alle Gerichte und der Betrieb (Heizung, Strom, ...) jedes Restaurants im Schussental werden CO2-bilanziert, verglichen und dann wird ein Ranking erstellt. Dieses soll dann im Internet publiziert werden. Wie detailliert die Ökobilanz gemacht werden soll, ist noch offen. Die einfachste Variante wäre, anhand der Speisekarten den gmittelten CO2-Abdruck aller Gerichte zu ermitteln. Deutlich aufwändiger wäre eine Bilanzierung, welche auch noch die Quelle der Nahrungsmittel (regional, bio, ...) mit einbezieht und den Betrieb des Restaurants. Auch ist noch nicht definiert, ob den Restaurants Gelegenheit gegeben werden soll, vor deren Bewertung Änderungen vorzunehmen. Eventuell wäre es sogar möglich, eine Webseite zu entwickeln, auf der dauerhaft der "CO2-Score" von Restaurants publiziert wird. Diese könnte und sollte dann auch überregional aufgestellt sein. Interessant wäre auch ein Konzept in dem Volontäre die Bewertungen einpflegen.

Die GPT-2 und GPT-3 Netze (Generative Pre-trained Transformer Netowrks) liefern beeindruckende Ergebnisse, zum Beispiel beim Betrieb von Chat-Bots. Sie bestehen unter anderem den Turing Test. Neben Verständnis und Dokumentation der Netze sollen diese nach Möglichkeit installiert und getestet werden. Das mögliche spezielle Anwendungsgebiet ist noch offen. Es könnte zum Beispiel ein Chat-Bot oder ein Übersetzungssystem gebaut werden.

Literatur:

Brown, Tom B., et al. "Language models are few-shot learners." arXiv preprint arXiv:2005.14165 (2020).

Radford, Alec, et al. "Language models are unsupervised multitask learners." OpenAI blog 1.8 (2019): 9.

Ziel dieser Arbeit ist es, zu untersuchen, ob eine existierende Mobilitätsapp geeignet ist, um den Nahverkehr im Schussental umweltfreundlicher zu gestalten.  Gegebenenfalls sollte geprüft werden, wie hoch der Aufwand für eine Anpassung im Schussental ist. Idealerweise sollte die App in bequemer Weise unter den verfügbaren Alternativen die Umweltbilanz anzeigen, Fahrgemeinschaften unterstützen etc. Eine (unvollständige) Liste möglicher Apps ist:

• Folgende in Vilnius entwickelte und mittlerweile z.B. in Berlin verfügbare App scheint sehr interessant: https://www.heise.de/newsticker/meldung/Jelbi-App-von-BVG-und-Trafi-vereint-Berliner-Mobilitaets-Angebote-4444131.html https://www.trafi.com/ https://play.google.com/store/apps/details?id=com.trafi.android.tr&hl=de Die App wird auch in dem ARD Film (gegen Ende des Films) https://www.daserste.de/information/reportage-dokumentation/dokus/videos/kann-das-elektro-auto-die-umwelt-retten-video-102.html vorgestellt.
• https://moovitapp.com
• https://www.moovel.com
• https://mobil.tws.de

Diese Arbeit wird zusammen mit den Planungsämtern und den Klimaschutzbeauftragten der Städte Ravensburg und Weingarten ausgeschrieben.

Robosherlock is a state of the art perception framework for service robots. 

Goal of this work is to evaluate the strenghts and weaknesses of this framework.

http://robosherlock.org/

In der mobilen Robotik ist es zwingend notwendig Hindernisse zuverlässig zu erkennen um Schäden zu vermeiden. Zwar verfügen die meisten Systeme über einen Sicherheitslaser, dieser erkennt Hindernisse aber nur auf eine Ebene. Wir möchten hierfür einen Lidar von Intel verwenden. In Ihrer Arbeit erstellen Sie einen Datensatz und vergleichen verschiedene Verfahren aus dem Bereich des Maschinellen Lernens um dieses Problem zu lösen.

Eine schwäche viele Clustering-System ist, dass sie zwar sehr gute Cluster in Texten finden können, sie aber keine (für den Menschen) gute Beschreibung des Clusterinhalts erstellen können. Dies soll mit generative Algorithmen verbessert werden.

