somit die Produktion)
• Hohe Prüfgeschwindigkeit: aktuell < 200 ms (Aufgrund der hohen Stückzahlen muss die Bewertung in Echtzeit erfolgen)
• Anpassbarkeit auf verschiedene Generator-Varianten (Im Werk in Laage sind etwa 40 Produkt-Varianten im Einsatz)

Im Werk in Laage ist die Software im produktiven Einsatz und befindet sich zurzeit in der Ausrollung auf weitere Standort.

Die Anwender der Software sind zum einen die Werker direkt an der Fertigungslinie, die die Software zur Nachprüfung von möglichen Fehlerteilen nutzen und zum anderen die Qualitätsbeauftragten, die für die visuelle Endkontrolle zuständig sind. Hierfür wurden extra Möglichkeiten geschaffen, damit der Qualitätsbeauftragte selbstständig dazu in der Lage ist, neue Varianten anzulernen und zu verwalten.

Mit der ÖNORM A 6241-2 wurde 2015 die normative Grundlage für den Austausch modellbasierender Daten im Hoch- und Tiefbau geschaffen. Diese Technologie – international einheitlich Building Information Modeling (kurz BIM) genannt – ist ein wesentlicher Baustein für die Digitalisierung der Bauwirtschaft und hat Auswirkung auf alle Beteiligten bei der Initiierung, Planung, Errichtung und des Betriebs von Bauwerken.
Das Projekt "AMAzE - AutoMAtische Einreichung" zielt auf die automatisierte Vorprüfung und die beschleunigte Abwicklung von BIM-basierenden Projekten. Damit wird die technologische Grundlage geschaffen, einer Bauwerberin / einem Bauwerber künftig einen digitalen Verfahrensweg anzubieten.

Projektziele

Ziel des Forschungsprojektes AMAzE ist die Beseitigung technischer Hemmnisse bei der digitalen Baueinreichung und somit eine deutlich verkürzte Bearbeitungsdauer bei der Implementierung in Gemeinden bzw. Behörden.
Das Projekt wird von der FFG gefördert, startete im Oktober 2019 und dauert 30 Monate.

Projektziele

Ziel des DIH West ist es, KMU in Westösterreich bei der digitalen Transformation zu unterstützen und ihr Innovationspotential zu stärken, indem ihnen der institutionalisierte Zugang zum Know-how der Forschungseinrichtungen durch verschiedene Aktivitäten ermöglicht wird. Entsprechend dem Bedarf der KMU in Salzburg, Tirol und Vorarlberg fokussiert sich die inhaltliche Ausrichtung des DIH West auf die Anwendungsgebiete Industrie 4.0, für produzierende Unternehmen, und auf eServices, für Unternehmen aus Tourismus, Gewerbe und Handel. Die Aktivitäten des DIH West konzentrieren sich auf die Information und individuelle Beratung, die Weiterbildung, die thematische Vernetzung von KMU und Forschungseinrichtungen in Arbeitsgruppen und den Transfer von Forschungsergebnissen in standardisierte Angebote wie Leitfäden, Baukastensystemen, usw., begleitet von individuellen Coaching- und Unterstützungsmaßnahmen sowie dem Zugang zu relevanter Infrastruktur der Forschungseinrichtungen. Am DIH West beteiligt sind Standortagenturen, Interessensvertretungen und Forschungseinrichtungen aus Salzburg, Tirol und Vorarlberg, die ihre jeweilige Expertise zur optimalen Unterstützung der KMU einbringen.

Im „European ATM (Air Traffic Management) Master Plan“ sind die Verdoppelung des Flugverkehrs bei einer 40-prozentigen Senkung der operativen Kosten, eine Reduktion des Treibstoffs um bis zu zehn Prozent, die Erhöhung der Sicherheit um den Faktor vier und die Verringerung von Verspätungen um 30 Prozent als Ziele vorgesehen. Diese ökonomischen und ökologischen Optimierungen sollen unter anderem durch den Flug entlang von 4D-Trajektorien (anstatt Flugkorridoren) und weiteren Automatisierung der Flugsicherung erreicht werden.

Diese Maßnahmen werden zu großen Änderungen bei der Steuerung und Abwicklung des europäischen Flugverkehrs und damit bei der Arbeit von Fluglots*innen führen. In einem nahezu vollständig automatisierten Kontrollzentrum der Zukunft werden die heutigen aktiv steuernden Arbeiten durch beobachtende oder kontrollierende Tätigkeiten ersetzt. Moderne multi-modale Schnittstellen, deren visuelle Informationsgestaltung, Ortsgebundenheit, Optionalität und Beständigkeit zukünftige Anforderungen besser abdecken könnten, werden das heutige Radar ersetzen. Derartig massive Änderungen machen die enge Einbindung der Nutzer*innen (Lots*innen) in den Gestaltungs- und Entwicklungsprozess zukünftiger Flugsicherungssysteme notwendig.

