„Tensor-on-Tensor Regression for Human Motion Prediction in an Industrial Collaborative Setting“<\/p>\n\n\n\n Der Preis wurde in einer gemeinsamen Veranstaltung mit den TEWI-Sch\u00fcler*innenpreisen und den Best Performer Awards am 22. September 2023 \u00fcbergeben und die Arbeit wird hier kurz vorgestellt:<\/p>\n\n\n\n Um die Sicherheit von kollaborative Arbeitsr\u00e4ume zwischen Menschen und Robotern in industriellen Anwendungen zu gew\u00e4hrleisten, ist eine Erkennung von Gefahrensituationen, die nicht auf K\u00f6rperkontakt basieren, essenziell. Daher ist das Ziel der Arbeit, die in Kooperation mit Joanneum Research entstanden ist, ein geeigneten Vorhersagemodellen zu entwickeln, welche potenziell gef\u00e4hrlichen Kollisionen zwischen Menschen und Robotern vorhergesagt. Da der Mensch die Hauptquelle der Unsicherheit in solchen Arbeitsumgebungen ist, k\u00f6nnen Vorhersagen \u00fcber seine k\u00fcnftigen Bewegungen im Robotersystem genutzt werden, um physischen Kontakt zu vermeiden. Ein g\u00e4ngiger Ansatz ist die Vorhersage sich wiederholender menschlicher Bewegungen mit Hilfe k\u00fcnstlichen neuronalen Netzen beispielsweise. In dieser Arbeit wird ein tensorbasierter Ansatz verwendet, um zuk\u00fcnftige Bewegungen anhand der Bewegungsmuster vergangener Sekunden vorherzusagen.<\/p>\n\n\n\n Bei der Datenerhebung wurde das Optitrack-System verwendet, welches x, y und z Koordinaten von 10 am K\u00f6rper fixierten Markern w\u00e4hrend industrieller Montagearbeiten aufzeichnete. Die Marker wurden zum Beispiel an der H\u00fcfte, Wirbels\u00e4ule, Schulter, Kopf, Ellbogen und Hand angebracht und es wurde zwei Datens\u00e4tze mit unterschiedlichen Personen aufgezeichnet. Bei der Modellierung mit den gewonnenen Daten gibt es verschiedene Herausforderungen.<\/p>\n\n\n\n Um die Beschr\u00e4nkungen des menschlichen K\u00f6rpers zu ber\u00fccksichtigen (1), wurden die Daten in den Gelenkwinkelraum (Joint Angle Space) transformiert, hierbei werden die L\u00e4ngen zwischen den K\u00f6rperteilen beim Zur\u00fcckrechnen fixiert. Um eine Modellierung durchf\u00fchren zu k\u00f6nnen, wurde eine Referenzbewegung erstellt. Dabei werden die Trainingsdaten auf gleich L\u00e4nge gestreckt oder gestaucht, dann wurde der Median der Daten bei jedem Zeitschritt zur Bestimmung des Referenzzyklus verwendet und somit auch die unterschiedlichen L\u00e4ngen (2) der Bewegungsaufnahmen adressiert. F\u00fcr die Modellierung wurden entlang der Referenzbewegung vier Sekunden verwendet, um ein Sekunde der Bewegung vorherzusagen. Durch die Verwendung bzw. den Eigenschaften eines tenorbasierten Models konnten sowohl die Korrelationen zwischen den Gelenken als auch die Hochdimensionalit\u00e4t (3) ber\u00fccksichtigt werden. Durch ein \u00c4hnlichkeitsma\u00df, welches neue Bewegungen mit der Referenzbewegung vergleicht, konnten vorhersagen gemacht werden. Diese Vorhersagen wurden in Echtzeit (4) errechnet, da die ben\u00f6tigten Rechenoperationen nicht aufw\u00e4ndig waren.