Forschung für eine innovative Zukunft

Der Grundsatz, aktuelle Forschungsergebnisse und zukunftsorientierte Themen aktiv in unsere Projekte zu integrieren, ist bereits in der Namensgebung unseres Unternehmens tief verwurzelt – Technisch Wissenschaftlicher Transfer. Um heute den Fortschritt für morgen zu sichern, sind wir bei TWT in zahlreiche nationale und internationale Forschungsprojekte involviert. Die Aktivitäten umfassen sowohl Initiierung, Management und Koordination von Konsortien, als auch die Teilnahme an Forschungsinitiativen.

Unser angeborener Verbesserungsdrang resultiert in dem Ziel, forschungsbasierte Innovationen anzuregen und neu entstehende, zukunftsweisende Technologien voranzutreiben. Innovation und wissenschaftliche Expertise gepaart mit der Kompetenz, die Dinge ganzheitlich zu betrachten, bilden seit der Firmengründung den Grundstein und den Antrieb für die erfolgreichen Forschungsaktivitäten bei TWT.

M-CUBE/COLTOC

Staus im Zusammenhang mit irregulärem Verkehrsaufkommen sind ein häufiges Problem, dass sowohl für Bürger als auch für Behörden immense gesellschaftliche Kosten verursacht. In diesem Projekt entwickeln wir einen ganzheitlichen kooperativen Optimierungsansatz, der explizit auf Verspätungen abzielt, die durch irreguläre Verkehrsphänomene entstehen. Der vorgeschlagene Ansatz zielt darauf ab, (i) die Belastbarkeit eines Verkehrsnetzes zu bewerten, (ii) kritische und anfällige Elemente zu identifizieren, (iii) (ir-)reguläre Verspätungen zu reduzieren, (iv) dynamische Engpässe zu identifizieren und (v) ihre negativen Auswirkungen durch neue Steuerungsansätze und dynamische Geschwindigkeitsempfehlungen zu mildern. Die Zusammenarbeit zwischen Industriepartnern, Behörden und akademischen Partnern ermöglicht es den Projektpartnern, umsetzungsreife Werkzeuge zu entwickeln, welche zur Landesgartenschau 2024 erprobt werden.

Ziel

Um dieses Ziel zu erreichen, nutzt COLTOC einen neuen Sensortyp, der in diesem Projekt entwickelt wurde und in der Lage ist, regelmäßige und unregelmäßige Verkehrsphänomene zu messen. Die neuen Informationen werden genutzt, um multimodale Verkehrsmodelle zu entwickeln, die in der Lage sind, Verkehrsstörungen aufgrund von unregelmäßigen Verkehrsmustern zu erkennen und zu korrigieren. In diesem Projekt wird zum ersten Mal die Beziehung zwischen Netzwerktopologie, integrierter Mobilität, vernetzten und autonomen Fahrzeugen und neuen Sensortechnologien erforscht. Das erwartete Ergebnis ist ein Rahmenwerk, das in der Lage ist, erhebliche gesellschaftliche Vorteile zu bieten (verbesserte Luftqualität, reduzierte Reisezeiten, nachhaltige Verkehrsverlagerung) und gleichzeitig das Wirtschaftswachstum dank des Durchbruchs in der Sensortechnologie und der Automatisierung anzukurbeln.

Unsere Beiträge zum Projekt

  • Bereitstellung von Tronis für Projektpartner
  • Szenarioerstellung in Tronis mit Fokus auf den Verkehrsfluss welcher eine reale Verkehrssituationabbildet.
  • Umsetzung einer Schnittstelle zum Planungsalgorithmus in Tronis. Integration Nachrichtenaustausch zwischen Verkehrsteilnehmern innerhalb von Tronis.
  • Erweiterung der Co-Simulationsschnittstelle zwischen Tronis und Sumo.

Partner

  • TWT
  • HawaDawa
  • Fujitsu
  • Technische Universität München
  • BMW
  • Landkreis München
  • MVG
  • SIXT
  • Kirchheim

SmartDelta

Digitalisierung und Automatisierung führen zunehmend auf softwareintensive Systeme und Dienste und stellen hohe Anforderungen an die industrielle Softwareentwicklung. Heutzutage werden solche softwareintensiven Systeme selten von Grund auf neu entwickelt, sondern in kurzen Iterationszyklen inkrementell zusammengesetzt, integriert und auf die Bedürfnisse eines bestimmten Kunden, Marktes oder einer Region zugeschnitten. Viel zu oft beginnen sich jedoch bestimmte Qualitätsaspekte des Systems mit der Zeit zu verschlechtern. Daher ist es äußerst wichtig, die Auswirkungen jeder Softwareänderung und -erweiterung auf die Qualität des gesamten softwareintensiven Systems genau analysieren und bestimmen zu können.

SmartDelta entwickelt automatisierte Lösungen für die Qualitätsbewertung von Software-Inkrementen für einen kontinuierlichen Softwareentwicklungsprozess. SmartDelta entwirft intelligente Analysemethoden auf Basis von Entwicklungsartefakten (z. B. Quellcode, Log-Dateien, Anforderungsspezifikationen), bietet Einblicke in die Qualitätsverbesserungen oder -verschlechterungen verschiedener Softwareversionen und stellt Empfehlungen für die nächsten Softwareversionen bereit.

Ziel

  • Ziel von SmartDelta ist es, automatisierte Lösungen für die Qualitätsbewertung von Softwareprodukten und -versionen in kontinuierlichen Softwareentwicklungsprozessen zu entwickeln. SmartDelta konzentriert sich dabei insbesondere auf die Validierung und Verifikation von extrafunktionalen Anforderungen und die entsprechende Umsetzung, Bereitstellung, und Pflege von Testmodellen als Basis für die Realisierung automatisierter Qualitätssicherungsaktivitäten. Die konkreten Ziele von SmartDelta sind:
  • Automatisierung der Modellbildung durch Verwendung von Techniken zur Verarbeitung natürlicher Sprache und durch musterbasierte Ansätze
  • Aufbau einer automatisierten Konsistenzprüfung und Validierung von Software-Inkrementen
  • Verkürzung der Entwicklungs-, Bereitstellungs- und Rückkopplungsschleifen in der Softwareentwicklung
  • Verringerung der Qualitätssicherungsaufwände für extrafunktionale Eigenschaften

Wozu dient Smart Delta?

