In Fokus des Projekts KOPLA steht konkret die Erforschung der Interaktion von kurzfristigen und langfristigen Störungen. Diese aktuell nicht ausreichend verstandenen Korrelationen dienen dazu, Assistenzsysteme signifikant zu optimieren, indem Sie alle Abhängigkeiten zwischen Störungen beinhalten und in unsicheren Situationen bestmögliche Entscheidungen treffen. Das langfristige Ziel der hier beschriebenen Forschung zur datenbasierten Algorithmik ist den Betrieb langfristig stabiler, effizienter und kundenfreundlicher zu machen – sowohl im Alltag als auch im Störungsfall und so die Qualität des Nahverkehrs zu sichern.

Ein neuer Lösungsansatz ist es, additiv gefertigte Hohlleiter mit einem Dielektrikum höherer Permittivität zu füllen, um so eine kompakte, selbsttragende Struktur zu erhalten. Ziel des Forschungsprojekts HF-FILLED ist es, derartige monolithische, aus Kunststoff additiv gefertigte als auch spritzgegossene dielektrische Grundkörper, welche anschließend metallisiert werden, herzustellen und auf ihre Eignung für einfache Antennenanwendungen im Millimeterwellenbereich zu untersuchen.

Das Forschungsprojekt „TRADEmark“ zielte darauf ab, Handwerksbetriebe bei der Digitalisierung, Automatisierung und Planung ihrer Verwaltungs- und Wertschöpfungsprozesse zu unterstützen. Der zugrundeliegende Kerngedanke ist die nahtlose und nutzbringende Integration von Daten aus dem Internet of Things (IoT) in das moderne Geschäftsprozessmanagement (GPM).

Die Universität Regensburg, die Maxsyma GmbH & Co. KG sowie drei Anwendungspartner aus dem Handwerk entwickelten gemeinsam ein kontextsensitives System für ein zeitgemäßes GPM. Über Technologien wie Bluetooth-Low-Energy-Tags und Mikrocontroller werden präzise Echtzeit-Standortdaten von Werkzeugen und Materialien erfasst. Eine eigens entwickelte Ontologie verknüpft diese Ressourcen semantisch mit den jeweiligen Aufgaben. Durch eine ortsbezogen erweiterte Prozessmodellierung und Complex Event Processing lassen sich hochfrequente IoT-Daten in Echtzeit verarbeiten. Arbeitsaufträge können so dynamisch und automatisiert an verfügbare Mitarbeitende verteilt werden.

Die erfolgreich evaluierte Lösung bietet KMU im Handwerk eine flexibel skalierbare Plattform. Zu den Ergebnissen zählen eine gesteigerte Effizienz durch die Automatisierung von Routineaufgaben (z. B. Werkzeugrückverfolgung), eine deutlich verbesserte Transparenz über betriebliche Abläufe und eine resiliente Planung, die autonom auf unvorhergesehene Ereignisse reagiert.

Im Projekt DigiFab4KMU wurde daher eine Methode entwickelt, mit der Punktwolken direkt genutzt und mit zusätzlichen Informationen angereichert werden können. Ergänzend entstand ein Software‑Werkzeug, das Anwender dabei unterstützt zu entscheiden, ob eine direkte Arbeit in der Punktwolke genügt oder doch ein vollständiges CAD‑Modell erforderlich ist. Die Praxistauglichkeit wurde gemeinsam mit drei KMU in Labor- und Feldversuchen untersucht.

Bei Bihler wurden Punktwolken mit bestehenden CAD‑Daten überlagert, um Layoutpläne des Werks zu aktualisieren. Eberle nutzte angereicherte Punktwolken, um Anlagen mit Zusatzdaten zu verknüpfen und so Bestandsdokumentation und Verlagerungsplanung zu verbessern. Bei Hufschmied wurden Maschinen in der Punktwolke mit Live‑Daten aus Dashboards gekoppelt, um Zustände der Anlagen direkt im 3D‑Modell sichtbar zu machen.

Die Ergebnisse zeigen: Eine wirtschaftliche Direktnutzung von Punktwolken ist möglich und bietet besonders bei der Layoutplanung ein hohes Kosten‑Nutzen‑Potenzial. Gleichzeitig bestehen noch Lücken bei Schnittstellen zu CAD‑ und Layoutsystemen. Künftige Forschungs- und Entwicklungsarbeiten sollen daher bessere Schnittstellen, generative Layoutplanung und die Kopplung an den Digitalen Zwilling vorantreiben – mit dem Ziel, Umplanungen für KMU weiter zu beschleunigen und zu vergünstigen.

