(c) ftf/Christina Supanz

… ist der Titel des 1. Platzes des Roland-Mittermeir-Preises 2017 und wurde vom Förderverein Technische Fakultät mit EUR 1.500,–ausgezeichnet. Dem Autor und Preisträger, Herrn Dipl.-Ing. Mario Graf, wurde der Preis im Rahmen 30-Jahr-Feier Förderverein Technische Fakultät übergeben und die Arbeit wird hier kurz vorgestellt:

Zusammenfassung: In dieser Masterarbeit werden Strategien und Lösungen zum bandbreitenoptimierten Streaming von omnidirektionalen Videoinhalten (ODV) behandelt. Omnidirektionale Videos bieten die Möglichkeit, während des Betrachtens die aktuelle Blickrichtung interaktiv zu ändern. Durch diese spezielle Eigenschaft benötigen solche Videos jedoch auch höhere Bitraten und Auflösungen als traditionelle Videoinhalte. Dadurch entsteht ein Bedarf nach neuen Streaming Strategien, um diesen erhöhten Anforderungen an die Datenübertragung gerecht werden zu können.

Unter Streaming versteht man in diesem Kontext das Übertragen von Videoinhalten über das Internet. Diese Inhalte können dann etwa in einem Webbrowser oder auf einem Smartphone betrachtet werden, ohne dass der Inhalt auf dem Gerät gespeichert werden muss. Dabei wird das Video in kleinen Datenpaketen heruntergeladen, welche temporär am Gerät verfügbar sind und dann wieder verworfen werden.

Zu Beginn liefert diese Arbeit ausführliche Hintergrundinformationen dazu, wie ODV Inhalte erstellt, gespeichert und gestreamt werden können. Außerdem werden mehrere neue Streaming Strategien vorgestellt, unter anderem auch Tiled-Streaming. Dabei wird das Video in rechteckige Bereiche aufgeteilt, die getrennt voneinander und in verschiedenen Bildqualitäten zum wiedergebenden Gerät (Client) übertragen werden können. Der Client kann nun die Datenrate der Übertragung dadurch vermindern, dass etwa zurzeit nicht sichtbare Bildausschnitte nur in geringer Bildqualität übertragen werden.

Um diesen Ansatz zu evaluieren, wurde ein Datenset bestehend aus einer Vielzahl an Videosequenzen erstellt, die unterschiedliche Eigenschaften aufweisen. Um zu überprüfen, wie sich Tiled-Streaming in einem Idealszenario verhält, wurde dessen Effizienz mit einer statischen vordefinierten Blickrichtung evaluiert. Es hat sich gezeigt, dass unter Verwendung eines geeigneten Tiling-Schemas, die benötigte Bandbreite um bis zu 65% reduziert werden kann. In einer Netzwerkumgebung mit besonders niedrigen Latenzzeiten können sogar Einsparungen bis zu 85% erreicht werden.

In einem Szenario mit sich ständig verändernden Blickrichtungen, so wie es beim Betrachten solch eines Inhalts durch eine Person der Fall wäre, konnte eine mögliche durchschnittliche Bandbreiteneinsparung von 40% festgestellt werden. Bei Inhalten mit höheren Bitraten und Auflösungen erhöht sich dieser Wert auf bis zu 55%. Abschließend hat sich für das Tiled-Streaming von ODV im Equirectangular-Layout, ein Tiling Schema von 6×4 Tiles als geeignet herausgestellt.

(c) ftf/Christina Supanz

… ist der Titel des 2. Platzes des Roland-Mittermeir-Preises 2017 und wurde vom Förderverein Technische Fakultät mit EUR 1.000,–ausgezeichnet. Dem Autor und Preisträger, Herrn Dipl.-Ing. Harald Gietler, wurde der Preis im Rahmen 30-Jahr-Feier Förderverein Technische Fakultät übergeben und die Arbeit wird hier kurz vorgestellt:

Zusammenfassung: The ever-increasing number of electronic devices pushes the demand on efficient power management solutions continuously. Over the past decades the market share of switched mode power converters (SMPCs) grew rapidly due to their superior efficiency compared to conventional regulators. Nevertheless, an insufficiently performing SMPC influences the operating range, the stability and the efficiency of the supplied system. To optimize the transient performance of an SMPC, the use of suitable control algorithms is crucial. The performance of those control schemes is limited by insufficient knowledge of the converter characteristics. Unfortunately, exact information about the system is usually not available, due to manufacturing tolerances and long- term aging effects of involved passive components. Furthermore, the whole set of passive components may be changed to achieve different characteristic behaviors. The controller has to be robust, and consequently conservatively tuned, to cover all configuration possibilities.