Softwareintensive Systeme und Dienste werden in der Regel nicht für jeden Kunden oder Auftrag von Grund auf neu konzipiert und implementiert, sondern als Weiterentwicklung oder als modifizierte Version eines bestehenden Softwareprodukts ausgeliefert, das auf die Bedürfnisse eines bestimmten Kunden, Marktes oder einer Region zugeschnitten ist. Im Laufe der Zeit verwalten Softwareunternehmen immer größere Mengen an Softwareprodukten in verschiedenen Versionen und Reifegraden, die als Grundlage für eine spätere Wiederverwendung dienen. Eine effiziente Erstellung und Auslieferung von qualitativ hochwertiger und sicherer Software ist nur möglich, wenn die Qualitäts- und Reifegradbewertungen sowie der Qualitätssicherungsprozess durch einen ausreichenden Automatisierungsgrad unterstützt werden.

SmartDelta entwickelt automatisierte Lösungen für die Qualitätsbewertung von Softwareprodukten und -versionen und versetzt Unternehmen in die Lage, qualitativ hochwertige und vertrauenswürdige Softwaresysteme in einer schnelllebigen, agilen Umgebung entwickeln und ausliefern zu können.

    Unsere Beiträge zum Projekt

    • Ansatz zur Umwandlung extrafunktionaler Anforderungen, die in eingeschränkter natürlicher Sprache ausgedrückt sind, in formalisierte Anforderungsmodelle
    • Automatisierte Generierung von Testfällen aus Modell-Checkern
    • Automatisiertes modellbasiertes Testen der Systemmodelle anhand der formalisierten Anforderungen auf der Grundlage automatisch generierter Testfälle
    • Ansatz zur Identifizierung von Ursache-Wirkungs-Ketten für problematisches Verhalten in neuen Software-Artefakten und zur Abgabe von Empfehlungen zur Verbesserung der Software auf der Grundlage dieser Ursache-Wirkungs-Ketten

    Partner

    • Software AG*,
    • AKKA Industry Consulting GmbH
    • Fraunhofer FOKUS
    • ifak – Institute for Automation and Communication
    • Bombardier*
    • Infotiv
    • Mälardalen University
    • Quviq AB
    • RISE – Research institutes of Sweden**
    • IZERTIS
    • PRIVOLVA
    • Sotec Consulting*
    • University of Madrid Carlos III
    • Dakik Yazilim Teknolojileri
    • Ericsson
    • ERSTE Software Limited
    • Kuveyt Turk Bank*
    • NetRD
    • BEIA GmbH*
    • c.c.com GmbH
    • University of Innsbruck
    • Cyberworks Robotics
    • eCAMION INC.
    • GlassHouse Systems
    • SmartCone Technologies Inc.
    • University of Ontario Institute of Technology*

     

    * national coordinator; ** international coordinator;

    KARLI

    KARLI steht für Künstliche Intelligenz für Adaptive, Responsive und Levelkonforme Interaktion im Fahrzeug der Zukunft. Das Projekt untersucht Fahrerzustände und Fahrsituationen, bewertet sie mittels abgestimmter KI Modelle und entwickelt an die Situation angepasste Mensch-Maschine Interaktionen. An die KI-basierten Fahrer-Fahrzeugzustandsmodelle wird der Anspruch gestellt, eine notwendige Güte und Robustheit für das autonome Fahren auch in höheren Leveln zu bieten. Die Spezifikationen für Fahrzeugarchitektur und Sensorik sollen richtungsweisend für den Einsatz und die Ausleitung von Daten im Serienfahrzeug werden.
    In KARLI werden folgende Anwendungen vom Konzept zum Prototypen entwickelt:
    Levelkonformes Fahrerverhalten – Erkennung und Förderung
    KI-Interaktion für adaptive Systeme
    Motion Sickness – Erkennung und Vermeidung

    Ziel

    Das Ziel des KARLI-Projekts ist die Entwicklung einer adaptiven, responsiven und levelkonformen Interaktion im Fahrzeug der Zukunft.

    Dafür werden in KARLI kundenrelevante KI-Funktionen entwickelt, die für unterschiedliche Stufen auf dem Weg zum automatisierten Fahrzeug (Automationslevel) Fahrerzustände erfassen und Interaktionen gestalten.

    Diese KI-Funktionen werden in KARLI aus empirischen und synthetisch erzeugten Daten entwickelt. Die Daten werden in KARLI so erhoben und verwendet, dass die Projektergebnisse skalierbar sind, auf zukünftig verfügbare Big Data aus Serienfahrzeugen.

    Unsere Beiträge zum Projekt

    TWT beteiligt sich an allen Applikationen mit

    • Konzeptentwicklung für Mensch-Maschine-Interaktion durch Voice-User-Interface
    • Entwicklung von Machine Learning und Data Analytics Methoden zur Erkennung von Kontext und Fahrsituation
    • Identifikation von emotionalen Zuständen und Merkmalen der Reisekrankheit durch Machine Learning

    Partner

    • Continental Automotive Gmbh
    • Ford-Werke GmbH
    • Audi AG
    • INVENSITY GmbH
    • paragon semvox GmbH
    • TWT GmbH Science & Innovation
    • studiokurbos GmbH
    • Fraunhofer IAO
    • Fraunhofer IOSB
    • Allround Team GmbH
    • Hochschule der Medien
    • Universität Stuttgart
    • branmatt II legal (im Unterauftrag)


    AINET-Antillas

    AINET-Antillas ist ein Teilprojekt im Rahmen der europäischen Initiative AINET. In verschiedenen Anwendungen wie I4.0 sowie dem vernetzten und autonomen Fahren sind Netzverfügbarkeit und -qualität von größter Bedeutung für die ordnungsgemäße Realisierung von Kundenfunktionen. AINET-Antillas entwickelt und validiert Infrastrukturelemente für Anwendungen in hochvernetzten Szenarien. Tronis® soll für die Validierung von automatisierten, vernetzten und autonomen Fahrfunktionen hinsichtlich der Netzqualität auch im Vergleich verschiedener Netzgenerationen eingesetzt werden.