Heutige Kommunikationssysteme weisen eine große Vielfalt an Signalformen und Charakteristika auf, was die Erkennung und Identifikation unbekannter Funksignale zu-nehmend erschwert. Besonders im Bereich satellitengestützter Verbindungen existieren Funksysteme, die durch gezielte Überlagerung mehrerer Signale – wie im Fall von PCMA – eine effiziente Nutzung des Frequenzspektrums ermöglichen (siehe Abbildung 1). Für außenstehende Empfangssysteme, etwa bei Regulierungsbehörden, stellt diese Überlagerung jedoch ein erhebliches Problem bei der Analyse dar, da die einzelnen Teilsignale stark gestört erscheinen.

Das Ziel des Projekts bestand in der Entwicklung von Signalverarbeitungsverfahren und entsprechenden Softwarelösungen, die es ermöglichen, solche überlagerten PCMA-Signale zuverlässig zu erkennen, zu synchronisieren und voneinander zu trennen, sodass eine detaillierte Analyse durch Netzbetreiber und Behörden möglich wird.

Hierzu wurden Verfahren entwickelt, die den hohen Genauigkeitsanforderungen gerecht werden. Insbesondere wurden komplexe statistische Ansätze entworfen, die aus dem Signalverlauf Rückschlüsse auf die Parameter der Signalerzeugung und des Funkkanals zulassen.

Die vom Projektpartner IZT GmbH entwickelten Hardware- und Softwareplattformen erlaubten eine Begleitung der Entwicklung durch praxisorientierte Maßgaben und stellten Testumgebungen für den Einsatz bei realistischen Gegebenheiten zur Verfügung.

Das Projekt führte zu mehreren bedeutsamen Ergebnissen. So entstand ein IZT-Demonstrationssystem, das die Analyse und Separation von PCMA-Satellitensignalen auf der Grundlage der entwickelten Verfahren ermöglicht (siehe Abbildung 2). Darüber hinaus konnten neue Methoden zur blinden Schätzung und Detektion für sämtliche Kombinationen von BPSK-, QPSK-, 8PSK- sowie 8-, 16- und 64-QAM-Signalen für den AWGN-Kanal entwickelt werden. Die Signalsynchronisation wurde durch datengestützte Schätzverfahren deutlich verbessert, was eine robustere Verarbeitung auch unter anspruchsvollen Bedingungen erlaubt. Zudem gelang es, die Symbolraten bei PCMA-Signalen mit voneinander abweichenden Symbolraten zuverlässig zu detektieren. Weitere Fortschritte umfassen die Synchronisation, Kanalschätzung und Symboldetektion in frequenzselektiven Kanälen sowie neue Verfahren zur Nachverfolgung zeitveränderlicher Kanalparameter, die eine stabile Signalverarbeitung über die Zeit hinweg sicherstellen.
Die genannten Entwicklungen schaffen die Grundlage für Netzbetreiber und Behörden, PCMA-Signale für einen sicheren und effizienten Betrieb analysieren zu können.

Ziel des Forschungsprojekts DeepCode war es, Deep-Learning-basierte Verfahren zur nachhaltigen Verbesserung der Quellcodequalität zu entwickeln und ihre Übertragbarkeit von Open-Source-Code auf industriellen Softwarecode zu untersuchen. Der Fokus lag dabei auf praxisrelevanten Anwendungsfällen wie Namensvorschlägen für Methoden und Variablen, der Generierung von Test-Assertions und Kommentaren sowie der Integration der Ergebnisse in gängige Entwicklungsumgebungen.

Im Projekt wurde ein umfassender Basisdatensatz aus öffentlichen GitHub-Repositories sowie internen Repositories der msg systems ag und der Universität Passau aufgebaut. Eine eigens entwickelte Preprocessing-Toolbox bereitete Java-Quellcode einheitlich für verschiedene Modellarchitekturen auf. Darauf aufbauend wurden State-of-the-Art-Modelle wie code2vec, code2seq, ASTNN, GGNN, Transformer-basierte Modelle und CodeT5 implementiert, trainiert und evaluiert. Zur praktischen Erprobung entstanden IDE-Plugins für Visual Studio Code und IntelliJ, die Modellvorschläge direkt im Entwicklungsprozess anzeigen und Feedback der Nutzer erfassen.

Die Ergebnisse zeigen, dass Deep-Learning-Modelle einen messbaren Beitrag zur Verbesserung der Codequalität leisten können, insbesondere bei der Generierung von Methodennamen und Test-Assertions. Hervorzuheben ist das Assertion-Modell AsserT5, das international ausgezeichnet wurde. Gleichzeitig wurde deutlich, dass ein gezieltes Finetuning auf internen Daten sowie konsistentes Preprocessing entscheidend für die Übertragbarkeit auf Industriecode sind. Mit den entwickelten Prototypen und Erkenntnissen leistet DeepCode einen wichtigen Beitrag zur praxisnahen Anwendung von KI in der Softwareentwicklung.