In dieser Arbeit soll einem Deep Learning Netzwerk das Lippenlesen beigebracht werden. Sie  erstellen einen passenden Datensatz und vergleichen verschiedene Verfahren. Ein Teil der Arbeit könnten auch die Entwicklung eine App für Mobiltelefone sein.

Mittels klassischer Bildverarbeitung soll ein System entwickelt werden um einen Roboter mit sehr hoher Genauigkeit in einem fest definierten Umfeld zu orten.

Curvature Distance Lookup (CDL) algorithm for fast local obstacle avoidance.The CDL algorithm is an improvement of the dynamic window approach. It considers the dynamics and kinematics of the robot, as well as its polygonal shape. It consumes raw laser scans or other sensor perceptions transformed into occupancy grids. The basic idea is that a robot moves along different curvatures (v, w combinations) which represent trajectories built up by circular arcs. The huge number of possible v, w combinations is reduced based on the observation that only a few curvatures are safely selectable given the current state and kinematics of the robot. Curvatures leading to a collision are discarded. High performance advantages are achieved by precalculating lookup tables. 

https://www.youtube.com/watch?v=WZX4b7kHzOQ

Existierende Pfadplaner für Roboterame sind oft sehr langsam und können nur schlecht mit Nebenbedingungen umgehen. In dieser Arbeit soll ein Pfadplaner entwickelt werden, der spezialisiert auf einen Roboterarm ist und gewisse Annahmen treffen kann.

Die meisten Sensoren sind in der Lage ungültige Messwerte zu kennzeichnen. Etwa gesättigte Pixel in RGB (D) Kameras oder Lasermessungen mit zu hoher und zu niedriger Reflexivität. In den meisten Machine-Learning Anwendungen werden solche Messungen einfach mit einem Standardwert. Wir möchten solche Messungen direkt in einer Convolution-Schicht eines Deep Learning Netzwerkes verarbeiten.

"You won't believe ___" 

"This ___ will restore your faith in humanity"

"X easy tricks to ___"

Dies sind sogenannte Clickbait Headlines. In Ihrer Arbeit erstellen Sie einen Datensatz und vergleichen verschiedene Verfahren aus dem Bereich des Maschinellen Lernens um solche Überschriften zu erkennen.

Generative Algorithmen können bereits Texte erzeugen, die wie handgeschrieben wirken. Wir möchten anhand einer kurzen Schriftprobe einer Person nun solche Texte erzeugen, sodass diese aussehen, als wären sie von der entsprechenden Person geschrieben.

Durch den enormen Fortschritt im Bereich der generativen Algorithmen inspiriert, möchten wir automatisch Logos erzeugen. Es soll die Möglichkeit bestehen den Stil des Logos zu beeinflussen. Entweder durch Vorgabe eines Beispiels oder einer textuellen Beschreibung

Fernsehwerbung ist oft störend und es wäre schön, wenn diese gegebenenfalls durch anderen Inhalt (etwa Nachrichten oder Kinotrailer) ersetzt werden könnte. Dazu muss jedoch der Beginn und das Ende einer TV-Werbung mit nur kurzer Verzögerung erkannt werden.

In Ihrer Arbeit erstellen Sie einen Datensatz und vergleichen verschiedene Verfahren aus dem Bereich des Maschinellen Lernens um dieses Problem zu lösen.

Anhand eines Posters soll auf das Genre des jeweiligen Films geschlossen werden.

In Ihrer Arbeit erstellen Sie einen Datensatz und vergleichen verschiedene Verfahren aus dem Bereich des Maschinellen Lernens um dieses Problem zu lösen.

RSAW (Robot Situation AWareness) system, developed in order to help a robot to surpass a blocked situation and accomplish its goal whilst minimizing the operator intervention. RSAW is a new general
system aiming to increase the autonomy of the robot; It is inspired by the notion of Situation Awareness (SA). In fact, RSAW defines a knowledge representation using ontologies and a process in order to surpass a blocked situation. RSAW is designed according to the Model Driven Engineering (MDE) methodology.