    Ziel

    Ziel von AI-NET ist es, eine Plattform für die dynamische Konfiguration von Kommunikationsnetzen zur Laufzeit zu schaffen, die nicht nur aus Sicht eines Netzbetreibers, sondern auch aus Sicht des Nutzers einfach zu bedienen ist. Über offene deskriptive Schnittstellen („intent-based“) kann somit das volle Potenzial der Infrastruktur genutzt werden und eine nahtlose Multi-Cloud-Integration realisiert werden. Drei Teilprojekte in AI-NET entwickeln Lösungen auf Basis konkreter, komplementärer Anwendungsszenarien und setzen diese in Demonstratoren um. Das Teilprojekt Antillas konzentriert sich auf die Entwicklung von Infrastrukturelementen für automatisierte Telekommunikationsnetze mit dem Ziel, diese für Anwendungen in den Bereichen Industrie und autonomes Fahren tauglich zu machen.

    Wozu dient AINET-Antillas?

    Innerhalb von AINET-Antillas werden Datenmessungen durchgeführt und Sensormodule während realer Messfahrten ausgewertet. In Zusammenarbeit mit Netzwerk- und Infrastrukturtechnologien können realistische Szenarien virtuell untersucht und validiert werden. Diese Szenarien fokussieren sich auf Kommunikations- und Unterhaltungssysteme und -funktionen sowie autonome und vernetzte Fahrfunktionen, die auf den Mobilfunkstandard 5G setzen. AINET-Antillas wird auch zur virtuellen Absicherung von Fahrerassistenzsystemen beitragen, mit besonderem Fokus auf die Funktionen, die Mobilfunkdaten zur Berechnung ihres Verhaltens nutzen.

    Unsere Beiträge zum Projekt

    • Entwicklung neuartiger Lösungen für Anwendungszenarien
    • Autonomer Netzbetrieb durch Ende zu Ende Automatisierung
    • Latenz und sicherheits optimierte Infrastruktur für Telekommunikationsnetze
    • Spezifikation Simulationskonzept, Modellerweiterungen und Schnittstellen
    • Etablierung und Integration technischer Schnittstellen für Mobilfunk und Datenmodelle
    • Umsetzung Modellerweiterungen, Simulation in prototypischen Szenarien
    • Umsetzung Demonstrator in Tronis®
    • Entwicklung realitätsnaher Use Cases für das vernetzte Fahren
    • Erzeugung der Simulationsergebnisse, Datenaustausch mit Partnern
    • Untersuchung Mobilfunk und WLAN-Kommunikation
    • Demonstrator Cloud-Anwendung und Visualisierung

    Partner

    • DCAITI (Karl Hübener)
    • Ericsson, Nokia
    • Fraunhofer Fokus (Robert Protzmann)
    • Attesio (Netzplanung-/optimierung)
    • Uni Stuttgart IKR
    • Adva (Equipment für optische Nachrichtenübertragung)

    KoSi

    Das Akronym KoSi steht für „Kooperatives Autonomes Fahren mit Sicherheitsgarantien“. In diesem Projekt soll untersucht werden, wie die Herausforderung autonomen Fahrens in komplexen Verkehrssituationen durch kooperative Manöverplanung gemeistert werden kann. Ein besonderer Fokus liegt hier auch auf gemischten Verkehrsszenarien, also mit autonomen und nicht-autonomen Verkehrsteilnehmerinnen und -teilnehmer.

    Ziel

    In diesem Projekt werden Methoden und Algorithmen entwickelt, um die durch den autonomen Verkehrsteilnehmer befahrbaren Gebiete im Verbund der Verkehrsteilnehmer kooperativ auszuhandeln. Diese dienen dann der Planung der Fahrzeugtrajektorien und der Identifikation möglicher Notfallmanöver.
    Um auch gemischte Verkehrsszenarien berücksichtigen zu können, werden Kommunikationsmodelle zwischen autonomen und nicht-autonomen Verkehrsteilnehmern entwickelt.
    Die Prädiktion des Fahrverhaltens und die Trajektorienplanung soll ganzheitlich zusammen mit ihrer formalen Verifikation betrachtet werden, um die Sicherheit der Manöver garantieren zu können.
    Die Radarsysteme als wesentlicher Bestandteil der Sensorik autonomer Fahrzeuge werden hier hinsichtlich ihrer Sicherheit weiterentwickelt insbesondere zur Erkennung von Manipulationsversuchen.

    Wozu dient KoSi?

    Fahrerassistenzsysteme sind schon lange fester Bestandteil moderner PKW und LKW. Trotz der Entwicklung immer intelligenterer und innovativerer Systeme ist es noch ein steiniger Weg hin zu einem sicheren Betrieb autonomer Fahrzeuge in großflächigem Einsatz in allen Umgebungen (außer- und innerstädtisch). Noch viele Jahre wird der Mischverkehr aus konventionellen und automatisierten Fahrzeugen sowie nicht-automatisierbarer Verkehrsteilnehmer dominieren. Die Entwicklung inhärent sicherer Methoden der Manöverplanung vor allem für komplexe Verkehrsszenarien ist damit unumgänglich. Hier wird KoSi seinen Beitrag liefern.

    Unsere Beiträge zum Projekt

    • Generierung von komplexen, realistischen Testszenarien (inkl. nicht-autonomisierbarer Verkehrsbeteiligte wie Fahrradfahrer und Fußgänger)
    • Methodenentwicklung: Kopplung der beteiligten Entwicklungs- und Simulationstools
    • Absicherung: Validierung der im Projekt entwickelten Algorithmen
    • Radar-Sensorik: Generierung von Trainingsdaten, Datenmanipulation

    Partner

    • TWT GmbH

    newAide

    Im Projekt newAide erforschen die Partner den Einsatz von Methoden der Künstlichen Intelligenz (KI) in hochkomplexen, simulationsbasierten Auslegungsprozessen der Fahrzeugentwicklung mit dem Ziel, diese zu beschleunigen, zu optimieren und teilweise zu automatisieren. Neben der Verbesserung einzelner Auslegungsdisziplinen durch KI-Ansätze soll im Projekt newAIDE mithilfe der Teilprojekte eine grundlege Datenbankstruktur und Datenstrukturierung erforscht werden, die den Einsatz von KI-Methoden in der Fahrzeugauslegung unterstützt und vereinfacht. Dadurch könnte die Basis für eine flächendeckende Einführung von KI-Ansätzen in der Fahrzeugauslegung und darüber hinaus bereitet werden.

