Projects | Christopher Knievel

Prädiktive KI-Ampelschaltung

Sun, 12 May 2024 11:13:50 +0100

Das Projekt „Prädiktive KI-Ampelschaltung“ zielt darauf ab, die Interaktion zwischen Fußgängern, Radfahrern und Autofahrern an Kreuzungen zu optimieren, indem zukünftige Wege und deren voraussichtliche Dauer erfasst werden. Hierfür ist der Einsatz von LiDAR-Sensoren geplant, die eine datenschutzkonforme Erfassung und Vorhersage der Absichten von Fußgängern und Radfahrern ermöglichen. Ziel ist es, die herkömmlichen Bedarfsampeln unter Berücksichtigung des Verkehrsflusses, der Wartezeiten für Fußgänger sowie der Standzeiten der PKWs automatisch und ohne manuelle Betätigung zu steuern.

Das System kann zudem eingesetzt werden, um Radfahrer unter bestimmten Bedingungen zu priorisieren, beispielsweise bei Regen. Darüber hinaus sollen die entwickelten Algorithmen dazu beitragen, Radfahrer an kritischen und unübersichtlichen Stellen vor Gefahren zu warnen. Hierbei werden sowohl Gefahren durch andere Verkehrsteilnehmer als auch durch eine unangepasste Fahrweise der Radfahrer erkannt und entsprechende Warnungen ausgegeben.

Zur Umsetzung werden moderne Technologien aus den Bereichen künstliche Intelligenz (KI) und exterozeptive Sensoren kombiniert. Die Analyse der Sensordaten und Verhaltensprognosen ermöglicht eine Anpassung der Ampelschaltungen an die Bedürfnisse der Verkehrsteilnehmer.

Mehr Informationen über das Smart Green City Projekt finden Sie .

Die Projektseite der prädiktiven KI-Ampelschaltung finden Sie .

AI Elektronik Tutor

Fri, 20 Oct 2023 11:13:50 +0100

Das Projekt AI Elektronik Tutor zielt darauf ab, einen intelligenten Chatbot-Tutor für das Fachgebiet Elektrotechnik zu entwickeln. Der Fokus liegt darauf, Studierenden der Elektrotechnik eine interaktive Plattform zu bieten, auf der sie zu elektrotechnischen Schaltungen Fragen stellen können. Die Schaltungen können per Hand gezeichnet werden und dienen als Eingabe für den Chatbot, der daraufhin Fragen zu der Schaltung beantwortet.

Das Ziel des Projektes ist es, den Lernprozess in der Elektrotechnik zu optimieren und die Studierenden dabei zu unterstützen, ein tieferes Verständnis für komplexe Schaltungen zu entwickeln. Der Chatbot wird nicht nur als Antwortgeber fungieren, sondern als unterstützender Tutor agieren. Anstatt direkte Lösungen zu präsentieren, wird der Chatbot den Studierenden Hilfestellungen und Erklärungen bieten, um sie in ihrem Lernprozess zu begleiten.

Die Vorteile dieses Elektrotechnik-Tutors sind vielfältig. Studierende können ihre theoretischen Kenntnisse in die Praxis umsetzen, indem sie Schaltungen zeichnen und die zugrundeliegenden Konzepte verstehen. Der Chatbot wird eine zusätzliche Ressource darstellen, die die Studierenden eigenverantwortlich nutzen können, um Fragen zu beantworten und individuelle Unterstützung zu bieten. Dies fördert ein selbstgesteuertes Lernen und ermöglicht einen flexiblen Zugang zu elektrotechnischen Konzepten.

4-Gewinnt Roboter

Mon, 16 Oct 2023 11:13:50 +0100

In diesem Masterprojekt im Studiengang EIM haben die Studenten Alexander Bernhardt, Christian Bernhardt, Raphael Carli und Manuel Reichelt einen Reinforcement Learning Agenten entwickelt, der in der Lage ist das Spiel “Vier gewinnt” zu spielen.

