Forschung

Synthetische Daten & Maschinelles Lernen

Gängige Ansätze des maschinellen Lernens (ML) zur Klassifizierung von Szenen erfordern eine große Menge an Trainingsdaten. Für die Klassifizierung von Tiefensensordaten sind jedoch im Gegensatz zu Bilddaten nur relativ wenige Datenbanken öffentlich verfügbar, und die manuelle Erzeugung semantisch beschrifteter 3D-Punktwolken ist eine noch zeitaufwändigere Aufgabe. Um die Generierung von Trainingsdaten für eine Vielzahl von Domänen zu vereinfachen, kann eine weitgehend automatisierte Generierung von semantisch annotierten Punktwolkendaten in virtuellen 3D-Umgebungen erfolgen. Klassische Tiefensensortechniken wie Light Detection and Ranging (LiDAR) und Sound Navigation and Ranging (Sonar) sind damit unter verschiedenen Umweltbedingungen (z.B. Regen- und Staubeinfluss) simulierbar. Für die Erstellung einer großen Anzahl von "Ground Truth"-Daten für überwachte Lernansätze haben wir ein Addon für Blender namens BlAInder entwickelt. Sie finden dieses Tool hier. Die semantisch beschrifteten Daten können in verschiedene 2D- und 3D-Formate exportiert werden und sind somit für verschiedene ML-Anwendungen und Visualisierungen optimiert.

Wissenschaftliche und technische Ziele bei der Analyse dieser komplexex Datensätze, bspw. geophysikalischer Daten, betreffen u.a. die Entwicklung von KI-basierten Vorhersagemethoden für die Detektion von Störungen und Grenzschichten. Diese Vorhersagen bilden die Grundlage für wesentlich effizientere Simulationen, z.B. zur Lösung von inversen Problemen im Bereich der elektromagnetischen Geophysik. Weitere Arbeiten befassen sich z.B. mit automatisierten Datenverarbeitungsabläufen zur Etablierung von modellgesteuerten maschinellen Lernpipelines unter Nutzung heterogener geologischer Datenbestände.
 

Ein weiterer Schwerpunkt umfasst die Anwendung von maschinellem Lernen in der Wissensgenerierung aus Zeitreihendaten. Arbeiten dazu haben sich mit der Anwendung neuronaler Netze (MLP, RNN/LSTM, Hybride) bei der Zeitreihenvorhersage in der Luftverkehrsprognose beschäftigt. Neben der mehrdimensionalen Modellierung konnte mit Hilfe von genetischen Algorithmen Wissen aus neuronalen Netzen extrahiert werden.

Ausgewählte Publikationen

• S. Reitmann, L. Neumann and B. Jung. “BLAINDER—A Blender AI Add-On for Generation of Semantically Labeled Depth-Sensing Data”. In: Sensors 21.6 (2021). ISSN: 1424-8220. DOI: 10.3390/s21062144. URL: https://www.mdpi.com/1424-8220/21/6/2144.

• S. Reitmann, M. Schultz. "An Adaptive Framework for Optimization and Prediction of Air Traffic Management (Sub-)Systems with Machine Learning". In: Aerospace. 2022; 9(2):77. DOI: 10.3390/aerospace9020077. URL: https://www.mdpi.com/2226-4310/9/2/77

• M. Schultz, S. Reitmann and S. Alam, "Predictive classification and understanding of weather impact on airport performance through machine learning". In: Transportation Research Part C: Emerging Technologies 131 (2021), S. 103-119, ISSN 0968-090X, DOI: https://doi.org/10.1016/j.trc.2021.103119.

• M. Schultz and S. Reitmann. “Machine learning approach to predict aircraft boarding”. In: Transportation Research Part C: Emerging Technologies 98 (Jan. 2019), S. 391–408. ISSN: 0968-090X. DOI: 10.1016/j.trc.2018.09.007. URL: http://www.sciencedirect.com/science/article/pii/S0968090X18312580.

• M. Schultz and S. Reitmann. “Consideration of Passenger Interactions for the Prediction of Aircraft Boarding Time”. In: Aerospace 5.4 (Sep. 2018), S. 101. DOI: 10.3390/aerospace5040101. URL: https://www.mdpi.com/2226-4310/5/4/101.