Techniken des Organic Computing für die Laufzeit-Selbst-Adaption ubiquitärer, multi-modaler Kontext- und Aktivitätserkennungssysteme

• Antragsteller: Professor Dr. Paul Lukowicz; Professor Dr. Bernhard Sick
• Fachliche Zuordnung: Rechnerarchitektur, eingebettete und massiv parallele Systeme
• Förderung: Förderung von 2015 bis 2019
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 276698135

Kontext- und Aktivitätserkennung in ubiquitären Systemen beschäftigt sich mit der Frage, wie aus einfachen Sensorsignalen komplexe Informationen über menschliche Aktivitäten und die Situation in der Umgebung extrahiert werden können. Im Verlauf der letzten Jahre wurde gezeigt, wie z. B. einzelne Schritte einer Wartungstätigkeit, Alltagaktivitäten zu Hause oder Aktivitäten im Bereich Sport erkannt werden können. Solche Untersuchungen waren bisher im Wesentlichen auf kontrollierte Laborumgebungen beschränkt, in denen die Sensorkonfiguration zur Entwurfszeit festgelegt werden konnte und sich zur Laufzeit nicht mehr verändern durfte. Entsprechende Systeme basieren auf einer Verarbeitungskette, in der alle Komponenten (Signalkonditionierung, Merkmalsextraktion, Klassifikationsalgorithmen) speziell auf eine bestimmte Sensorkonfiguration und Aufgabe zugeschnitten sind. Außerhalb kontrollierter Laborumgebungen sind solche rein statischen, zur Entwurfszeit festgelegten Konfigurationen von Sensoren nicht realistisch. Stattdessen muss damit gerechnet werden, dass Sensoren jederzeit offline gehen bzw. neue Sensoren zum System hinzugefügt werden können. Daher sollen neue Methoden des Organic Computing entwickelt werden, um eine autonome Selbst-Heilung (bei Verlust eines Sensors) bzw. Selbst-Verbesserung (durch Hinzunahme eines neuen Sensors) in ubiquitären Kontext- und Aktivitätserkennungssystemen zu ermöglichen. Konkret wird eine mehrschichtige Observer/Controller Architektur entwickelt, in der das "System under Observation and Control" (SuOC) der Mensch in einer intelligenten, mit Sensoren ausgestatteten Umgebung ist. Die unterste Ebene der Architektur (Reaktionsschicht) ist dann ein klassisches System zur Kontext- und Aktivitätserkennung. Die darüber liegende Adaptionsschicht ermöglicht es dem System, autonom (oder teilautonom bei verfügbarem Nutzerfeedback) den Klassifikator auf der Reaktionsschicht anzupassen. Prinzipiell können autonome Verfahren nicht garantieren, dass jede einzelne Adaption zu einer Verbesserung führt; manchmal ist auch eine Verschlechterung der Performanz möglich. Daher werden Chancen und Risiken einer möglichen Adaption abgeschätzt. Diese Information wird nicht nur in der Adaptionsschicht selbst genutzt, sondern auch in der obersten, der Reflektionsschicht. Sie beobachtet und modelliert das Langzeitverhalten des Gesamtsystems und stellt sicher, dass ständige Änderungen der Systemkonfiguration langfristig zu einer Verbesserung der Performanz führen. In unserem Ansatz entwickeln wir neue OC-Techniken für die Aktivitätserkennung, indem Methoden aus Bereichen wie Maschinelles Lernen, Mustererkennung und verwandten Bereiche kombiniert und weiterentwickelt werden (z. B. für generative und diskriminative Modellierung, semi-überwachtes Lernen, aktives Lernen oder Theorie dynamischer, nichtlinearer Systeme). Um diese Techniken zu evaluieren, werden existierende, große Datensätze aus dem Bereich der Aktivitätserkennung verwendet.

• DFG-Verfahren: Sachbeihilfen