    Ziel

    Ein wichtiges technisches Ziel ist die Optimierung von Simulationsprozessen durch KI-Algorithmen. Mithilfe der KI sollen in den Simulationen auch Randbedingungen und Faktoren in die Entscheidungsfindung einbezogen werden, die aufgrund der hohen Komplexität bislang unberücksichtigt bleiben mussten. Die zusätzlichen Vernetzungen sollen die Vorhersagegenauigkeit und Robustheit der Simulationen steigern und dadurch zu einer Reduzierung der Entwicklungszeit beitragen.

    Wozu dient newAide?

    Der Fokus des Projekts liegt auf Auslegungsprozessen, bei denen grundlegende Entscheidungen auf menschlichen Erfahrungswerten und Erfahrung aufbauen. Diese sollen durch KI-Algorithmen erlernt und weitgehend selbstständig auf Basis von umfassenden Test-, Konstruktions- und Simulationsdaten getroffen werden. Dadurch können komplexe Auslegungsaufgaben, die aktuell noch immer von den Fähigkeiten und der Erfahrung des Entwicklers abhängig sind, durch KI-Methoden in automatisierbare, datenbasierte Entscheidungsprozesse überführt werden.

     

    Unsere Beiträge zum Projekt

    • Spezifikation von Anwendungsfällen im Bereich Mehrkörpersimulations- und Regelungssysteme zur Vorapplikation von Fahrwerksparametern
    • Automatisierung von Workflows für den Fahrwerks- und Regelungsentwurfsprozess
    • Erforschung neuer Methoden im Bereich der Metamodellierung für physikalische Systeme
    • Validierung und Optimierung der entwickelten Methoden für KI-gesteuerte Fahrwerks- und Regelungssdesignprozesse

    Partner

    •  BMW
    • TUM – Data Analytics & ML (Günnemann)
    • TUM – Vibroacoustics (Marburg)
    • MSC Software
    • Altair
    • divis

    ALFRIED

    ALFRIED – Automatisiertes und vernetztes Fahren in der Logistik am Testfeld Friedrichshafen, soll in Zukunft dem innenstädtischen Warenverkehr dienen. Das Gesamtkonzept des hypereffizienten Mobilitätssystems besteht aus verschiedenen Mobilitätsteilnehmern. Das Projekt soll die gesamte Verkehrssituation, insbesondere der Fahrzeuge (vernetzte sowie nicht-vernetzte), intelligenter Infrastrukturen und Leitstellen verbessern. Dafür werden verschiedene Technologien entwickelt und für die Nutzung und den Einsatz im Realverkehr vorbereitet. In Zukunft sollen die Erkenntnisse aus Friedrichshafen von hoher Relevanz für andere Städte und Regionen sein.

    Ziel

    Ziel des Projektes ist die Entwicklung eines „zukunftsfähigen, nachhaltigen Mobilitätssystems durch automatisiertes Fahren und Vernetzung“. Das „Testfeld Friedrichshafen“ (Realverkehr) am Bodensee bietet als deutsches Mittelzentrum ein hervorragendes Anwendungsfeld für ein auf viele Städte und Regionen übertragbares Mobilitätskonzept. Mit dem Schwerpunkt Infrastruktur und Smart-City-Leitstelle soll das komplexe Mobilitätssystem der Stadt Friedrichshafen weiterentwickelt werden. Automatisiertes und vernetztes Fahren, Datenintegration, Routenoptimierung, Störprädiktion sowie intelligente Echtzeitinformation sollen innerstädtische Warenfahrten zwischen Werksstandorten optimieren. Die Einsparungen der Fahrten und/oder der damit verbundene Emissionsverbrauch und die Entlastung des innerstädtischen Verkehrsaufkommens soll das Ergebnis der Optimierung darstellen.

    Wozu dient ALFRIED?

    Das Projekt ALFRIED geht Probleme der Verkehrssicherheit und -effizienz sowie der hohen Straßenauslastung an. Der Mischbetrieb zwischen motorisierten und nicht-motorisierten Verkehrsbeteiligte wie auch V2X und nicht V2X-fähigen Fahrzeugen stellt aktuell eine Herausforderung dar. Zum Wohl aller Verkehrsteilnehmerinnen sowie -teilnehmer und um Staus zu reduzieren, bedarf es einer Verbesserung des Verkehrsflusses und Routenoptimierungen.

    Viele Inhalte werden in der Digitalen Plattform um diverse Datenquellen angereichert und über die Smart City Leitstelle ausgewertet, analysiert und dargestellt. Dazu zählen die Intelligente Infrastruktur mit Sensorfusionskonzept für komplexe Knotenpunkte und automatisiertes sowie vernetztes Fahren in schwierigen Fahrsituationen. Außerdem zählen die Daten aus Intelligenten Fahrzeugen (über Fahrzeug, Infrastruktur und Umgebung) dazu. Die Validierung der Ergebnisse erfolgt im Testfeld Friedrichshafen unter besonderer Berücksichtigung des innerstädtischen Warentransportes.

