Aktuelle öffentlich geförderte Projekte (eine Auswahl)

Im Rahmen des Projektes DeepMIC wird ein intelligentes, kooperierendes Assistenzsystem für die minimal-invasive Chirurgie (MIC) entstehen, das die in der MIC entscheidende Aufgabe der Kameraführung ähnlich gut wie ein menschlicher Assistent ausführen kann. Das Ziel soll durch eine konsequente Integration in eine bereits vorhandene intelligente OP-Umgebung unter spezieller Berücksichtigung aktueller Möglichkeiten des bildbasierten maschinellen Lernens sowie intuitiver Spracherkennung erreicht werden.

Das neue Assistenzsystem soll sich durch eine bisher noch nicht ansatzweise erreichte Adaptivität im Einsatz, eine intuitive Bedienbarkeit und die Fähigkeit zur aktiven (halb-) automatischen Kooperation mit dem Chirurgen auszeichnen und somit quasi selbstständig zu einer bestmöglichen Kameraführung fähig sein.

Der innovative Ansatz besteht in einer kontinuierlichen Auswertung und Klassifikation der Informationen des endoskopischen Kamerabildes durch Methoden der Künstlichen Intelligenz (hier speziell Deep Learning) in Kombination mit natürlicher Spracherkennung. Kombiniert mit Wissen aus dem chirurgischen Workflow soll das System eine Interaktion mit dem Chirurgen erlauben, die einer menschlichen Assistenz ähnlich ist und somit direkt auf die aktuellen Erfordernisse des Eingriffes reagieren kann.

Projektdauer: 16.08.2021 – 15.08.2024

Kooperationspartner: Ostbayerische Technische Hochschule Regensburg, Fakultät Informatik und Mathematik, Labor Regensburg Medical Image Computing (ReMIC) (Prof. Dr. Christoph Palm); Klinikum rechts der Isar der Technischen Universität München (Forschungsgruppe MITI); AKTORmed GmbH, Barbing

Fördersumme: 534.200 Euro

Fördermittelgeber: Bayerische Forschungsstiftung

Projektleitung: AKTORmed GmbH, Barbing/Oberpfalz

Im Rahmen dieses Vorhabens soll ein Demonstrator für einen Predictive-Maintenance-Algorithmus für Roboterzellen speziell im Sondermaschinenbau realisiert werden. Kernbestandteil sollen Frühwarnsysteme und Fehlererkennungen auf Baugruppenebene sein. Dies soll mittels einer Palette von physikalischen Modellen bis hin zu statistischen und Machine-Learning-Methoden (z.B. neuronale Netze) auf unterschiedlichste Roboterzellen angepasst werden. Zur Erstellung dieser Modelle auf Bauteilebene sollen Daten aus unterschiedlichen Einzelzellen verwendet werden. Damit sollen Stillstands- und Wartungszeiten minimiert und die Lebenserwartung solcher Unikate maximiert werden.

Weitere Infos zum Projekt finden SIe hier.

Projektdauer: 01.01.2022 – 31.12.2024

Projektpartner: Baumann GmbH, Amberg/Oberpfalz

Fördersumme: 815.000 Euro (gesamt); OTH Regensburg: 250.000 Euro

Fördermittelgeber: Bayerisches Staatsministerium für Wirtschaft, Landesentwicklung und Energie (StMWi)

Projektleitung: Prof. Dr. Martin Weiß

Die zentrale Fragestellung des Forschungsvorhabens QLindA lautet: Wie lassen sich die jüngsten Fortschritte im Quantencomputing und in künstlicher Intelligenz, insbesondere im Reinforcement Learning (RL), kombinieren und technisch nutzen? Was wird in absehbarer Zeit möglich werden, wo liegen die Limitierungen?
Basierend auf den existierenden wissenschaftlichen Beiträgen ist es daher Ziel des Projekts, RL auf Quantencomputern (QRL) zu ermöglichen mit der grundsätzlichen Motivation, eine Vielzahl relevanter Probleme aus der industriellen Anwendung lösen zu können. Hierzu bringt der Industriepartner Siemens konkrete Anwendungspotentiale für QRL in das Projekt mit ein: die auf RL basierende Regelungsoptimierung in der Prozessindustrie, der Einsatz verteilter Automatisierungssysteme in der Smart Factory, sowie die Optimierung in der Produktionsplanung. Um die Vorteile des QRL gegenüber klassischem RL zu verifizieren und die Leistung der QRL-Algorithmen auf Industriekontrollproblemen vergleichen zu können, wird ein entsprechender Benchmark (Industrial Benchmark) entwickelt. Die im Vergleich zu klassischen Algorithmen grundlegend andere, an die Hardware gekoppelte Vorgehensweise beim Algorithmen-Design erfordert schon vor Verfügbarwerden fehlerkorrigierter Quantenrechner die Erforschung der Übertragbarkeit klassischer Ansätze auf Quantenalgorithmen.