Projektziele

Inhalt des Projektes EMMSA ist ein formalisiertes Evaluierungssystem von Schnittstellen in der teil- und vollautomatisierten An- und Abflugkontrolle des Flugverkehrs. Dafür wird die technische und methodische Machbarkeit, praxisgerechte Einsetzbarkeit und wirtschaftliche Verwertbarkeit sondiert. Dazu wird ein Prototyping & Evaluation-Framework (PEF) aufbauend auf bestehendem Wissen und vorhandener Technologie konzeptioniert und spezifiziert. Dieses Framework ermöglicht eine vergleich- und wiederholbare Evaluation von Konzepten neuer Flugsicherungssysteme mit realitätsnahen Flugverkehrsdaten. Zwar sind die dafür notwendigen Einzelkomponenten teilweise bereits vorhanden bzw. erforscht, jedoch gibt es ein derartiges Gesamt-Framework noch nicht am Markt.

Projektergebnisse

Ergebnis der Sondierung ist die Konzeption und technische Spezifikation des Prototyping & Evaluation Framework mit allen notwendigen Schnittstellen, sowie ein White-Paper zur Evaluation von Situationsbewusstsein und Problemerkennung im Kontext der Flugsicherung. Weiters liefert das Projekt eine Abschätzung über das ökonomische Potential eines derartigen Frameworks. Bei erfolgreicher Sondierung ist eine praxisnahe Umsetzung im Rahmen eines nationalen oder internationalen Forschungsprojekts geplant.

Projektziele

Das Ziel von MES.Trix ist es, die Entscheidungsfindung in komplexen Matrix-Produktionssystemen durch die Entwicklung eines Reinforcement Learning basierten Planungs- und Steuerungswerkzeugs für die Matrix-Produktion zu unterstützen, das umfassend in die bestehende Automatisierungspyramide integriert werden kann. Dies wird in zwei Pilotdemonstratoren demonstriert - einer im Bereich der rekonfigurierbaren Robotik und der andere im Bereich der flexiblen modularen Montage.  In beiden Fällen wird der Schwerpunkt von MES.Trix nicht nur auf der technischen Entwicklung der  Reinforcement Learning Algorithmen liegen, sondern auch auf der Integration des Werkzeugs in ein einheitliches System. Dazu müssen Software- und Hardware-Komponenten über geeignete Schnittstellen miteinander verbunden werden, z.B. über OPC UA (OPC Unified Architecture).

Projektergebnisse

MES.Trix wird ein integriertes Planungs- und Steuerungstool für die Matrixproduktion sein, das in zwei Anwendungsfällen eingesetzt wird. Diese Implementierung umfasst die vollständige Verbindung zwischen den Software- und Hardwaresystemen und ermöglicht eine integrierte Optimierung der Prozesse auf allen Planungs- und Steuerungsebenen der Automatisierungspyramide. Die beiden Anwendungsfälle werden sein: 1) ein rekonfigurierbares Robotersystem, bei dem die Entscheidung, wann und wie rekonfiguriert werden soll, mittels RL optimiert wird, und 2) die Rekonfiguration von Montagemodulen (z.B. Werkzeuge und Layout von Arbeitsplätzen) sowie die optimierte Terminierung und Sequenzierung von Aufträgen.

Komplexe Probleme im Zusammenhang mit Industrie 4.0 betreffen häufig Systeme, die aus vielen Einheiten bestehen, die miteinander interagieren und kommunizieren, sich an Veränderungen anpassen, Entscheidungen treffen und versuchen, Aufgaben zu lösen oder eine bestimmte Leistung zu erzielen. Ein spezifisches Anwendungsszenario ist das Scheduling in der Produktion: Eine hohe Mischung aus Produktvielfalt und typischerweise historischem Wachstum der Industrieanlage führt zu einer hohen Komplexität, die wiederrum in herausfordernden Scheduling- (und anderen Optimierungs-) Problemen resultiert.

Ein Ansatz zur Behandlung solch komplexer Systeme ist die Anwendung des Konzepts der Selbstorganisation, bei dem einfache Regeln und lokale Interaktionen zwischen einzelnen Einheiten zur Entstehung einer globalen Systemfunktion und -ordnung führen. Ein anderer Ansatz stammt aus dem Bereich des maschinellen Lernens, wo etwa ein neuronales Netz mit vergangenen/aktuellen Daten trainiert wird, um es an zukünftige Herausforderungen und Gegebenheiten anzupassen. Diese unterschiedlichen Ansätze aus der KI-Domäne, haben sich in bestimmten, aber unterschiedlichen Problembereichen als erfolgreich erwiesen, wobei jeder der Ansätze in Abhängigkeit des Anwendungsszenarios seine Stärken und Schwächen hat. Es stellt sich nun die Frage, ob durch eine Kombination beider Ansätze sich neue Lösungspotentiale ergeben, die über die Leistung der Einzellösungen hinausgeht. Auf diese Fragestellung baut das Projekt ML&Swarms auf und versucht erste Schritte in die Richtung einer Symbiose aus Schwarmalgorithmen und Maschinellem Lernen zu gehen.

