Sensorfusion und KI-gestützte Datenanalyse zur Innenraumüberwachung autonom fahrender Züge

Die Mobilität der Zukunft muss ressourcenschonend, nutzerorientiert und innovativ sein. Das Projekt enableATO adressiert diese Anforderungen durch die Entwicklung autonomer Schienenfahrzeuge (Grade of Automation Level 4) für den Einsatz in ländlichen Räumen. Ziel ist es, kleinere, automatisierte Fahrzeuge zu nutzen, um eine nachhaltige und effiziente Mobilität zu fördern sowie die Reaktivierung stillgelegter Strecken zu ermöglichen.

Ein zentraler Aspekt autonomer Züge ohne Begleitpersonal ist die Gewährleistung von Sicherheit und Nutzerfreundlichkeit. Der Innenraum dieser Züge muss kontinuierlich überwacht werden, um Ereignisse wie Stürze, Hilfebedarf oder unvorhergesehene Notfälle frühzeitig zu erkennen. Unterschiedliche Sensortypen wie RGB-Kameras, Radar und Infrarot bieten jeweils spezifische Vorteile, stoßen jedoch unter widrigen Bedingungen oder bei komplexen Szenarien an ihre Grenzen.

Die Sensorfusion kombiniert verschiedene Sensortypen, um die Robustheit und Genauigkeit der Überwachungssysteme zu verbessern. Zusätzlich spielt die Auswertung der Sensordaten durch Machine Learning- und Deep Learning-Methoden eine entscheidende Rolle, um komplexe Szenarien im Innenraum zu bewältigen. KI-gestützte Ansätze ermöglichen die präzise Analyse von Bewegungsmustern, die Erkennung von Gefahrensituationen und die Durchführung von Echtzeitreaktionen, beispielsweise bei Stürzen oder Verhaltensauffälligkeiten von Fahrgästen.

Das Projekt untersucht, wie Sensorfusion und KI-gestützte Datenanalyse zur Innenraumüberwachung in autonom fahrenden Zügen eingesetzt werden können, um Sicherheitsrisiken zu minimieren und die Benutzerfreundlichkeit zu maximieren. Im Rahmen von enableATO werden technologische Grundlagen für die Mobilität von morgen geschaffen, die die Schienenverkehrssysteme effizienter, intelligenter und sicherer machen.

In diesem Projekt entwickeln die Studierenden ein System zur Sensorfusion und KI-gestützten Innenraumüberwachung, das speziell auf die Erkennung von Gefahrensituationen in autonomen Zügen ausgerichtet ist.

Dazu sollen geeignete Sensortypen identifiziert werden, die sich für den konkreten Anwendungsfall eignen und sich in ihrer Funktionalität ergänzen. Des Weiteren sollen geeignete ML- und KI-Algorithmen sowie Fusionstechniken ausgewählt und evaluiert werden, um die Sensordaten effektiv zu kombinieren und eine präzise Gefahrenerkennung zu gewährleisten. Die Untersuchung umfasst das Training und den Vergleich von Algorithmen auf Basis der ausgewählten Sensorkombinationen.

Das Ziel ist die Entwicklung eines Prototyps, der aus einer geeigneten Sensorkombination besteht und durch passende KI-Modelle sowie ein Fusionsverfahren realisiert wird. Aus der Arbeit soll hervorgehen, welche Sensoren, KI-Algorithmen und Fusionstechniken die beste Performanz für den Anwendungsfall bieten.

Die Bewertung und Anwendung von KI/ML-Methoden, wie beispielsweise der Einsatz von Convolutional Neural Networks (CNNs) in der Bilderkennung oder von Zeitreihenanalysen, sind zentrale Themen der Data Science und werden in den Modulen „Advanced Machine Learning“ und „Artificial Intelligence“ vertieft behandelt. Zudem steht die Aufnahme von Daten durch verschiedene Sensoren im Fokus, was hohe Anforderungen an die Organisation und Verarbeitung der Daten stellt und im Modul „Big Data Architectures“ behandelt wird. Nicht zuletzt ist die Datenanalyse ein wesentlicher Bestandteil des Projekts, was im Modul „Data Mining & Machine Learning“ ausführlich behandelt wird.

Verfügbare Ressourcen

• Systeminformationen: Informationen, die zur Erstellung des Szenarios benötigt werden (z.B. Systembeschreibung, relevante Kennzahlen), werden durch die Ansprechperson von enableATO bereitgestellt.
• Sensoren: Benötigte Materialien wie die zu untersuchenden Sensoren werden vom Projekt enableATO zur Verfügung gestellt.
• Mockup des Fahrzeuginnenraums: Ein Mockup des Fahrzeuginnenraums steht zur Verfügung, in dem Testdaten aufgenommen werden können.
  • Rechenressourcen: Hardware für das komplexere Maschine Learning ist über das Data Science Lab, das CfADS, sowie dem KI-Rechencluster yourAI der HSBI verfügbar.
  • Projektbetreuung: Eine Ansprechperson von enableATO wird über die Projektlaufzeit zur Verfügung stehen.

Erstes Semester: Erstellung eines Forschungsexposés ist Prüfungsleistung. Einarbeitung in das Konzept verschiedener Sensortechnologien, Fusion-Methoden und KI-Algorithmen (CNN, DNN), insbesondere der Objekterkennung und Bilderkennung.

Zweites Semester: Erstellung des Systemkonzepts für die Sensorfusion mit Blick auf den konkreten Anwendungsfall. Recherche zu relevanten Arbeiten im Bereich Sensorfusion für Innenraumüberwachung und zugehöriger Einsatz von KI-Verfahren. Erstellung eines Papers, das einen Überblick über das jeweilige Forschungsgebiet gibt, ist Prüfungsleistung.

Drittes Semester: Praktische Umsetzung der Sensorfusion mit konkreten Sensoren und eigener Datenerhebung. Umsetzung verschiedener Fusion-Methoden und maschineller Lernverfahren zur Gefahrenerkennung sowie deren Evaluation. Erstellung eines Papers, mit ersten quantitativen Ergebnissen als Prüfungsleistung.

Viertes Semester: Masterarbeit und Kolloquium. Finale Evaluation durch Vergleich der implementierten Strategien.

Zwingend:                                                        

• Gute Erfahrung mit Python

Optional:

• Erfahrung mit dem Versions-Kontroll-System „git“
• Erste Erfahrung zu Datenanalysen
• Erste Erfahrung in den Python-Bibliotheken PyTorch, TensorFlow oder Scikit-Learn

Kompetenzen, die durch das Projekt erworben werden

• Sensorfusion
• KI/ML-Methoden
• Sensornahe Informationsverarbeitung
• Kompetenzen in der Arbeit im Team