Ziel des Projekts „Anything-to-Log“ war es, bislang ungenutzte Datenquellen systematisch in verwertbare Ereignislogs zu überführen. Damit sollten die Datengrundlage für Process-Mining-Verfahren verbessert, Medienbrüche überwunden und neue Optimierungspotenziale in betrieblichen Abläufen erschlossen werden.

Unter Leitung des Fraunhofer FIT wurde in Kooperation mit der soffico GmbH und den Anwendungspartnern RAPA Automotive GmbH & Co. KG und targenio GmbH ein modulares Software-Framework „X2Log“ entwickelt. Es ermöglicht die Integration, Harmonisierung und Transformation verschiedenster strukturierter und unstrukturierter Daten in ein standardisiertes Ereignislog-Format. In zwei von den Anwendungspartnern gestellten Anwendungsszenarien wurde das Framework erfolgreich getestet und evaluiert.

Das Ergebnis ist ein Open-Source-Demonstrator, der Unternehmen eine flexible, datentypübergreifende Erweiterung ihrer Process-Mining-Analysen ermöglicht. Die Anwendungspartner bestätigten eine hohe Praxisrelevanz: Bei targenio können die Erkenntnisse für die Neuentwicklung der eigenen Softwareplattform genutzt werden, bei RAPA können Prozessdaten ganzheitlich analysiert werden. Das Projekt leistet damit einen Beitrag zur digitalen Prozessoptimierung und stärkt die Innovationsfähigkeit des Wirtschaftsstandorts Bayern.

Das Projekt „Deep Colonoscopy“ hatte zum Ziel, ein KI-gestütztes System zur automatischen Erkennung und Klassifikation von Polypen und Adenomen in Echtzeit während der Koloskopie zu erforschen. Die Resultate, d. h. automatisch erkannte und vorklassifizierte Läsionen, fließen als Vorschlag in die Befund-Dokumentation ein.

Zusammen mit dem Fraunhofer-Institut für Integrierte Schaltungen IIS, dem Malteser Waldkrankenhaus Erlangen und assoziierten Partnern wurden über 100.000 koloskopische Bilder und Videos gesammelt, anonymisiert und annotiert. Auf diesen Daten wurden verschiedene Deep-Learning-Architekturen (u. a. Single Shot-Detektoren und Transformer-basierte Netzwerke) trainiert. Es wurde ein Funktionsdemonstrator entwickelt, der detektierte Polypen und Läsionen visuell hervorhebt. Die Integration in klinische Systeme erfolgte über etablierte Standards wie DICOM.

Die besten KI-Modelle erreichen eine Genauigkeit bei der Detektion von Polypen von über 92 % bei Polypen. Die KI ist in der Lage, die erkannten Läsionen in die Befundterminologie zur übernehmen, und unterstützt damit die ärztliche Dokumentation. Die Ergebnisse wurden in wissenschaftlichen Publikationen veröffentlicht und bilden die Grundlage für zukünftige Produktentwicklungen.

Vier zentrale Handlungsfelder werden adressiert: Optimal auf die auftretenden Lastprofile abge-stimmte Antriebs- und Nebenverbraucherkonzepte (TP1), die Entwicklung und Einsatzplanung intel-ligenter, modularer und multifunktionaler Batteriesysteme (TP2), die gekoppelte softwaregestützte Planung und Steuerung von Bauprozessen und Energieflüssen (TP3) und die dynamische Flexibilisie-rung der oft limitierenden Netzanschlüsse (TP4). Die Ergebnisse fließen in ein integriertes Planungs- und Betriebstool für komplexe emissionsfreie Baustellen ein. Über Netzwerkevents, Realdemonstration und andere Disseminationsformen werden die Ergebnisse einem breiten Interessentenkreis zur Verfügung gestellt.

Ein besonderer Fokus liegt auf der dynamischen Insassenbewegung, die durch veränderte Fahrdynamik, wie etwa Notbremsungen, kurz vor dem Unfall oder die Dynamik während des Unfalls, beeinflusst wird. Das Projekt gliedert sich in drei Hauptschritte: Die KI-basierte Erkennung und Prädiktion der Unfallsituation, die KI-basierte Prädiktion der Insassenposition (und -bewegung) sowie die Analyse der zu erwartenden Verletzungsschwere. Zur Umsetzung sollen moderne Sensoren und Algorithmen zum Einsatz kommen, um eine präzise, zuverlässige und schnelle Reaktion der Rückhaltesysteme zu gewährleisten und neue Ansätze für Sicherheitssysteme in automatisierten Fahrzeugen zu ermöglichen.