Projektziele

Ziel des ML&Swarms-Projekts ist es, die konzeptionell unterschiedlichen KI-Methoden “maschinelles Lernen” (z.B. Lineare Regression, Entscheidungsbäume, Deep Learning, Transformer) und Schwarmintelligenz (z.B. Ameisen-, Bienen-, Fledermaus- oder Schleim-Algorithmen) zu kombinieren. Es sollen Synergien gefunden werden, um bessere Ergebnisse in Bezug auf ein bestimmtes Anwendungsszenario zu erzielen. Ein wichtiges weiteres Ziel ist es auch, ein neues gemeinsames Feld der angewandten Forschung zu starten, welches den Grundstein für eine langfristige Zusammenarbeit zwischen dem Fraunhofer Innovationszentrum KI4Life und den Lakeside Labs in Klagenfurt legt. Um die Synergien und Möglichkeiten dieser KI-Methoden für Anwendungsfälle in der Industrie aufzuzeigen, wurde gemeinsam an einem Portfolio-Solver gearbeitet, der mithilfe einer maschinellen Lernmethode dynamisch den besten Schwarmalgorithmus für eine bestimmte Situation auswählt.

Um diese Ziele zu erreichen wurden folgende Tätigkeiten durchgeführt: - Recherche und Formalisierung der Merkmale, Grenzen, Vor- und Nachteile beider Ansätze - Aufbauend auf die Recherche wurde experimentiert, wie die beiden verschiedenen KI-Methoden in komplementärer Weise kombiniert werden können und miteinander interagieren können - Die Rahmenbedingungen für dieses neue Feld der (angewandten) Forschung wurden identifiziert - Roadmaps für die weitere Entwicklung, einschließlich der Skizze eines Folgeprojekts sowie eines Strategieplans, wurden ausgearbeitet. Durch die Kooperation in diesem innovativen Projekt soll der Wirtschafts- und Forschungsstandort nachhaltig gestärkt werden und in weiterer Folge zu einer erhöhten Wettbewerbsfähigkeit und gesteigerten Wachstum in der Region führen.

Projektergebnisse

Das Ergebnis des Projekts ist neben dem Know-How-Zuwachs und den erstellten Strategie- und Roadmap-Papieren ein Portfolio-Solver (Software Artefakt), welcher durch Anwendung eines maschinellen Lernverfahrens dynamisch den besten Schwarmalgorithmus für ein spezifisches Anwendungsszenario auswählt.

Der gesamte Transportsektor ist seit 2018 für 21 % der globalen CO₂-Emissionen verantwortlich. Mit einem steigenden Anteil an LKW-Leerfahrten in Österreich (von 31 % auf 45 % zwischen 2010 und 2019) bietet die Etablierung einer Sharing Economy in der Logistikbranche ein erhebliches Optimierungs- und Einsparungspotenzial. Aktuell haben Wettbewerber, die Ressourcen über Unternehmensgrenzen hinweg teilen müssen, oft Bedenken hinsichtlich der Vertraulichkeit ihrer Firmendaten. Daher wird im Zuge von MUPOL eine Machbarkeitsanalyse durchgeführt und die Grundlagen für ein Framework geschaffen, das eine sichere Mehrparteien-Optimierung im Logistiksektor ermöglicht; d.h. es wird ein kryptografisch vertrauenswürdiger, neutraler Broker-Algorithmus untersucht. Die Einbeziehung fortschrittlicher, kryptographischer Mechanismen wie Multi-Party-Computation in Verbindung mit verteilten Optimierungsalgorithmen ermöglicht einen Durchbruch zum Nutzen der Gesellschaft als Ganzes: im Wettbewerb befindliche Logistikunternehmen lösen das Logistik- und CO₂-Problem gemeinsam, ohne sich gegenseitig oder einer dritten Partei vertrauen zu müssen.

