2.6   Abteilung für Informatik VI

Leiter:

 
Prof. Dr.-Ing. Rolf Eckmiller
Neuroinformatik
Email: eckmiller@nero.uni-bonn.de

Sekretariat:

 
Nicola Kokisch
Tel.: 0228/73-4422
Fax: 0228/73-4425
Email: kokisch@nero.uni-bonn.de
Raum: N 912

Wissenschaftliche Mitarbeiter:

 
Dipl.-Phys. Michael Becker
Dipl.-Ing. Marcus Dapper
Dipl.-Inform. Thomas Frontzek
Dr. Nils Goerke
Dr. Arnulf Hirschelmann
Dipl.-Ing. Ralf Hornig
Dipl.-Ing. Ralph Hünermann
Dipl.-Phys. Rüdiger Maaß
Dipl.-Ing. Valerij Ortmann
Dipl.-Ing. Nathalia Lopes Vieira Peixoto
Dipl.-Phys. Volker Zahn

Systemadministrator:

 
Dipl-Ing. (FH) Werner Behnke

Neuroinformatik

(R. Eckmiller)

Schwerpunkte in Forschung und Lehre

• Retina Implant
• Technische neuronale Netze für Prädiktion
• Neuronale Netze für Multi-Compartment-Modeling
• Technische neuronale Netze zur Bewegungssteuerung bei Manipulatoren
• Active Vision

Retina Implant

Im Rahmen des vom BMBF geförderten Verbundvorhabens ,,Retina Implant`` entwickeln insgesamt 15 Forschergruppen unterschiedlicher Disziplinen erste Funktionsmuster einer Sehprothese für Blinde mit Netzhautdegeneration. Das Retina Implant soll dem Implantatträger bereits in der ersten Entwicklungsstufe eine grobe Gestaltwahrnehmung (Türrahmen, Fenster, Tisch) ermöglichen. In den vier Retina Implant Labors der Abteilung VI werden u.a. ein Retina Encoder, der die Informationsverarbeitung der Primaten-Netzhaut ersetzt, und ein entsprechendes Lernverfahren für dessen Einstellung im Dialog mit einem Implantatträger entwickelt. Ein weiterer Schwerpunkt ist die numerische und experimentelle Optimierung von elektrischen Stimulationsgrößen mit dem Ziel, Ganglienzellen individuell und selektiv anzusprechen. Auch der Test des Gesamtsystems mit Komponenten verschiedener Teampartner wird in Bonn stattfinden.

Technische neuronale Netze für Prädiktion

Die Vorhersage neuer Datenpunkte aufgrund einer gegebenen Menge schon existierender Punkte gewinnt in einem breiten Spektrum unterschiedlicher Anwendungsfelder an Bedeutung. Technische neuronale Netze werden im Rahmen von Zeitreihenprognosen als Ergänzung und Verbesserung üblicher (statistischer) Standardverfahren eingesetzt. Als Testreihen dienen dabei Daten aus dem Anwendungsbereich ,,computational finance``. In Zukunft sollen weitere Prädiktionsverfahren zum Verständnis makroökonomischer Prozesse entwickelt werden.

Neuronale Netze für Multi-Compartment-Modeling

Multi-Compartment-Modeling ist eine Technik, die aus der Betrachtung biologischer Strukturen, insbesondere Zellen und Zellverbänden, hervorgegangen ist. Dabei werden Zellen als Kompartimente aufgefaßt und beispielsweise Auswirkungen von Ionenströmen durch Membranen auf Ionenkonzentrationen anderer Zellen und des Extrazellulärraumes modelliert. Im pharmazeutischen Bereich findet diese Art der Modellierung Anwendung, wenn es darum geht, den Mechanismus der Wirkung oder Wechselwirkung von Arzneimitteln im Organismus zu untersuchen. Die Technik des Multi-Compartment-Modeling wird auch im wirtschaftswissenschaftlichen Bereich bei der Erstellung von Mehr-Länder-Modellen eingesetzt. Hier sollen Wechselwirkungen und Abhängigkeiten zwischen verschiedenen Wirtschaftsgrößen analysiert und mit Hilfe des gefundenen Modells auch prognostiziert werden.

Technische neuronale Netze zur Bewegungssteuerung bei Manipulatoren

Unter Verwendung adaptiver und lernfähiger Verfahren wird eine Manipulatorsteuerung aufgebaut, die Funktionen zur Planung und Erzeugung von räumlichen Bewegungen, sowie zu einer neuronalen Positions/Kraft-Regelung bereitstellen soll. Bei der neuronalen Planung von Bewegungen sollen Beschränkungen im Gelenkraum ebenso berücksichtigt werden, wie externe Hindernisse. Die Trajektoriengenerierung soll optimale Trajektorien unter Einhaltung der manipulatorspezifischen, kinematischen und dynamischen Gültigkeit erstellen. Als Kernstück der Steuerung wird ein lernfähiger Positions/Kraft-Regler stehen, der Bewegungen des Manipulators mit definiertem Kontakt zu Objekten mit unbekannter Oberflächenform und Härte ermöglicht. Die hierfür nötigen kinematischen Transformationen zwischen Gelenkraum und kartesischem Arbeitsraum müssen Singularitätsrobust und in Echtzeit (in einem Reglertakt von weniger als 2msec) ausgewertet werden können. Die entwickelten Steuerungsmodule werden schließlich im Projekt DEMON am Beispiel einer Automatisierung von Demontageprozessen bei Altautos demonstriert.

Active Vision

Der Einsatz von lernfähigen Methoden zur Ansteuerung von technischen visuellen Systemen ermöglicht die Implementierung von modernen Bildverarbeitungsalgorithmen in Echtzeit. Die Ansteuerungsalgorithmen basieren auf neuronalen Netzen, und sind dadurch fähig, komplexe, nichtlineare Abbildungen zu implementiren. Ein in unserer Abteilung entwickeltes Active Vision System ist in der Lage, reale manövrierfähige Objekte zu verfolgen. Die Verfolgung wurde auf der Basis eines 2D Kamerabewegungssystem durchgeführt. Die weitere Entwicklung des Systems soll eine Echtzeit-Detektion des zu verfolgenden Objektes realisieren und eine 3D Verfolgung ermöglichen.

Weitere Informationen

Weitere Informationen über die beschriebenen Forschungsaktivitäten sind elektronisch unter folgender URL-Adresse verfügbar: http://www.nero.uni-bonn.de/.