Forschungsschwerpunkt Künstliche Intelligenz

Maschinellen Lernens befasst sich mit dem algorithmischen Lernen und der Verallgemeinerung vorhandener Erfahrung, basierend auf Daten oder durch Interaktion mit einer Umgebung. Es umfasst unter anderem überwachtes Lernen, unüberwachtes Lernen sowie bestärkendes Lernen. Während beim überwachten Lernen Zusammenhänge, beispielsweise für eine Regressionsanalyse, aus gelabelten Daten gelernt werden, werden beim unüberwachten Lernen Assoziationen aus Daten ohne jegliche Label gelernt. Das Gebiet des bestärkenden Lernens befasst sich hingegen mit einem künstlichen Agenten der sich durch Interaktion mit seiner Umgebung eine komplexe zielgerichtete Handlungsstrategie aneignen kann. Konkrete Forschungsschwerpunkte sind am Fachgebiet beispielsweise das Erlernen von Merkmalen aus gelabelten Bildern mittels künstlicher neuronaler Netze die zur Bildklassifikation genutzt werden. Die Zielsetzung umfasst hierbei nicht nur eine herausragenden Klassifikationsrate, sondern auch eine verbesserte Interpretierbarkeit dessen, was das neuronale Netz lernt. Mit zunehmender Anzahl von Systemen aus dem Bereich des Maschinellen Lernens im alltäglichen Leben stellt sich auch die Frage der Vertrauenswürdigkeit und der sicheren Nutzung solcher Systeme. Dies ist gerade in sicherheitsrelevanten Anwendungsbereichen von hoher Bedeutung und wird ebenso am Fachgebiet erforscht.

Als eine konkrete Methodik des Maschinellen Lernens beschäftigt sich die Forschung des Fachgebietes auch mit künstlichen neuronalen Netzen. Inspiriert von biologischen Neuronen sind künstliche neuronale Netze in der Lage mittels Optimierung der internen Parameter Zusammenhänge oder Merkmale aus Daten selbstständig zu erlernen und diese in Klassifikationsaufgaben miteinzubeziehen. Sie finden immer häufiger Anwendung im alltäglichen Leben und in der Industrie, wie zum Beispiel in Kamerasystemen von Automobilen, der Spracherkennung von Smartphones oder auch in modernen Logistiklagern mit autonomen Robotern. In einigen Fällen übertreffen die erlernten Fähigkeiten der neuronalen Netze jetzt schon die des Menschen. Offene Forschungsbereiche untersuchen beispielsweise die Generalisierungsfähigkeit der Netze. Neuronale Netze sind zwar oft in der Lage sehr gute Ergebnisse auf Daten zu erzielen welche der Verteilung der Optimierungsdaten entsprechen, auf stark abweichenden Datenverteilungen ist die Leistungsfähigkeit allerdings häufig noch signifikant reduziert. Auch die praktische Anwendbarkeit von künstlichen neurona-len Netzen wird am Fachgebiet erforscht. Hierbei spielen zum Beispiel im Automobilbereich die Klassifikation von Audioaufnahmen aus dem Straßenverkehr sowie eine schnelle Evaluation geplanter Trajektorien eine große Rolle.

Die Spieltheorie dient der Modellierung und Lösung von Optimierungsproblemen in Multiagentensystemen, in denen die Zielfunktionen der Agenten über ihre Entscheidungsvariablen gekoppelt sind.

Die Anwendungen des spieltheoretischen Ansatzes findet man beispielsweise in Strommärkten, Smart Grids, Robot Swarms und Kommunikationsnetzwerken. Die sogenannten Nash Gleichgewichte in Spielen sind die Lösungen für die entsprechenden Optimierungsprobleme.

Um spieltheoretische Probleme in modernen komplexen Multiagentensystemen effizient zu lösen, werden verteilte Algorithmen entwickelt, die die Konvergenz des kollektiven Verhaltens zu einer Lösung gewährleisten. Man muss dabei darauf achten, dass die Regeln solcher Algorithmen nur auf den lokalen Informationen über das System basieren, die jedem Agenten zur Verfügung stehen.

Optimierung ist ein Teilgebiet der angewandten Mathematik. Ziel eines Optimierungsprozesses ist es, eine Konfiguration von Variablen zu finden, sodass der Wert einer bestimmten Zielfunktion, welche von den zu findenden Variablen abhängt, minimiert oder maximiert wird. Oft werden Nebenbedingungen für ein Optimierungsproblem formuliert, welche die Menge der zulässigen Lösungen einschränken. Zu lösende Optimierungsprobleme finden sich in einer Vielzahl von Anwendungen in den Ingenieurwissenschaften und sind sowohl für industrielle Prozesse als auch in der Forschung von großer Bedeutung.

In den Vorlesungen des Fachgebiets wird, unter anderem, die Auslegung von optimalen Reglern bezüglich Zeit oder Regelabweichungen gelehrt und gezeigt, wie aus evolutionären Prozessen Strategien zur Lösung von multimodalen Optimierungsproblemen abgeleitet werden können. Auch in den Forschungsprojekten des rmr spielt Optimierung eine besondere Rolle. Hier finden verschiedene Optimierungsmethoden in den Feldern Robotik (optimale Regler, optimale Trajektorien), Energiesysteme (Modellprädiktive Regelung von Microgrids, verteilte Lösung von spieltheoretischen Problemen in Smart Grids) und Autonomes Fahren.