Projektziele

Das Hauptziel des MUPOL Projekts ist die Analyse unterschiedlicher Ansätze der Multi-Party Optimierung im Logistiksektor. Die Ausgangsbasis bildet dabei eine generische und technologieunabhängige Architektur, wie in Abb. 1 ersichtlich. Unterschiedliche Transportdienstleister besitzen bestimmte Logistikressourcen (z. B. Lastwagen oder Züge) und erhalten eine Vielzahl von Transportaufträgen. Jede dieser Ressourcen und jeder Auftrag ist mit bestimmten Einschränkungen unter anderem hinsichtlich Volumen, Gewicht, Verfügbarkeit, Kosten und Temperatur verbunden.

Ziel ist es, dass die Transportdienstleister ein in MUPOL entwickeltes Protokoll gemeinsam ausführen und so jeder Teilnehmer einen Teil der Transportaufträge zugewiesen bekommt. Diese Zuweisung wird anhand vordefinierter Optimierungskriterien vorgenommen:

• Minimierung von Leerfahrten:  Mit einem steigenden Anteil an LKW-Leerfahrten in Österreich (2010: 31%; 2019: 45%) und unter der konservativen Annahme, dass unser Ansatz eine 10 %ige Minimierung dieser ermöglicht, kann der gesamte LKW-Verkehr um 4,5 % verringert werden.
• Minimierung der Gesamtkosten: Durch die in MUPOL erarbeiteten Security-Konzepte könnten die gesamten Transportkosten minimiert werden ohne firmeninterne Kostenstrukturen an Wettbewerber weiterzugeben. Dadurch kann die Profitabilität von Logistik-Dienstleistern erhöht und die Kundenpreise gesenkt werden.
• Minimierung der CO2 Emissionen: Die Minimierung von Treibhausgasausstößen stellt ein alternatives Optimierungsziel dar, welches einen direkten Beitrag zum European Green Deal liefert. Basierend darauf können Anreize erarbeitet werden, um Logistik Betriebe zu motivieren, ihre Fahrzeugflotten auf umweltfreundlichere Fahrzeuge umzustellen.

Das entwickelte Protokoll soll eine formale Garantie liefern, dass vertraulichen Informationen weder beabsichtigt noch unbeabsichtigt an potenziell kollaborierende Wettbewerber gelangen können. Dadurch soll die Bereitschaft unterschiedlicher Transportunternehmen zur Teilnahme an einer übergreifenden Optimierungslösung deutlich erhöht werden.

Die Digitalisierung von Geschäftsprozessen führt zur Entwicklung und zum Einsatz verschiedener Informationssysteme wie Suchmaschinen, Datenbanken, Wikis oder Dateifreigaben, um das Wissen und die Daten zu sammeln, die zur effizienten Erledigung verschiedener Aufgaben benötigt werden. Diese Systeme speichern jedoch in der Regel Daten in Formaten, die nur von Menschen interpretiert werden können, z. B. Bilder oder Texte. Daher müssen die Benutzer dieser Systeme die abgerufenen Informationen manuell verarbeiten. Wann immer mehrere Systeme zur Lösung eines Problems herangezogen werden müssen, muss ein Benutzer manuell eine fehlende Verbindung herstellen, d. h. Daten aus einem System abfragen und in das Eingabeformat eines anderen umwandeln. Solche Vorgänge können mit modernen Methoden der Künstlichen Intelligenz (KI) automatisiert werden, aber ihre Anwendung in diesen Szenarien ist unmöglich, da ihr Training das Vorhandensein von echten Beispielen voraussetzt. Leider sind letztere aus den oben genannten Gründen nicht verfügbar.

Projektziele

Das ONTIS-Projekt zielt darauf ab, Werkzeuge zu entwickeln, die die Erstellung von Ground-Truth-Daten für das Training von KI-Methoden automatisieren. So werden im wissensbasierten Teil des Ansatzes die Kernbegriffe der Anwendungsdomäne und ihre Beziehungen formal in einer Ontologie beschrieben, die dann über die in Informationssystemen gespeicherten Daten aufgefüllt werden soll. Ziel ist es, eindeutige Zuordnungen von beliebigen Daten in einem Informationssystem zu einem entsprechenden Ontologiekonzept zu definieren und so die fehlenden Trainingsbeispiele zu liefern. Die manuelle Inspektion und Annotation von Ontologiekonzepten in Datenbanken oder Dateifreigaben ist problematisch. Die Anwendung von Methoden des maschinellen Lernens (ML), wie z. B. die Verarbeitung natürlicher Sprache oder die Bildklassifizierung, kann diese Aufgabe erheblich vereinfachen. Die Integration von maschinellem Lernen mit Wissensdatenbanken wird jedoch derzeit von der KI-Gemeinschaft intensiv erforscht. Im Rahmen von ONTIS zielen wir auf die Erforschung und Entwicklung eines Annotationsansatzes ab, der in verschiedenen Domänen, wie z.B. der Medizin oder der Elektrotechnik, angewendet werden kann, indem wir folgende Beiträge leisten:

1. Formalisierung einer Domäne in Form einer Ontologie;
2. Annotation von Bildern unter Verwendung von Ontologiekonzepten und ihre anschließende Speicherung, Abfrage und Visualisierung innerhalb des Ontologieentwicklungsrahmens;
3. Unterstützung während des Annotationsprozesses durch vortrainierte maschinelle Lernmodelle.
   