Online system identification (SI) methods can be used to identify system parameters. The estimated characteristics are used as a basis for progressive tuning of the controller in order to improve the transient performance of the closed loop system. Generally, the more accurate the estimation result of the system parameters is, the better is the performance gain due to the SI process. This work introduces a novel concept for fast, efficient and accurate coefficient estimation of discrete-time models such as transfer functions. It approximates the linear least squares method and compared to well established algorithms it drastically reduces the computational complexity, while maintaining sufficient accuracy. Generally, this methodology can be applied to common discrete-time transfer functions or state-space models, whereas this thesis focuses on its impact and applicability in the field of SMPCs. Therefore, the proposed method is especially beneficial, since it significantly reduces the required excitation time compared to the state-of-the-art. Consequently, the proposed concept can be integrated into the start-up procedure of the converter module. The theoretical background of the introduced concept has been experimentally verified with a dc-dc buck converter based prototyping platform. It includes a digital proportional-integral-derivative (PID) controller implemented in a field-programmable- gate-array (FPGA), which is adaptively tuned, resulting in significant improvements in terms of dynamic performance.

The master thesis was done in cooperation with Infineon Technologies Austria AG. Two scientific papers based on the thesis have been published at major international conferences and one in a national journal. Additionally, one contribution for an international journal has been submitted and two US-Patent applications have been filed.

International Conference Publications:

H. Gietler, C. Unterrieder, A. Berger, R. Priewasser and M. Lunglmayr, „Low-complexity, high frequency parametric system identification method for switched-mode power converters,“ 2017 IEEE Applied Power Electronics Conference and Exposition (APEC), Tampa, FL, 2017, pp. 2004-2009. doi: 10.1109/APEC.2017.7930974

M. Kanzian, H. Gietler, C. Unterrieder, M. Agostinelli, R. Priewasser, M. Lunglmayr and M. Huemer, “Low-Complexity State- Space Based System Identification and Controller Auto-Tuning Method for Multi-Phase DC-DC Converters,” in Proc. of 2018 International Power Electronics Conference (IPEC), Nigaata, Japan

Journal Published:

Kanzian, Marc & Gietler, Harald & Agostinelli, Matteo & Priewasser, Robert & Huemer, Mario. (2018). Comparative study of digital control schemes for interleaved multi-phase buck converters. e & i Elektrotechnik und Informationstechnik. 10.1007/s00502-017-0574-3.

Journal Submitted:

H. Gietler, M. Kanzian, C. Unterrieder, A. Berger, R. Priewasser, M. Huemer and H. Zangl, „ Low-Complexity Natural Frequency Estimation and Adaptive Control for Buck Converters “, IEEE Transaction on Power Electronics

US-Patent Applications:

CONTROLLER TUNING USING DUTY CYCLE MISMATCH 2017P51442 US (1186-366US01) CONTROLLER TUNING USING PERTURBATION SEQUENCE 2017P51445 US (1186-367US01)

(c) ftf/Christina Supanz

… ist der Titel des 3. Platzes des Roland-Mittermeir-Preises 2017 und wurde vom Förderverein Technische Fakultät mit EUR 500,–ausgezeichnet. Dem Autor und Preisträger, Herrn Dipl.-Ing. Konstantin Posch, wurde der Preis im Rahmen 30-Jahr-Feier Förderverein Technische Fakultät übergeben und die Arbeit wird hier kurz vorgestellt:

Zusammenfassung: Theoretisches Fundament der vorliegenden Arbeit sind neurale Netze, insbesondere Convolutional Neural Networks (CNNs), als spezifische Deep Learning Modelle (DLM) zur Bildklassifikation. Zielsetzung war einerseits die Entwicklung eines innovativen, statistischen Bildklassifikators für Obst und Gemüse und andererseits die Erarbeitung einer neuen Methode zur Verknüpfung von Bayesscher Statistik und Deep Learning, mit dem Ziel, aktuelle Schwachstellen von DLMs entgegenzuwirken und demzufolge deren Anwendungsgebiet und Akzeptanz zu vergrößern. Neben Bearbeitung der beiden Kernthemen wurden vorab jeweils die theoretischen Hintergründe anschaulich beschrieben.