    Unsere Beiträge zum Projekt

    Virtuelle Validierungsplattform mit Tronis

    • Nachbilden von Teststrecken
    • V2X-Kommunikation
    • Sensorik (Raytracing)
    • Digital Twin
    • Absicherung
    • Systemtests
    • Testszenarien
    • Software-/ Hardware-/ Vehicle-in-the-loop

     

    Dynamische Karte

    • Bereitstellung und Aggregation von Informationen von und für alle V2X-fahigen Fahrzeugen
    • Metainformationen von Fahrzeugen
    • Umgebungsinformationen (Schilder, Ampeln, Fahrverbotszonen
    • (mobile) Baustellen
    • Straßenbeschaffung
    • Erfassung der Fahrzeugumgebung
    • Darstellung von nicht V2X-fähigen Fahrzeugen
    • Darstellung Verkehrsfluss zur Steuerung und Optimierung
    • Warnung vor kritischen (Gefahren-) Situationen

    Partner

    • IWT
    • DHBW Ravensburg
    • DLR Braunschweig
    • ETO Gruppe
    • Hahn-Schickard-Gesellschaft
    • IHSE
    • IMST
    • Netwake Vision
    • Voltra Solutions
    • ZF Friedrichshafen

    AUTOAKZEPT

    AUTOAKZEPT steht für die Beseitigung von Verstehensunsicherheit bei Mensch-Maschinen-Interaktion (automation without insecurity to increase acceptance of automated and connected driving). Zur Verbesserung der User Experience trifft das Recommender System die Auswahl der am besten geeigneten Anpassung für die Fahrerin und den Fahrer hinsichtlich der dargebotenen Information zur Verkehrssituation oder des Fahrstils.

    Ziel

    Mangelndes Vertrauen und negative Erwartungen können die Akzeptanz neuer Technologien verringern. Während das Aufkommen des automatisierten und autonomen Fahrens viele Vorteile wie Freizeit mit sich bringt, werden die Nutzerinnen und Nutzer auch mit Herausforderungen konfrontiert. Dazu zählen Vertrauensmangel, Unsicherheit über autonom getroffene Fahrentscheidungen sowie Reisekrankheit.

    Wozu dient AUTOAKZEPT?

    Um die Akzeptanz von automatisiertem und autonomem Fahren zu unterstützen, zielt AUTOAKZEPT darauf ab, benutzerzentrierte Strategien zu entwickeln. Damit wird eine sichere Änderung des Fahrstils und das Vertrauen zu Human-Machine Interface (HMI) in autonomen und automatisierten Fahrzeugen herbeigeführt. Um dies zu erreichen, wird ein nutzerzentrierter, iterativer Ansatz gewählt. Diese Probleme sollen mittels Atoakzept überwunden werden.

    Unsere Beiträge zum Projekt

    • Nutzerzustandserkennung
    • Nutzerstudien im Realfahrzeug und Simulator
    • HMI zur Reduktion von Unsicherheit und zur Erhöhung der User Experience
    • Entwicklung und Implementierung des Recommender Systems
    • Situationsmodell

    Partner

    • DLR Braunschweig (Coordinator)
    • IAV GmbH 
    • TU Chemnitz 
    • BMW Group (associated partner)

    LiBAT

    LiBAT – development of a high voltage LIthium BATtery, hat die Entwicklung eines ultraleichten hochintegrierten Batteriepacks für Anwendungen in der Luftfahrt zum Ziel. Das LiBAT Design erfüllt anspruchsvolle Anforderungen für Gewicht, Energiedichte und Leistung und kann flexibel in verschiedenen Anwendungen eingesetzt werden. Bevor das LiBAT Design in elektrischen und hybriden Flugzeugen benutzt werden kann, werden prototypische Umsetzungen und Tests am Boden (TRL4) durchgeführt. Durch LiBAT entsteht eine neue Zukunft für die Luftfahrt.

    Ziel

    Der Bereich der hybriden und elektrischen Antriebssysteme für die Luftfahrt stellt ein enormes Innovationspotenzial dar, insbesondere mit Blick auf CO2-Einsparungen. Um einen zuverlässigen, effizienten und sicheren Betrieb entsprechender Batteriesysteme zu erreichen, müssen sie mit sorgfältigem Blick auf Energiekapazität, Leistungsdichte, Gesamtgewicht und -volumen, thermische Anforderungen und Konstruktionsaspekte entwickelt und optimiert werden. 
    Das Hauptziel des Projekts ist es, ein besonders leichtes Batteriepack mit state-of-the-art Energiedichte zu designen und einen Prototyp aufzubauen. Eine klare Schnittstellendefinition wird die einfache Integration des Demonstrators in aktuelle Flugzeugarchitekturen gewährleisten. Der Prototyp wird mit Ziel TRL4 entwickelt und wird unter Laborbedingungen validiert.

     

    Wozu dient LiBAT?

    Leichte und leistungsstarke Batteriepacks können in vielen Anwendungsgebieten eingesetzt werden – von Anwendungen in der elektrifizierten Luftfahrt (Lufttaxis, E-Gleiter) oder auch im E-Fahrzeug bis hin zu mobilen Batteriepacks (z.B. Leistungsbereitstellung auf dem Bau).

    Unsere Beiträge zum Projekt

    • Systemsimulation und -modellierung von Batteriepack und Energiebordnetz
    • Elektrische & thermische Simulationen
    • Projektkoordination

    Partner

    • LION Smart GmbH
    • Dassault Aviation (Topic Lead) 

    RABE

    RABE – Intelligenter Rollator für die stationäre Pflege zum Autonomieerhalt der Bewohner und zur Entlastung der Pflegekräfte, umfasst die Entwicklung eines intelligenten Rollators, der die Autonomie und Mobilität der Nutzerin und des Nutzers erhöht und gleichzeitig das Pflegepersonal entlastet. Dies wird durch eine Reihe von Funktionen erreicht, beispielsweise durch den Modus „Autonomes Fahren“, eine Indoor-Navigationsfunktion und eine Pedelec-Funktion. In einer Pflegeeinrichtung der Stiftung Liebenau werden die Projektentwicklungen erprobt.

    Ziel

    Das Ziel des RABE-Projekts ist die Entwicklung eines intelligenten Rollators speziell für die Bedarfe in der langzeitstationären Pflege. Mit dem RABE-Rollator soll die Eigenständigkeit der Bewohnerinnen und Bewohner der Pflegeheime verbessert und das Pflegepersonal entlastet werden. Dies wird unter anderem durch einen Elektroantrieb erreicht, der dem Nutzer beim Bewältigen von längeren Strecken und Steigungen sowie beim Überfahren von Schwellen und Bordsteinkanten unterstützt. Zudem ist der Rollator in der Lage, durch die Verwendung von Ultraschallsendern und -empfängern autonom zu fahren. Auf diese Weise kann er beispielsweise den Nutzer am Bett abholen und diesem somit einen Weg abnehmen, auf dem es häufig zu Unfällen kommt.