   

Projektergebnisse

Das Projektergebnis ist ein universell trainierbares, Ontologie-basiertes System für die intelligente Wissensverarbeitung und Strukturierung.  

Projektziele

REINFORCE bewertet das Potenzial von Reinforcement Learning als Lösungsansatz für komplexe Steuerungsprobleme. Der Ansatz wird in zwei komplementären Anwendungsfällen im Bereich intelligenter Fahrzeugsysteme implementiert und evaluiert. Sowohl bei der Steuerung des Antriebsstrangs von Personenkraftwagen als auch beim Steuern von fahrerlosen Transportsystemen, stoßen etablierte Ansätze zunehmend an ihre Grenzen. REINFORCE beschäftigt sich einerseits mit den technischen Aspekten des Reinforcement Learnings, also mit der Entwicklung von Algorithmen, die auf die Herausforderungen realer Szenarien zugeschnitten sind. Andererseits werden auch der Faktor Mensch sowie ökonomische Aspekte miteinbezogen. Besondere Aufmerksamkeit kommt der Erklärbarkeit und Vertrauenswürdigkeit der Ergebnisse, der Übertragung des Gelernten zurück zum Menschen und der Frage, wie die Technologie am besten in bestehende Steuerungsprozesse integriert werden kann zu.

Projektergebnisse

REINFORCE entwickelt auf Reinforcement Learning basierende Ansätze zur Steuerung komplexer Systeme und führt dabei menschliche und technische Elemente symbiotisch zusammen. Mit Fokus auf den Anwendungsbereich intelligente Fahrzeugsysteme werden zwei Pilotimplementierungen realisiert. Neben einer höheren Leistungsfähigkeit des Systems wird eine Reduktion des manuellen Aufwands bei der Steuerung um bis zu 50% erwartet. Die Leistungsfähigkeit des Ansatzes wird mithilfe echter Systemdaten evaluiert und mit etablierten Ansätzen verglichen. Die Erkenntnisse können als Leitlinie dienen und den Transfer von Reinforcement Learning in die Praxis erleichtern – nicht nur im Bereich intelligenter Fahrzeugsysteme, sondern allgemein zur Lösung herausfordernder Planungs- und Steuerungsprobleme.

Die Potenziale und Auswirkungen einer intelligenten (digitalen) Trinkwasserversorgung sind noch weitgehend unerforscht bzw. nur in idealen Testgebieten (z.B. auf Universitätscampus, im Gewerbegebiet) erprobt. Zudem sind Kontrollmöglichkeiten im Trinkwasserversorgungsnetz vorwiegend auf die Hauptpunkte (z.B.: Übergabepunkten zwischen Druckzonen, Behälter Zu- und Ausspeisungen) beschränkt, wodurch eine Früherkennung von möglichen Problemen im Netzwerk nur eingeschränkt und großräumig möglich sind.

Im Projekt "REWADIG" wird erstmalig die urbane Trinkwasserversorgung einer bestehenden Kommune in eine intelligenten Trinkwasserversorgung transformiert. Dadurch können alle Wasserströme im Versorgungsgebiet in Echtzeit gemessen und zur Früherkennung (z.B.: Rohrnetzverluste, Wasserqualität - Verweilzeiten des Trinkwassers in den Leitungen) verwendet werden. Die Realisierung einer smarten Überwachung und Steuerung wird einen deutlichen Qualitätsanstieg und die Erhöhung der Resilienz gegenüber kurz- (Störfälle) und langfristige (Klimawandel) Einwirkungen bewirken. Technologische Ansätze und die Einbeziehung der Bevölkerung in den Betrieb (z.B.: gezielte oder bewusste Wasserverwendung), führen zu einer Reduktion des Wasserbedarfs und schlussendlich zu einer Schonung der Wasserressourcen.

Durch dieses intelligente System können auch kurzfristige Störfälle und Verbrauchsabweichungen (verursacht durch Leckagen, Kontaminationen, terroristische Attacken, Ausgangsbeschränkungen, ...) zeitnah erkannt und entsprechende Maßnahmen rasch umgesetzt werden. Zudem werden mit den Daten umfangreiche Lebenszyklus- und Kostenanalysen durchgeführt, um die ökologischen und ökonomischen Auswirkungen einer intelligenten Wasserversorgung zu bewerten und Empfehlungen für zukünftige Projekte im Bereich einer modernen und zukunftsfähigen Trinkwasserversorgung ableiten zu können.