Das Bundesministerium für Bildung und Forschung hat zum Projekt ebenfalls Informationen zusammengestellt - zur der Internetseite kommen Sie hier.

Projektdauer: 01.04.2021 – 31.03.2024

Kooperationspartner: Siemens AG, München; Fraunhofer IIS, Nürnberg; IQM Germany GmbH, München

Fördersumme: 331.800 Euro

Fördermittelgeber: Bundesministerium für Bildung und Forschung

Projektleitung: Prof. Dr. Wolfgang Mauerer

Das Forschungsprojekt S³HIFT beschäftigt sich mit der sogenannten Systemhärtung für alle Unternehmen entlang der Wertschöpfungskette cyber-physikalischer Systeme. Unter Härten versteht man in der Computertechnik, die Sicherheit eines Systems zu erhöhen, indem nur dedizierte Software eingesetzt wird, die für den Betrieb des Systems notwendig ist. In S³HIFT wird die Systemhärtung mit dem zweistufigen Rückkopplungsmechanismus („Two Level Feedback“) in Produkt und Prozess erreicht. Alleinstellungsmerkmal der Produkthärtung ist ein automatisiertes Fuzz-Testing auf Basis von Seitenkanalinformationen. Zugrunde liegt die Erforschung eines KI-basierten Analysesystems. Dieses generiert sowohl Testvektoren wie auch Informationen für die Forensikanalyse. Die Ergebnisse der Testautomatisierung und der Forensikanalyse fließen dann in den Software-Entwicklungsprozess ein. Das Ergebnis des Forschungsvorhabens S³HIFT soll die Machbarkeit der erforschten Verfahrens und der verwendeten Methoden mithilfe eines Demonstrators nachweisen.

Projektdauer: 01.03.2022 – 28.02.2025

Kooperationspartner: sepp.med GmbH, Röttenbach b. Forchheim/Oberfranken; EDAG Engineering GmbH, Gaimersheim

Assoziierte Partner: CARIAD SE (ehemals Car.SW Organisation (CSO)), Wolfsburg; Deutsches Zentrum für Luft- und Raumfahrt (DLR), Bonn; e.telligent GmbH, Gaimersheim; Zentrale Stelle für Informationstechnik im Sicherheitsbereich (ZITiS), München

Fördersumme: 540.000 Euro

Fördermittelgeber: Bayerisches Staatsministerium für Wirtschaft, Landesentwicklung und Energie (StMWi)

Projektleitung: Prof. Dr. Jürgen Mottok; Prof. Dr. Rudolf Hackenberg

Das Ziel des Projekts ist die Untersuchung von Mitteln der Echtzeit-Verarbeitung in Produktion und Intralogistik in modernen Matrix-Fertigungsanlagen unter Verwendung neuartiger, hybrider, quanten-klassischer Algorithmen, welche an maßgefertigte mittelfristige NISQ-Hardware angepasst sind. Der Ansatz basiert auf einer konzeptionellen Hardware-Software-Co-Design-Methodik, die gleichzeitig maßgefertigte Algorithmen auf simulierter maßgefertigter Hardware berücksichtigt. Hervorgehoben wird die ganzheitliche Integration zukünftiger Quantum Processing Units (QPUs) in existierende „brown field“-Szenarien sowie die Erweiterung von Methoden und Programmcodes der Fabrikautomation. Im Gegensatz zu vielen Forschungsbemühungen ist keine Anpassung der Algorithmen an die Grenzen bestehender QPUs geplant, sondern eine gemeinsame Verfeinerung der Algorithmus- und Hardwareeigenschaften mit Hilfe der klassischen Hochleistungssimulation von QPUs. Im Projekt werden prinzipielle und praktische physikalische Grenzen in die Überlegungen einbezogen, um sicherzustellen, dass die gewünschten QPUs von Hardware-Herstellern mittelfristig gebaut werden können und Einsatz in realistischen Anwendungsszenarien und Produktionsanlagen finden.

Projektdauer: 01.01.2022 – 31.12.2024

Kooperationspartner: Siemens AG, München; science + computing AG – Tochter von Atos, Tübingen; OptWare GmbH, Regensburg; Friedrich-Alexander-Universität Erlangen-Nürnberg, Erlangen; BMW AG, München

Fördersumme: 2.6 Mio. Euro

Fördermittelgeber: Bundesministerium für Bildung und Forschung

Projektleitung: Prof. Dr. Wolfgang Mauerer