    Wozu dient Rabe?

    Seit Jahren steigt in Deutschland die Zahl der Pflegebedürftigen durch die wachsende Lebenserwartung immer weiter an. Somit wächst der Bedarf an neuen Versorgungskonzepten für Menschen im höheren und hohen Alter, die einen nachweislich positiven Einfluss auf den Erhalt, die Wiederherstellung oder auch Steigerung der Lebensqualität im Alter haben. Die dadurch entstehenden Bedarfe lassen sich allein durch die zur Verfügung stehenden Pflegekräfte nicht befriedigen, stattdessen müssen zukünftig vermehrt technologische Innovationen in den Pflegealltag eingebunden werden. Die im Projekt RABE entwickelten Funktionalitäten setzen an diesem Punkt an und sollen dazu dienen, den Pflegekräften einzelne Aufgaben abzunehmen oder bei der Bewältigung zu unterstützen.

    Unsere Beiträge zum Projekt

    • Unterstützung bei der technischen Umsetzung der Rollator-Lokalisierung und der Motorsteuerung
    • Implementierung einer Indoor-Navigation
    • Realisierung einer Sprachsteuerung
    • Implementierung eines service-basierten Backends
    • Aufbau eines digitalen Rollator-Zwillings zur simulativen Weiterentwicklung und Validierung (TRONIS)

    Partner

    • Telocate GmbH
    • Reiser AG Maschinenbau
    • Hochschule Ravensburg-Weingarten (IKI, IGVP)

    OPsTIMAL

    OPsTIMAL zielt auf die Optimierung des Luftfahrtbetriebs ab (optimized processes for trajectory, maintenance, management of resources, and airline operations). Datenanalyse und Predictive Maintenance von Triebwerken helfen dabei, die Forschung zu verfolgen. Optimierte Prozesse für Trajektorie, Instandhaltung, Management von Ressourcen und Abläufen in der Luftfahrt.

    Ziel

    Das OPsTIMAL Forschungsprojekt strebt die softwarebasierte Optimierung des Flugbetriebs an, indem verschiedene relevante Datenquellen in einer Datenbank zusammengefasst werden. Auf diese Weise soll ein flexibles Störungsmanagement ermöglicht werden, das auf den aktuellen Bedingungen und Benutzerpräferenzen wie Kosten, Pünktlichkeit und Sicherheit basiert.  Ein Schlüsselelement des Ansatzes ist die ganzheitliche Optimierung aller berücksichtigten Subsysteme, d.h. der Flugbahnplanung, der MRO (Wartung, Reparatur und Betrieb), des Turnaround sowie der Rotation von Flotte und Besatzung. In der finalen Version wird die Anzeige der Datenbank den Nutzerinnen und Nutzer einen differenzierten Überblick über die jeweilige Situation geben und entsprechende evaluierte Handlungsoptionen zur Verfügung stellen.

    Unsere Beiträge zum Projekt

    • Datenanalyse
    • Entwicklung von Algorithmen zur vorrausschauenden Wartung von Düsentriebwerken
    • Website zur Projektpräsentation

    Partner

    • JEPPESEN
    • PACE
    • Rolls Royce
    • MTU
    • Inform
    • DIEHL
    • SAP
    • DLR
    • Fraunhofer FKIE
    • Friedrich-Alexander Universität Erlangen-Nürnberg
    • Technische Universität Dresden

    AIToC

    Im Projekt AIToC – Artificial Intelligence supported Tool Chain in Manufacturing Engineering, wird eine integrierte Werkzeugkette für die Produktionsplanung und das Engineering von Produktionssystemen entwickelt, die die Entscheidungsfindung bereits in sehr frühen Phasen unterstützt. Dies beinhaltet die Entwicklung und Anpassung von Tools zur Definition und Verwaltung von Anforderungen, sowie zur Erstellung von Prozessplänen, Gerätemodellen und Layouts. Dafür wird ein modellbasierter Ansatz zur Definition der Produkt- und Produktionsanforderungen verwendet. Die Integration der Werkzeugkette konzentriert sich auf Lösungen für die Interoperabilität von Tools und Plug & Play-Funktionen, um in der Gestaltung der Simulationsumgebung flexibel zu sein. Dies wird erhebliche Auswirkungen auf die Effizienz (Kosten), die Qualität der Modelle und die Durchlaufzeit für Simulationen im industriellen Kontext haben.

    Ziel

    Das Ziel ist die Entwicklung einer integrierten und KI-unterstützten Werkzeugkette für die Produktionsplanung und dem Engineering von Produktionssystemen. Die geplante Werkzeugkette soll die Formalisierung und automatisierte Analyse von Anforderungen, die computergestützte Generierung von Simulationsmodellen und die softwaregestützte Generierung von Layouts unterstützen. In all diesen Dimensionen sollen KI-Ansätze verwendet werden, um die großen Datenmengen zu verarbeiten, die benötigt werden, um aus vorhandenen Lösungen zu lernen. Konkrete Methoden sind z.B. Wissensmanagement und Expertensysteme, Verarbeitung natürlicher Sprache und maschinelles Lernen.

    Wozu dient AIToC?

    Erweiterung und Verbesserung der virtuellen Absicherung und insbesondere der virtuellen Inbetriebnahme bei der Produktionsplanung und dem Engineering von Produktionssystemen, durch Einbeziehung von manuellen Bearbeitungsschritten und automatisierter Modellerstellung für die Co-Simulation.

    Automatisierung und Verbesserung des Anforderungsspezifikationsprozesses durch A) eine grafische Anforderungsdarstellung zur visuellen Analyse, durch B) eine automatisierte Formalisierung von natürlichsprachlichen Textanforderungen, und durch C) die Bereitstellung einer formalisierten und eindeutigen Basis für die Analyse, das Testen, die Arbeitsplanerstellung und die Kommunikation bei der Planung und dem Engineering.