Projektziele

• Implementierung eines smarten, urbanen Wassersystems im erweiterten Stadtgefüge im realen städtisch geprägten Experimentierraum in Klagenfurt mit Transformation zu einer integrativen Smart City
• Erhöhung der Resilienz des urbanen Wassersystems gegenüber Klimawandel und (gezielten) Störungen: Ressourcenknappheit, Ausfall, Veränderungen; Temperaturänderungen (Klimawandel und die damit einhergehende Veränderung der Trinkwasserqualität durch Erhöhung der Temperatur im Grundwasser, in den Rohrleitungen und im Wasserbehälter); Störfalle, Notfälle, Ausfälle, Attacken, Krisen
• Untersuchung des Ressourcenkonfliktes im urbanen Gefüge (Umsetzungspotential Nature Based Solutions (NBS) und Urban Cooling; Ressourcenkonflikt Trinkwasser durch erforderliche Bewässerung)
• Umsetzung von technischen Maßnahmen zur Erhöhung der Effizienz als Beitrag zur Klimaneutralität: Früherkennung und Reduktion von Rohrnetzverlusten; Optimierung der Lastflussverteilung; Grundlage zur Koordination mit anderen Infrastrukturbereichen für Planung, Bau und Instandhaltung (parallele Leitungsträger, Verkehrssteuerung, Aufgrabungen im öffentlichen Raum)
• Verstärkte Bürger*Innenbeteiligung und Bestimmung der realen Potentiale (Bewusstseinsbildung durch vermehrte Information mit bewusster Verwendung von Kalt- und Warmwasser; Bürger*Innenbeteiligung – offene Wasserpreisgestaltung; Beurteilung über den Einfluss auf Betriebsabläufe)
• Bestimmung des ökologischen, ökonomischen und kommunalen Mehrwerts einer intelligenten (digitalen) Trinkwasserversorgung (inkl. Lebenszyklusanalyse), Ökologische (Umwelt) und ökonomische (Wirtschaftlichkeit) Bewertung; Ressourcenverbrauch ICT-System (Batterie, Material) vs. Mehrwert (Einsparungen, höhere Versorgungssicherheit); Digitalisierung für die Bürger*Innen nutzbar machen und die Vorteile für die Bürger*Innen bestimmen und kommunizieren

Projektergebnisse

Forschungsschwerpunkte vom Arbeitsbereich Umwelttechnik der Universität Innsbruck sind die Analyse und (Echtzeit-)Modellierung von Trinkwassernetzwerken sowie Smart Water Cities (z.B.: Frühwarnsysteme für Wasserverluste). Die Fachgebiete der Fraunhofer Austria Research GmbH sind datengetriebenes Design und künstliche Intelligenz zur Bestimmung von Netzparametern. Im Zuge des Projektes werden diese Forschungsergebnisse in die Praxis übergeführt und an einer realen Kommune erprobt.

Durch das Projekt wird in Klagenfurt ein Experimentierraum für smarte, urbane Wassersysteme geschaffen. Durch die Umsetzung eines Mess- und Steuerungsnetzwerkes werden die aktuellen Systemzustände hochaufgelöst ermittelt. Dadurch kann die Resilienz der bestehenden urbanen Wasserversorgung gegen kurzfriste (Störungen) und langfristige (Klimawandel) Einwirkungen analysiert und durch technische und organisatorische Maßnahmen optimiert werden.

Die Umsetzung eines Mess- und Steuerungsnetzwerkes bedeutet primär Investitionskosten und Ressourceneinsatz. Aufbauend auf den Ergebnissen können die kurz-, mittel- und langfristigen Potentiale einer smarten Wasserinfrastruktur ermittelt und die ökologischen und ökonomischen Auswirkungen auf den kommunalen Mehrwert bewertet werden. Die umgesetzten Maßnahmen und Ansätze werden als open-source und open-access aufbereitet, sodass sie auch von anderen Kommunen einfach angewandt werden können.

Projektziele

SMiLe untersucht unter welchen Voraussetzungen Lösungen, bei denen homomorphe Verschlüsselung zum Einsatz kommt, dazu geeignet sind das Potenzial von sensiblen Daten für maschinelles Lernen nutzbar zu machen. Die Weiter-entwicklung von relevanten Softwarekomponenten steht genauso im Mittelpunkt des Projekts wie das Zugänglichmachen von erforderlichem Know-how. Das Potenzial des Verfahrens für maschinelles Lernen wird anhand von zwei Anwendungsfällen bewertet, die sich mit Mitarbeitersegmentierung bzw. vorausschauender Wartung befassen. Im Rahmen des Projekts werden sowohl technische als auch soziale, rechtliche und wirtschaftliche Fragen behandelt. Lösungsansätze werden nicht nur hinsichtlich ihrer Analysefähigkeiten, Leistung und Skalierbarkeit, sondern auch im Hinblick auf ihre Kosteneffizienz, Transparenz und Benutzerfreundlichkeit bewertet. Die Vor- und Nachteile des maschinellen Lernens auf homomorph verschlüsselten Daten werden mit alternativen Ansätzen verglichen, die auf synthetischen Daten, Transfer Learning, Secure Multi-Party Computation oder Differential Privacy basieren.

