Stage-oe-small.jpg

Angewandte Technisch-Kognitive Systeme: Unterschied zwischen den Versionen

Aus Aifbportal
Wechseln zu:Navigation, Suche
Zeile 65: Zeile 65:
 
     <td>
 
     <td>
 
       <ul>
 
       <ul>
         <li>[https://aifb.kit.edu/web/Rupert_Polley Aerial Image Segmentation with Deep Neural Networks for Autonomous Driving]
+
         <li>[https://aifb.kit.edu/web/Rupert_Polley Aerial Image Segmentation with Deep Neural Networks for Autonomous Driving]</li>
 
         <li>[https://www.aifb.kit.edu/web/Daniel_Bogdoll Anomaly Detection for Autonomous Driving]</li>
 
         <li>[https://www.aifb.kit.edu/web/Daniel_Bogdoll Anomaly Detection for Autonomous Driving]</li>
 
         <li>[https://www.aifb.kit.edu/web/Svetlana_Pavlitskaya Robust, interpretable and energy-efficient deep learning for camera-based perception]</li>
 
         <li>[https://www.aifb.kit.edu/web/Svetlana_Pavlitskaya Robust, interpretable and energy-efficient deep learning for camera-based perception]</li>
 +
        <li>[https://www.aifb.kit.edu/web/Tobias_Fleck Sensorfusion for connected autonomous driving]</li>
 +
        <li>[https://www.aifb.kit.edu/web/Tobias_Fleck Intelligent roadside infrastructure for connected autonomous driving]</li>
 +
        <li>[https://aifb.kit.edu/web/Stefan_Orf Recognition of Sensor Data Discrepancies in Autonomous Vehicles and Smart Infrastructure]</li>
 
       </ul>
 
       </ul>
 
     </td>
 
     </td>
Zeile 102: Zeile 105:
 
     <td>
 
     <td>
 
       <ul>
 
       <ul>
         <li>[https://aifb.kit.edu/web/Albert_Schotschneider Misbehavior Detection and Optimization of Driving Components for Robustness Improvement] </li>
+
         <li>[https://aifb.kit.edu/web/Albert_Schotschneider Misbehavior Detection and Optimization of Driving Components for Robustness Improvement]</li>
 
         <li>[https://www.aifb.kit.edu/web/Svetlana_Pavlitskaya Adversarial Attacks on Deep Learning Models]</li>
 
         <li>[https://www.aifb.kit.edu/web/Svetlana_Pavlitskaya Adversarial Attacks on Deep Learning Models]</li>
 +
        <li>[https://aifb.kit.edu/web/Stefan_Orf Condition Monitoring for Robust and Safe Autonomous Systems]</li>
 
       </ul>
 
       </ul>
 
     </td>
 
     </td>
Zeile 113: Zeile 117:
 
         <li>[https://www.aifb.kit.edu/web/Marc_Zofka Vehicle-to-everything (V2X) for Distributed Simulations on Proving Grounds and Test Areas for Autonomous Driving]</li>
 
         <li>[https://www.aifb.kit.edu/web/Marc_Zofka Vehicle-to-everything (V2X) for Distributed Simulations on Proving Grounds and Test Areas for Autonomous Driving]</li>
 
         <li>[https://aifb.kit.edu/web/Martin_Gontscharow Interactive Machine Learning for Remote Assisted Autonomous Vehicles]</li>
 
         <li>[https://aifb.kit.edu/web/Martin_Gontscharow Interactive Machine Learning for Remote Assisted Autonomous Vehicles]</li>
 +
        <li>[https://aifb.kit.edu/web/Stefan_Orf Remote Operation in Autonomous Driving]</li>
 
       </ul>
 
       </ul>
 
     </td>
 
     </td>

Version vom 21. Oktober 2022, 08:19 Uhr

Angewandte Technisch-Kognitive Systeme

P3142439.JPG





Sekretariat:
 
Beschreibung

Im Fokus der Forschung stehen Technologien der angewandten maschinellen Intelligenz. Basierend auf der Erforschung von Grundlagen sollen neue technische Systeme wie autonome Serviceroboter, autonome Fahrzeuge oder Assistenzsysteme mit kognitiven Fähigkeiten realisiert werden. Die Anwendung dieser so genannten technisch-kognitiven Systeme findet primär im Kontext der hochautomatisierten, effizienten und intermodalen Mobilität, der vernetzten automatisierten Produktion und Logistik sowie der interaktiven Unterstützung des Benutzers in Alltagssituationen statt.

Adressierte Grundlagen der maschinellen Intelligenz sind vornehmlich die maschinelle Wahrnehmung sowie das Situationsverstehen und die Verhaltensentscheidung. Methoden des maschinellen Lernens und der probabilistischen Inferenz werden dabei für alle Komponenten erforscht und angewandt. Verfahren der Systemevaluierung und Validierung bilden einen zusätzlichen Schwerpunkt im Rahmen der angewandten Forschung. Autonome Fahrzeuge wie CoCar und CoCar-Zero, mobile Roboter, wie der Assistenzroboter Hollie, die Lauron Laufmaschinen oder der Inspektionsroboter Kairo bilden dabei wertvolle Integrations- und Evaluierungsplattformen für die angewandte Forschung. Sie werden in enger Kooperation mit dem FZI weiterentwickelt und für die gemeinsame Forschung und Lehre genutzt.



Neuigkeiten
12. März 2024: Autonomes Fahren mit Bundesminister für Digitales und Verkehr Volker Wissing auf Campus Nord
5. Oktober 2023: CoCar NextGen auf IEEE ITSC 2023
5. Oktober 2023: CoCar NextGen at IEEE ITSC 2023
5. Oktober 2023: Autonomes Fahren mit Bundesminister für Digitales und Verkehr Volker Wissing auf Campus Nord
21. September 2020: Best Dissertation Award - IEEE ITS Society
15. November 2018: Audi Autonomous Driving Cup 2018: Team AlpaKa holt den Titel
5. November 2018: Best Paper Award - IEEE International Conference on Intelligent Transportation Systems (ITSC)
28. Juni 2018: Best Paper Award - IEEE Intelligent Vehicles Symposium (IV)
28. Juni 2018: Best Paper Award - IEEE Intelligent Vehicles Symposium (IV)


Offene Abschlussarbeiten und HiWi-Stellen

Forschungs

bereich

Themen

Perception

Prediction

Maps

Planning

Safety and Security

Vehicle-to-Everything (V2X/Car2X)

Simulation

End-to-end learning

Mixed Reality

Reinforcement Learning

Other Topics in Autonomous Driving



Unsere Partnerinstitute

Fzilogo.gif
Forschungsbereich Intelligent Systems and Production Engineering



Personen



Lehrveranstaltungen


Aktive Projekte
Dfg logo schriftzug blau 4c.png

SPP 1835: Kooperativ interagierende Automobile
Externer Link: http://www.coincar.de/#/

Dark+Gradient S.png

SofDCar
Externer Link: https://www.sofdcar.de

Taf logo transparent.png

Testfeld Autonomes Fahren
Externer Link: https://taf-bw.de/