    Unsere Beiträge zum Projekt

    • Automatisierte und KI-basierte Formalisierung natürlichsprachlicher Textanforderungen
    • Weiterentwicklung des TWT-Tools zum Anforderungs-Engineering bezüglich Modellierungssprache, Editor zur Anforderungsmodellierung, Visualisierung der Anforderungen, Transformation von Spezifikationsmodellen, KI-basierter Analyse und Prüfung der formalisierten Anforderungen sowie Unterstützung des ReqIF-Standards
    • Ontologie-basierte Daten- und Tool-Durchgängigkeit
    • KI-basierte Erstellung von Verhaltensmodellen basierend auf realen Messdaten
    • Automatisiertes online Update des digitalen Zwillings eines Produktionssystems
    • Ankopplung von FMI-basierten MMUs für manuelle Prozessschritte an den TWT Co-Simulations-Master für Produktionssysteme, um manuelle Prozessschritte bei Mensch-Maschine-Interaktionen simulieren zu können

    Partner

    • Daimler Buses – EvoBus GmbH (deutscher Koordinator)
    • DFKI – Deutsches Forschungszentrum für Künstliche Intelligenz GmbH
    • EKS InTec GmbH
    • ifak – Institut für Automation und Kommunikation e.V.
    • in2sight GmbH
    • isb innovative software businesses GmbH
    • Raumtänzer GmbH, SAG – Software AG

    iVeSPA

    iVeSPA (Integrated Verification, Sensors, and Positioning for Aircraft production) untersucht Möglichkeiten zur signifikanten Erhöhung des Digitalisierungsgrades innerhalb der heutigen Flugzeugfertigung. Der aktuelle Grad der Digitalisierung von Prozessschritten ist nicht sehr hoch. Falls die dort verwendeten Maschinen innerhalb der absolvierten Prozessschritte ihre Sensordaten zur weiteren Verwendung bereitstellen, handelt es sich allenfalls um Insellösungen. Eine verbreitete Vernetzung der Maschinen oder die zentrale Speicherung für einen vereinfachten Zugriff auf alle Daten der Fertigungsprozesse liegt nicht vor.

    Ziel

    Innerhalb des iVeSPA-Projektes soll die Effizienz der Flugzeugfertigung durch eine Erhöhung der Digitalisierung einzelner Prozesse angehoben werden. Hierzu wird mit Hilfe von funkbasierten und optischen Lokalisierungsmethoden ein Flugzeugbauteil im gesamten Installationsprozess – von der Anlieferung bis hin zum Einbau in den Flugzeugrumpf – verfolgt. Der entstehende Datensatz wird in Echtzeit in ein digitales 1:1-Fabrikmodell zur simulativen Beschreibung des Prozesses eingelesen und dargestellt.
    Für eine wertsteigernde Integration von erzeugten Sensordaten innerhalb der Fertigung werden diese mit den dort zugrundeliegenden Prozessen verknüpft, um die Qualität und zeitlichen Abläufe der Prozesse sicherstellen zu können.

     

    Unsere Beiträge zum Projekt

    •     Modellierung von Positionierungssensoren
    •     Erstellung eines digitalen Modells der Fertigungsumgebung (Blender)
    •     Integration von Daten aus einem Sensornetzwerk und Verknüpfung mit dem Modell (Python)
    •     Realisierung eines Digitalen Zwillings des zugrundeliegenden Prozesses

    Partner

    • Airbus Operations GmbH
    • Advanced Realtime Tracking GmbH & Co. KG
    • Agilion GmbH (nun Siemens AG)
    • Fraunhofer-Institut für Fabrikbetrieb und -automatisierung IFF
    • Werkzeugmaschinenlabor WZL der RWTH Aachen
    • Siemens AG
    • ZAL Zentrum für Angewandte Luftfahrtforschung GmbH

    SMART

    „Simulation of mobile networks and automotive behavior in realtime“ – Autonome Fahrapplikationen stellen hohe Anforderungen an die Mobilfunknetze, die naturgemäß variierende Dienstgüten aufweisen. SMART untersucht virtuell Vehicle-to-X (V2X) Anwendungen und wie belastbar diese in LTE und 5G Szenarien sind. Im Rahmen des Projekts wurde ein Mechanismus zur Aushandlung der Dienstgüte entwickelt. Außerdem wurden Echtzeitsimulationen von V2X-basierten autonomen Fahrszenarien in der virtuellen 3D-Umgebung Tronis® eingesetzt, um die Fähigkeiten des Mechanismus, stochastische Garantien der Dienstgüte vorherzusagen, zu evaluieren.

    Ziel

    Ziel von SMART ist die neuartige Kopplung existierender Simulatoren für Mobilfunk-relevante Teilaspekte des autonomen Fahrens. Dadurch soll eine realzeitfähige Simulationsplattform für die integrierte Untersuchung von V2X Kommunikation in realitätsnahen Szenarien geschaffen werden. Mit dieser Plattform werden die in SMART entwickelten Mechanismen zur Aushandlung und Vorhersage der Dienstgüte der Kommunikation hinsichtlich ihres Nutzens und ihrer Realisierbarkeit bewertet.

    Unsere Beiträge zum Projekt

    • Integration von V2X-Simulationsmodellen in die 3D-Simulationsumgebung Tronis® 
    • Erstellen von Simulationsmodulen für autonome Fahrszenarien 
    • Verkehrssimulation
    • Echtzeitsimulationen 
    • Co-Simulationen
    • Statische und dynamische Szenariengenerierung
    • Erstellung von realistischen, virtuellen Fahrszenarien

    Partner

    • Institute of Communication Networks and Computer Engineering
    • Universität Stuttgart

    RITUAL

    Während Assistenzroboter funktionell bereits gut entwickelt sind, gelingt es ihnen derzeit oft noch nicht, menschliche Emotionen und Verhalten richtig zu interpretieren und somit situationsgerecht mit der Nutzerin und dem Nutzer zu interagieren. Wenn Assistenzroboter in unseren privaten Alltag einziehen sollen, müssen sie in der Lage sein, den Nutzerzustand und Nutzungskontext richtig zu deuten und ihre verbale und nonverbale Interaktionsstrategie darauf abzustimmen.