In der Nahrungs- und Genussmittelindustrie ist die zuverlässige Klassifikation von Obst und Gemüse von großem Interesse (automatisierte Sortiersysteme, Qualitätskontrolle, personalisierte Ernährung, automatische Bepreisung,…). Aufgrund der teilweise beträchtlichen Ähnlichkeiten der einzelnen Klassen in Form und Farbe sowie der oft deutlichen Varianz innerhalb der Klassen gilt die Problemstellung als schwierig. Modelle sind häufig nicht präzise genug, oder erfordern Bedingungen an die Datenaufnahme, die in realen Anwendungen unrealistisch, bzw. nur bedingt erfüllbar sind. Im Zuge dieser Arbeit wurde analysiert, ob die Aufnahme von hyperspektralen Bildern (im sichtbaren Spektrum) das Training zuverlässigerer Modelle erlaubt. Beschränkung auf das sichtbare Spektrum erlaubt die Verwendung von vergleichsweise günstigen Kameras, welches weitläufige Akzeptanz in praktischen Anwendungen garantieren soll. Insbesondere wurde eine neue Methode zur Klassifikation von hyperspektralen Bilddaten vorgeschlagen, welche im Wesentlichen auf einer geschickten Erweiterung von CNNs für RGB Daten beruht. Basierend auf einem selbstaufgenommenen und für praktische Anwendungen realistischen Datensatz konnten state-of-the-art Resultate erzielt werden. Darüber hinaus bestätigte eine Konversion der hyperspektralen Bilder in RGB Bilder die Vermutung, dass „Hyperspectral Imaging“ das Training signifikant zuverlässigerer Modelle erlaubt.

Grundsätzlich besitzt Deep Learning zwei Nachteile, welche beide auf der Tatsache beruhen, dass die lernbaren Netzwerkparameter als deterministisch betrachtet werden. Einerseits kann die Prognoseunsicherheit nicht gemessen werden und andererseits leiden die Modelle häufig unter einem over-fitting. Insbesondere die fehlende Information an Prognoseunsicherheit resultiert in bedingter Eignung von Deep Learning in einigen Anwendungsgebieten, in welchen Fehlentscheidungen besonders schwerwiegend sind (selbstfahrende Autos, Medizin,…). Beide Probleme lassen sich mittels Bayesscher Statistik lösen. Hierbei werden die Netzwerkparameter wie Zufallsvariablen behandelt, welches eine Robustheit gegen over-fitting garantiert und weiters eine Quantifizierung der Unsicherheit erlaubt. Sogenanntes Bayes Deep Learning ist Gegenstand aktueller Forschung und stößt weltweit auf enormes Interesse. In dieser Arbeit wird erstmals eine Methode für Bayes Deep Learning präsentiert, welche sowohl eine akkurate Quantifizierung der Prognoseunsicherheiten, als auch der Parameterunsicherheiten erlaubt. Wie in der Arbeit gezeigt wurde, kann letzteres zur Optimierung von Netzwerkarchitekturen genutzt werden. Die vorgeschlagene Methode wurde durch Modifikation des populären Deep Learning Frameworks Caffe implementiert und erfolgreich am Benchmark-Datensatz MNIST getestet.

Die vorliegende Diplomarbeit diente als Ausgangspunkt von zwei Publikationen, welche sich derzeit in Elsevier Engineering Applications of Artificial Intelligence und Springer International Journal of Computer Vision im Reviewprozess befinden. Abschließend ist noch anzumerken, dass die Arbeit im Rahmen eines Projektes mit der Carinthian Tech Research AG, Villach entstand und darüber hinaus von der Philips Austria GmbH unterstützt wurde.