<\/p>\n\n\n\n Die Resultate sind von Parametern des Models abh\u00e4ngig, es konnte aber im Median ein Gesamtfehler der Vorhersage zu den Originalen Daten bzgl. aller Marker vom 15-40 cm festgestellt werden. Au\u00dferdem wurde die Method mit den Vorhersagen eines Neuronalen Netzes verglichen. Die vorgestellte Methode erzielte im Mittel einen ca. 50 cm geringeren Gesamtfehler.<\/p>\n\n\n\n Zusammengefasst, hat die entwickelte Methode s\u00e4mtliche Herausforderungen adressiert und bessere Ergebnisse als die h\u00e4ufig verwendete Vergleichsmethode erzielt.<\/p>\n\n\n\n R\u00fcckfragen<\/strong>: Christian Timmerer (Gesch\u00e4ftsf\u00fchrer), Institut f\u00fcr Informationstechnologie (ITEC), Universit\u00e4t Klagenfurt, Universit\u00e4tsstra\u00dfe 65 \u2013 67, A-9020 Klagenfurt, Telefon: ++43 463\/2700-3621, Email: christian.timmerer@aau.at<\/a><\/p>\n\n\n\n \u00dcber den F\u00f6rderverein Technische Fakult\u00e4t<\/strong><\/p>\n\n\n\n Der F\u00f6rderverein Technische Fakult\u00e4t an der Universit\u00e4t Klagenfurt verfolgt das Ziel, die Technische Fakult\u00e4t bei der Erf\u00fcllung ihrer Aufgaben in Forschung und Lehre zu f\u00f6rdern und die Arbeit der Mitglieder, Studierenden und Absolvent*innen zu unterst\u00fctzen. Ein weiteres wesentliches Ziel ist die Intensivierung des Erfahrungs- und Erkenntnisaustausches zwischen Wissenschaft und Praxis. Mit fast 200 Mitgliedern ist er der anzahlst\u00e4rkste (F\u00f6rder-)Verein im Umfeld der Universit\u00e4t Klagenfurt.<\/p>\n\n\n\n \u00dcber die Universit\u00e4t Klagenfurt<\/strong><\/p>\n\n\n\n Die Universit\u00e4t Klagenfurt hat sich seit ihrer Gr\u00fcndung anno 1970 als eine von sechs staatlichen Universit\u00e4ten mit breitem F\u00e4cherspektrum in \u00d6sterreich etabliert. Mehr als 12.000 Studierende lernen und forschen an der Universit\u00e4t Klagenfurt, etwas mehr als 2.000 davon kommen aus dem Ausland. Etwa 1.500 Mitarbeiterinnen und Mitarbeiter streben nach qualitativen H\u00f6chstleistungen in Lehre und Forschung. In den Times Higher Education World University Rankings 2022, die den Anspruch hegen, die 1.400 besten Universit\u00e4ten weltweit zu reihen, rangiert sie in der Platzgruppe 351-400, Platz 5 in \u00d6sterreich. Im Ranking der besten jungen Universit\u00e4ten der Welt unter 50 Jahren (The Young University Rankings 2022) findet man sie auf Platz 77 weltweit (von 790 gelisteten Universit\u00e4ten). Im Fachbereich Computer Science belegt die Universit\u00e4t Klagenfurt in der Platzgruppe 201-250 den vierten Rang unter den \u00f6sterreichischen Universit\u00e4ten. Eines ihrer Forschungsst\u00e4rkefelder sind \u201eVernetzte und autonome Systeme\u201c.<\/p>\n\n\n\n <\/p>\n","protected":false},"excerpt":{"rendered":" Klagenfurt, \u00d6sterreich \/ 22. September 2023 \u2013 Der Roland-Mittermeir-Preis pr\u00e4miert die besten Masterarbeiten aller Studien der Technischen Fakult\u00e4t an der Universit\u00e4t Klagenfurt. Antragsberechtigt sind Absolventinnen und Absolventen aller Studienrichtungen der Technischen Fakult\u00e4t der Universit\u00e4t Klagenfurt, die Mitglied beim F\u00f6rderverein sind … Continue reading ![\"\"](\"https:\/\/www.ftf.or.at\/wp-content\/uploads\/2023\/09\/P1010104.jpg\")
<\/a>\n
\n\n\n\n