38. Tag der Niedersachsen

Wir wünschen uns vermutlich alle mitunter für zu Hause einen Roboter, der aufräumt oder den Müll rausbringt. Dafür braucht er aber erst einmal eine Vorstellung, wo er ist, was um ihn herum geschieht und was es bedeutet, da zu sein wo er ist. Was für uns Menschen selbstverständlich ist, muss dem Roboter erst einmal beigebracht werden. Und zwar so, dass wir weiterhin verstehen, warum er tut was er tut. Das schafft nicht nur Vertrauen, sondern ermöglicht es im Zweifel, sein Verhalten zu korrigieren.

Der erste Schritt ist dabei die Erkennung seiner Umgebung und was er daraus für sich schließen kann, um seine Aufgabe zu erfüllen. Eine wichtige Datenquelle dafür sind 3D-Laserscanner, die detaillierte Informationen über die Umgebung in Form von Punktwolken liefern.

3D-Laserscans sind für mobile Roboter von großer Bedeutung, weil sie eine präzise Erfassung der Umgebung in drei Dimensionen ermöglichen. Durch Unterteilung dieser Laserscandaten kann der Roboter die Punktwolke in unterschiedliche Bereiche segmentieren – zum Beispiel in Böden, Wände, Hindernisse oder bewegliche Objekte. Diese Einteilung hilft dem Roboter, seine Umgebung besser zu verstehen, relevante Strukturen zu erkennen und sich sicher zu bewegen. Besonders in komplexen oder dynamischen Umgebungen ermöglicht die Segmentierung von 3D-Laserscans eine zuverlässige Navigation, Hindernisvermeidung und eine gezielte Interaktion mit der Umgebung.

Da mobile Roboter meist über begrenzte Rechenressourcen verfügen, ist eine effiziente Verarbeitung der 3D-Daten entscheidend. Die Algorithmen zur Segmentierung müssen nicht nur genau, sondern auch schnell und ressourcenschonend sein, um in Echtzeit auf dem Roboter ausgeführt werden zu können. Nur so kann er schnell auf Veränderungen in seiner Umgebung reagieren und zuverlässig autonom agieren.

Die Arbeitsgruppe setzt Drohnentechnologie in zahlreichen Forschungsprojekten ein, um vielfältige Informationen über Landschaften und Pflanzen zu erlangen. In den vergangenen Jahren gab es zahlreiche Kooperationen in Forschungsprojekten im landwirtschaftlichen Kontext.

Am Standwurde der Einsatz multispektraler Drohnentechnologie in Echtzeit demonstriert . Das Live-Bild einer DJI Phantom4 multispectral wurde direkt auf einen Monitor übertragen. Während der Vorführung wurde der NDVI (Normalized Difference Vegetation Index) on-the-fly berechnet und visualisiert. Dieser vegetationsspezifische Index ermöglicht eine präzise Beurteilung von Pflanzenzustand und Vitalität.

Anhand von echter sowie künstlicher Vegetation wurde demonstriert, wie multispektrale Sensorik Informationen liefert, die dem menschlichen Auge verborgen bleiben. Die Technologie eröffnet vielfältige Anwendungsmöglichkeiten, beispielsweise im Bereich Landwirtschaft oder Umweltmonitoring.

Um KI-Methoden auf kostengünstigen und damit ressourcenbeschränkten Systemen nutzbar zu machen, erforschen wir verschiedene Ansätze. Wichtig ist zunächst, dass der komplette Prozess der Systementwicklung "ressourcengewahr" erfolgt. Dazu arbeiten wir an Vorhersagemodellen, die beispielsweise Speicherbedarf, Latenz und Durchsatz einer KI-Produktlinie für Mähdrescher für verschiedene Hardware- und Software-Konfigurationen akkurat abschätzen können. Um auf den Anwendungsfall maßgeschneiderte minimale KI-Modelle zu erzeugen, untersuchen wir Methoden, um diese automatisiert auf Basis großer komplexer Modelle zu gewinnen. So konnten wir zum Beispiel unserem Roboterhund LESSI Sprachkommandos beibringen, ohne dabei auf datenintensive Vorarbeiten wie das Erheben und Annotieren von Tausenden von Trainingsdaten angewiesen zu sein. Darüber hinaus muss die Anwendung von trainierten Modellen extrem effizient umgesetzt werden. Dafür entwickeln wir sogenannte "ausführbare" KI-Modelle, z.B. "Executable Neural Networks", die im Speicher nicht als Datenstruktur, sondern als Folge von Maschineninstruktionen repräsentiert werden. Dies minimiert die Ausführungszeit.

Um Studierenden, Schülern und anderen Interessierten Technik anschaulich zu erklären, werden in der Didaktik häufig interaktive Elemente eingesetzt. So wird anhand des interaktiven Nim-Spiels gezeigt, wie maschinelles Lernen funktioniert. Das Exponat führte die prinzipielle Funktionsweise von verstärkendem Lernen vor.

Im Lidar-Spiel erkundet man eine unbekannte Umgebung mit Hilfe eines simulierten Lidar-Sensors. Man sieht die Welt also so, wie sie ein Roboter "sieht", muss sich in ihr orientieren und ein Ziel erreichen.

Die Modell-Drohne simuliert, wie eine Drohne oder ein Satellit Daten sammelt und daraus ein dreidimensionales Bild der Erdoberfläche rekonstruiert.

Wir leben in einer Zeit großer Herausforderungen (z.B. Artensterben, Umweltverschmutzung, Übernutzung von Ressourcen, Flächenbeanspruchung, Klimawandel) und imposanter neuer Möglichkeiten (z.B. innovative Technologien, künstliche Intelligenz, Effizienzsteigerungen). Dies wird besonders im Bereich der Landwirtschaft und Ernährung deutlich. Zahlreiche der genannten Beispiele sind miteinander verbunden und beeinflussen sich gegenseitig. Für eine nachhaltige Entwicklung ist es daher wichtig, komplexe Probleme nicht isoliert zu betrachten, sondern im Systemzusammenhang zu begreifen – also als einzelne Teile im Zusammenwirken mit dem größeren Ganzen. Die Umweltsystemwissenschaft bearbeitet diese Probleme fächerübergreifend und mit besonderen Werkzeugen, nämlich der Systemanalyse, mathematischen Modellen und computerbasierten Simulationen.