    Ziel

    In RITUAL sollen etablierte Interaktionsstrategien aus der Robotik und der Fahrzeugkabine in bestehende Assistenzroboterplattformen integriert, an verschiedene Nutzertypen und –zustände adaptiert und in einer Langzeitstudie evaluiert werden. Der Fokus liegt auf der Untersuchung interaktionsrelevanter Parameter wie dem Maß an Proaktivität, das Assistenzroboter beim Initiieren eines Dialogs mit dem Nutzer zeigen, der Sprache der Assistenzroboter sowie ihrer Annäherungsdynamik. Die optimale Interaktionsstrategie wird anhand von theoretisch fundierten und im Nutzerprofil festgehaltenen Personenmerkmalen, in Echtzeit detektierten Emotionen sowie der Interpretation des aktuellen Kontexts bestimmt. Durch die Adaptation des Assistenzroboterverhaltens an Nutzerinnen sowie Nutzer und Kontext wird ein positiver Effekt auf die User Experience (UX), die Akzeptanz und das Vertrauen der Nutzer erwartet.
    Sozialwissenschaftlich fundiert wird RITUAL durch partizipative Forschungsmethoden, die potentielle Nutzerinnen und Nutzer iterativ an der Spezifizierung von Mensch-Roboter-Interaktion (MRI)-Szenarien sowie der Exploration von ELSI-Aspekten und Kontextfaktoren beteiligen. Auch die besonderen Anforderungen an Sicherheit, die durch den unkontrollierten Einsatzort und die Nähe zw. Mensch und Roboter entstehen, werden in einem normen- und kontextgerechten Sicherheitskonzept berücksichtigt.

    Unsere Beiträge zum Projekt

    • Planung des Hauptprojekts

    Partner

    • LebensPhasenHaus Tübingen
    • Mehrgenerationenhaus Ravensburg
    • Zusammenleben 4.0 Halle
    • Stiftung Liebenau

    Mathematical Research & Services

    Mathematical Research

    Ingenieurwissenschaftliche und physikalische Fragestellungen werden häufig durch partielle Differentialgleichungen formuliert und mittels der Finiten-Elemente-Methode (FEM) gelöst. Bei dieser Methode wird zunächst das vorgegebene Berechnungsgebiet vernetzt, d.h. in einfache geometrische Elemente zerlegt, wie etwa Dreiecke bzw. Vierecke im Fall von Oberflächenmodellen oder Tetraeder bzw. Hexaeder im Fall von Volumenmodellen. Diese Elemente dienen als Grundlage für die Definition der Lösungsfunktion, deren Koeffizienten durch das FE-Verfahren zu bestimmen sind. Je nach Güte des resultierenden Netzes schließt sich daran ein Netzoptimierungsschritt, der ggf. auch in das Netzgenerierungsverfahrens integriert sein kann. Danach wird unter Einbeziehung von Randbedingungen wie beispielsweise Lasten, Fixierungen, etc. im FE-Simulationsprozess ein lineares Gleichungssystem zur Bestimmung der Lösungskoeffizienten aufgestellt. Im Anschluss wird das resultierende FE-System mit speziellen numerischen Methoden gelöst und die Lösung des Simulationsproblems ausgewertet.

    Ausgangspunkt: Erhalt qualitativ hochwertiger Netze bei geometrischer Komplexität

    Bei diesem Prozess hat die Qualität der Vernetzungen einen entscheidenden Einfluss auf die Effizienz und die Genauigkeit der FE-Simulation. In der Regel sind Netze mit möglichst regulären Elementen wünschenswert um zu kleine bzw. zu große Elementwinkel zu vermeiden, da diese zur Erhöhung der Konditionszahl der Steifigkeitsmatrix und somit zur schlechteren Lösbarkeit des resultierenden FE-Systems bzw. zu Ungenauigkeiten bei der resultierenden Lösung führen. Die Erzeugung qualitativ hochwertiger Netze wird bei zunehmender geometrischer Komplexität immer problematischer.

    TWT Lösungsansatz: "GETMe"

    Der Fachbereich Mathematical Research & Services der TWT entwickelte die Geometric Element Transformation Method (GETMe) zur Glättung von Finite-Elemente-Netzen. Bei diesem Verfahren wird die Qualitätsverbesserung ausschließlich durch die Neupositionierung von Netzknoten erzielt, ohne dabei die Netztopologie, d.h. die Zusammenhangsstruktur der Elemente des Netzes, zu verändern. Dies ist exemplarisch in untenstehender Abbildung für ein aus Hexaedern bestehendes Außennetz des von TWT entwickelten offenen PKW Aletis dargestellt. In der Abbildung sind die Elemente gemäß ihrer Regularität eingefärbt. Diese wurde mit Hilfe eines  Regularitätsmaßes bemessen, welches für degenerierte Elemente den Wert 0 (rot) und für reguläre Elemente den Wert 1 (blau) annimmt. Insbesondere Elemente mit kleinen Qualitätszahlen sind zu vermeiden, da diese zu Instabilitäten und Ungenauigkeiten in der Finite-Elemente-Berechnung führen können. 

    Die Netzglättung durch GETMe basiert auf der Verwendung von geometrischen Transformationen für Polygone und Polyeder, welche bei iterativer Anwendung sukzessive problematische Elemente in reguläre und somit höherwertige Elemente überführen. Das Verfahren ist prinzipiell für die Verbesserung der gebräuchlichsten FE-Netztypen geeignet.

    Resultat

    In den durch die TWT verfassten Publikationen konnte durch zahlreiche numerische Tests und  mathematische Beweise belegt werden, dass durch GETMe Netzqualitäten erzielt werden, wie sie bisher nur mit Verfahren der globalen Optimierung erreicht werden konnten. Hierbei ergibt sich jedoch ein signifikanter Geschwindigkeitsvorteil, da Verfahren der globalen Optimierung aufgrund ihres mathematischen Optimierungsansatzes einen wesentlich höheren Rechenbedarf haben.