Projektergebnisse

SMiLe trägt zur Etablierung eines kooperativ-kreativen Ökosystems bei, in dem verschiedene Akteure vertrauensvoll, symbiotisch und eigenverantwortlich interagieren und bisher nicht vorstellbare Lösungen realisieren, bei denen nicht nur Datenschutz und Sicherheit gewährleistet sind, sondern auch bisher ungenutzte Potenziale von Daten ausgeschöpft werden können. Im Rahmen des Projekts werden bestehende Plattformen erweitert, um Lösungen bereitzustellen, welche die Erstellung und Nutzung von Modellen für maschinelles Lernen unter Verwendung homomorph verschlüsselter Daten ermöglichen. Bestehende Softwarekomponenten werden weiterentwickelt und in prototypische Lösungen integriert, welche die spezifischen Anforderungen der Anwendungsfälle erfüllen. Die Erkenntnisse werden in Form von praktischen Richtlinien dokumentiert. Die Richtlinien sollen potenziellen Anwendern helfen zu beurteilen, ob maschinelles Lernen auf homomorph verschlüsselten Daten zu ihrem Anwendungsszenario passt.

Projektziele

Das Projekt zielt auf die Erforschung von Verfahren für die effiziente Erstellung, Aufbereitung und Auswertung von Unterwasservideos. Der für die Erreichung einer hohen Qualität erforderliche hohe manuelle Aufwand für Vor- und Nachbearbeitung von (ggf. Stereo-)Unterwasser-Filmaufnahmen soll deutlich reduziert werden. Unter spezieller Berücksichtigung der physikalischen Effekte bei Unterwasseraufnahmen gilt es ein Konzept zu erstellen, so dass von der Aufnahme bis zur Präsentation bzw. Auswertung der Daten eine größtmögliche Qualität der Aufnahmen erzielt werden kann.

Das Projekt adressiert dabei die folgenden Teilziele:

• Optimale Erfassung von Stereoaufnahmen unter Wasser (Einzelbilder und Video) mit flexibler Stereobasis (neuartige Unterwasser-Kamera)
• Automatisierte Bildverbesserung der Einzelbilder mit Schwerpunkt auf Farbkorrektur, Rauschminderung und Schärfe (Softwaremodule zur Aufbereitung von Unterwasseraufnahmen)
• Automatisierte Bildverbesserung der Videoaufnahmen mit Schwerpunkt auf Farbkorrektur, Rauschminderung und Schärfe (Softwaremodule zur Aufbereitung von Unterwasseraufnahmen)
• 3D-Rekonstruktion aus UW-Stereobildern/-sequenzen (Softwaremodule zur Auswertung von Unterwasseraufnahmen)

Projektergebnisse

Es werden neue Ansätze für die automatische Bildverbesserung von Unterwasseraufnahmen prototypisch entwickelt und systematisch erprobt. Dazu sollen innovative Verfahren zum Einsatz kommen, welche die Nachbearbeitung von Unterwasser-Aufnahmen effizient und mit optimalen Resultaten möglich machen.

Die automatische Bildverbesserung umfasst eine Kontrast- und Farbverbesserung der Aufnahmen. Durch Kontrastverbesserung sollen die Texturen in den Bildern verbessert dargestellt werden. Bei der Farbverbesserung soll der von der Wassertiefe abhängige Farbverlust unter Wasser korrigiert werden.

Die Farbverbesserung soll durch Informationen aus der 3D-Rekonstruktion unterstützt werden. Dieser modellgestützte Ansatz bildet eine der wesentlichen Innovationen des Projekts. Da die Absorption der verschiedenen Wellenlängen von Licht vom Abstand der aufzunehmenden Objekte zur Kamera und der Lichtquelle abhängig ist, können zusätzliche Informationen über diese Zustände den Verbesserungsprozess unterstützen.

Im Rahmen dieses Projekts soll dazu die von einem Stereo-Kamera-System berechenbare 3D-Stereo-Tiefe ausgenutzt werden. Um diese in metrischen Einheiten ausdrücken zu können, ist eine Kalibrierung des Stereo-Kamera-Systems notwendig. Durch Lichtbrechung sind herkömmliche Verfahren zur Kalibrierung unter Wasser nicht geeignet.