Implementiert wurden neben einem DQN-Agenten, auch ein Monte-Carlo Tree Search (MCTS) sowie Alpha-Zero. Alle Algorithmen wurde so parametriert, dass Sie in Echtzeit auf einem Raspberry Pi 4 lauffähig sind. Über ein Touchdisplay können verschiedene Spielstärken ausgewählt werden. In der stärksten Spielstufe ist ein Gewinn über die KI nahezu unmöglich.

Parallel zur Entwicklung der Software, wurde ein Open-Source Roboterarm mit einem 3D-Drucker hergestellt, ein Sensoriksystem auf einem realen Spielfeld aufgebaut und ein Spielstein-Magazin zur Entnahme der Spielsteine durch den Roboterarm entworfen.

Der Roboter wurde erfolgreich optimiert und hat Interesse von den lokalen Medien geweckt, die das Projekt im Herbst 2023 an der HTWG erleben konnten. Ein Regio-TV-Beitrag über das Projekt ist in der Mediathek verfügbar:

Ein weiterer Beitrag ist im Südkurier zu lesen:

Assistance systems for bicycles

Wed, 15 Dec 2021 11:13:50 +0100

With the increasing spread of e-bikes, the number of accidents is also rising. An increase of more than 50% compared to last year, to over 2900 accidents, can be observed . Many accidents occur due to excessive speed and/or riding into oncoming traffic (oncoming cyclists). A similar development was observed with the introduction of the automobile. Step by step, more and more active safety features (ESP, Emergency Brake Warning, ACC, …) were introduced in addition to passive ones (seat belts, airbags). In the bicycle sector, besides passive safety functions such as safety vests and helmets, active safety functions are not yet widespread.

Overview

In this project, a warning system for cyclists shall be developed. The system shall consist of low-cost components, exterozeptive sensors (e.g. camera, ultrasonic sensors) as well as propriozeptive sensors (e.g. accelerometer, gyroscope), be energy-efficient and compact in design so that it can be mounted unobtrusively on an e-bike.

Project shall be extended to various usecases such as

Scene interpretation with respect to other cyclists and/or pedestrians
Classification of unsafe/unstable driving behavior
Recognition of potential hazards in the environment, e.g. potholes, high curbs,…

This project is kindly supported by Kettler Alu-Rad GmbH.

Completed thesis

(click titles for more information)

Details

Details to be added.

Details

The aim of this thesis is to implement different deep learning methods and evaluate if they can be used to accurately estimate the 6-D pose of a bicycle, based on IMU measurements of a 6-DOF IMU.

The following requirements must be met by the algorithm:

Accounting for sensor noise and biases
Fusing of measurements data from multiple IMUs
Capable of real-time computation

A video-SLAM algorithm has been implemented to serve as a state-of-the-art comparison and showed a good performance.

Details

This thesis focused on the development of a neural network-based classification of cyclists, pedestrians, cars, and trucks. Two popular datasets have been used for the training, namely the KITTI Vision Benchmark Suite and the Tsinghua-Daimler Cyclist Detection Benchmark Dataset. While the accuracy of the classification of cars was as expected, the accuracy to detect cyclist was unexpectedly poor. A deeper analysis of the datasets revealed that the number of cyclists labels are insufficient. Nevertheless, the potential of detection performance could be highlighted with self-recorded videos.

Details

In this thesis, an efficient object detection algorithm has been implemented to detect cyclist and a criticality metric has been investigated for its real-time capability using a monocular camera running on a Raspberry Pi 3b. Specifically, a machine learning algorithm had to identify relevant features per cyclist and tracked these features over time via the optical flow.

As both, detected cyclist and moving, the consistent identification and tracking of relevant features is a challenge, especially in scenarios with high background noise. As a result, a feature outlier detection is of importance. Various algorithms have been investigated and analyzed for the real-time capability running on a Raspberry Pi 3b.

Based on the scaling of the detected features, a time-to-collision (TTC) can be well estimated. As the results show, the TTC is accurate up to 3 seconds, which is sufficient for the system to warn the cyclist of an upcoming critical situation.

More information can be found in the .