BehavE: Verhalten verstehen durch Situationsmodelle situationsadaptiver Assistenz

• Antragstellerin: Professorin Dr.-Ing. Kristina Yordanova
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2019 bis 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 433339426

Situationsmodelle ermöglichen die Repräsentation personenbezogenen Domänewissens in einer strukturierten und einheitlichen Form. Solche Modelle werden sowohl zur Inferenz menschlichen Verhaltens und Anliegen als auch zur Auswahl passender Assistenzstrategien verwendet. Derzeit werden Situationsmodelle entweder manuell entwickelt oder aber auf Basis weniger Informationsquellen automatisch generiert.Ziel dieses Vorhabens ist es, dieses Problem durch die Entwicklung einer generalisierten Methode zur automatischen Generierung von Situationsmodellen aus heterogenen Datenquellen zu adressieren. Dabei ermöglicht diese Methoden das Lernen von Modellen für verschiedenste Anwendungsdomänen. Im Detail, werden die folgenden Probleme adressiert:(1) die automatische Extraktion von Domänenelementen und deren semantischer Strukturen aus heterogenen Quellen; (2) die automatische Konsolidierung heterogenen Wissens in ein Situationsmodel; (3) die automatische Optimierung des Models durch Beobachtungen; (4) die automatische Wartung und Weiterentwicklung des Models über einen langen Zeitraum, um das Modell an aktuelle Gegebenheiten anzupassen; (5) die Entwicklung einer Evaluationsmethode für Situationsmodelle in realen Umgebungen.Um diese Ziele zu erreichen, kombiniert das Vorhaben bereits existierende sowie neuartige Methoden zur automatischen Wissenextraktion und Lernen von Modellen aus heterogenen Daten.Diese Methoden umfassen Verfahren des überwachten und unüberwachten Lernens semantischer Strukturen, Verfahren des Reinforcement Learnings für die Modelloptimierung, Verfahren zur automatischen Wissensextraktion aus strukturierten Wissensbasen und verschiedene Verfahren maschinellen Lernens zur Modeladaption und zum Lernen von Gewichten. Zur Evaluation der entwickelten Methode werden gelernte Situationmodelle auf bereits vorhandene Datensätze aus der Pflegedomäne angewendet. Die Erkennungsleistung der gelernten Modelle wird dann mit der manuell entwickelter Modelle verglichen. Die zu entwickelnde Methode ermöglicht es, den Modellierungsaufwand zu reduzieren indem die manuelle Entwicklung von Situationmodellen durch automatisches Lernen ersetzt wird.Falls erfolgreich, reduziert das Verfahren sowohl die Zeit als auch die Ressourcen, die für die Entwicklung reichhaltiger Situationsmodelle von hoher Qualität notwendig sind. Die Ergebnisse lassen sich auf andere Systeme zur Problemlösung unter Verwendung von Domänenwissen generalisieren.

• DFG-Verfahren: Sachbeihilfen