Projektkonsortium: Fraunhofer IGD, PINKAU Interactive Entertainment GmbH

Projektziele

Ziel des Projekts Trustworthy Smart Maintenance (TSM) ist die Erschließung bisher ungenutzter, unternehmensübergreifender Datenpotenziale im Bereich Predictive Maintenance. Anforderungen im Hinblick auf Datenschutz und -sicherheit werden durch den Einsatz von vertraulichkeitsbewahrenden ML-Ansätzen wie ML auf homomorph verschlüsselten Daten, Federated Learning und Differential Privacy erfüllt. Im Hinblick auf die effiziente Umsetzung entsprechender Lösungen sind allerdings noch zahlreiche Fragen offen.

Im Zuge von TSM werden Predictive-Maintenance-Lösungen erstmals mit einer breiten Palette an vertraulichkeitsbewahrenden ML-Ansätzen zusammengeführt. Damit wird der Grundstein für die Implementierung zukünftiger vertrauenswürdiger und unternehmensübergreifender Anwendungsfälle – im Instandhaltungsbereich und darüber hinaus – gelegt.

Bei der Flugverkehrskontrolle handelt es sich um einen komplexen, sicherheitskritischen Arbeitsbereich. Der Markt birgt wenige Innovationen, FluglotsInnen arbeiten schon seit Jahrzehnten mit der gleichen Technologie, welche den Luftraum abstrahiert und zweidimensional visualisiert (RADAR und dessen grafische Benutzeroberflächen). FluglotsInnen sind gezwungen die Situationsübersicht durch die geistige Extraktion der dritten Dimension – also der Flughöhe, die nur anhand von eingeblendetem Text ersichtlich ist – zu erlangen und zu behalten. Erschwerend kommt hinzu, dass die Interpolation der Flugzeugpositionsdaten nur alle 1-4 Sekunden aktualisiert werden. Diese Aufgabe stellt eine sehr hohe kognitive Belastung an die FluglotsInnen dar. Im Rahmen von VAST, das steht für Virtual Airspace and Tower, haben wir die Frage gestellt:

Wie kann mit Hilfe modernster Visual Computing Technologien und Konzepten der Flugverkehr im virtuellen Raum so abgebildet werden, dass die Situationsübersicht besser und einfacher zu erlangen ist?

Projektziele

Das Projektteam überprüfte auch, ob Effizienz (schnellere Entscheidungsfindung) und Sicherheit (Konflikterkennung) durch VAST positiv beeinflusst wird. Nach Interviews mit Stakeholdern und Lotsen wurden zahlreiche Ideen für eine neuartige Darstellung des Luftraumes erstellt. Aus diesen Ideen wurden drei Low-Fidelity Prototypen entwickelt und evaluiert. Aus den Ergebnissen wurde ein High-Fidelity Prototype abgeleitet. Dieser kann den Luftraum in einer bekannten 2D Ansicht darstellen aber zusätzlich kann in eine 3D Ansicht gewechselt werden. Um ein forderndes Szenario abzubilden wurde der Flugraumsimulator NAVSIM (entwickelt von Prof. Carl-Herbert Rokitansky an der Universität Salzburg und in Zusammenarbeit mit der Mobile Communications R&D Forschungs GmbH) mit dem VAST Prototype verbunden. NAVSIM erlaubt eine sprachgesteuerte Interaktion mit den simulierten Flugzeugen.

Der High-Fidelity Prototype wurde von 18 Lotsen aus Österreich und Deutschland sowie von 6 Medienstudenten getestet. Die Evaluierung des High-Fidelity Prototype hat gezeigt, dass die 3D-Darstellung des Luftraumes mindestens gleich oder besser als die bekannte 2D-Darstellung funktioniert. Die Auswertung zeigt Unterschiede in der Meinung über 3D in den Interviews und den Antworten in den Fragebögen und den während der Tests erfassten Daten. Vor allem die Fluglotsen waren zurückhaltend und sehr kritisch gegenüber der 3D-Darstellung, aber die Leistung war in 3D gleich oder besser. Es kann jedoch nicht eindeutig nachgewiesen werden, dass diese Leistung auf die Art und Weise zurückzuführen ist, wie der Flugverkehr visualisiert wird, da es mehrere Einflussfaktoren gibt: (1) Nicht das gleiche Flugdatenverhalten in den Szenarien, (2) die Reihenfolge der Aufgaben blieb für jeden Teilnehmer gleich (Lernfaktor). Um klar zu verifizieren, dass die Leistung der Lotsen auf die Art der Visualisierung zurückzuführen ist, wäre eine weitere Auswertung mit mehr Teilnehmern erforderlich.