Related paper: researchgate.net

Stanza is an open-source Python natural language processing toolkit supporting 66 human languages. Compared to existing widely used toolkits, Stanza features a language-agnostic fully neural pipeline for text analysis, including tokenization, multiword token expansion, lemmatization, part-ofspeech and morphological feature tagging, dependency parsing, and named entity recognition

Related paper: https://arxiv.org/pdf/2003.07082v1.pdf
Code: https://github.com/stanfordnlp/stanza

he ROSPlan framework provides a collection of tools for AI Planning in a ROS system. ROSPlan has a variety of nodes which encapsulate planning, problem generation, and plan execution. It possesses a simple interface, and links to common ROS libraries.

ROSPlan has a modular design, intended to be modified. It serves as a framework to test new modules with minimal effort. Alternate approaches to state estimation, plan representation, dispatch and execution can be tested without having to write an entire framework.

Doc: http://kcl-planning.github.io/ROSPlan/
Code: https://github.com/KCL-Planning/ROSPlan

Lipreading is the task of decoding text from the movement of a speaker’s mouth. Traditional approaches separated the problem into two stages: designing or learning visual features, and prediction.

The authors claim that LipNet is the first end-to-end sentence-level lipreading model that simultaneously learns spatiotemporal visual features and a sequence model. On the GRID corpus, LipNet achieves 95.2% accuracy in sentence-level, overlapped speaker split task, outperforming experienced human lipreaders and the previous 86.4% word-level state-of-the-art accuracy (Gergen et al., 2016).

Related paper: https://arxiv.org/pdf/1611.01599.pdf
Code: https://github.com/rizkiarm/LipNet

Evaluate and test https://github.com/lijiannuist/Vote3Deep_lidar

For a service robot to understand how its immediate surroundings are structured, i.e. what kind of objects are present in each room and where they are located, it is important that they recognise those objects and extract information such as their pose and dimensions from the scenes. 

Work Packages:
1. Capture 3D point clouds of scene using 3D cameras.
2. Train a learning algorithm to recognise a set of objects and use this trained algorithm to recognise those objects in the captured point clouds.
3. Segment each recognised object in the point cloud using a 3D bounding box. An exampe of this is shown in the picture below, where a bounding box has been placed manually over the object plate.
4. Implement a protocol to export all this information to an XML file.

Required Skills:
1. Familiarity with Linux.
2. Some basic knowledge of machine learning algorithms, specifically object recognition frameworks.

 - Find a simple Segmentation Algorithm for 3D Pointclouds 
 - Generate one or multiple Grasping Positions 
 - Execute pickup on real robot (assistence from robolab staff)
 - May be combined with Deeplearning semantic segmentation on 3D Pointclouds

Deeplearning Semantic Segmentation on 3D pointclouds - Use pre-trained Deeplearning Network to Segment a 2D Scene - Transform Segmentation into 3D Space - Evaluate Quality in Dfferent Scenarios

Natural language semantic analysis
 - evaluate current frameworks for
 - natural speech analysis
 - implement basic prototype
 - perform experiments

Serviceroboter werden als universelle Helfer im Haushalt unser Leben stark vereinfachen und bequemer machen. Bals werden viele Haushalte solch einen "Maschinensklaven" haben. In dieser Arbeit soll untersucht werden, welche Auswirkungen solche Roboter auf unser Leben und vor allem auf die Umwelt haben. Unter anderem soll untersucht werden welche Ressourcen für den Bau und den Betrieb der Roboter verbraucht werden und ob bzw. wie sich der Reboundeffekt auswirken wird.

Die am IKI schon vor Jahren entwickelten Algorithmen zum Lernen durch Demonstration für Serviceroboter sollen im Betriebssystem ROS auf einem Roboter implementiert bzw. portiert werden. Wichtig ist hierbei, dass die Demonstration nun direkt mit der Hand des Trainers erfolgen soll. Hierbei sollen moderne Algorithmen für die Kinect zum Erkennen von Greifbewegungen oder ein Datenhandschuh verwendet werden.

Beim One-Class Learning sind in der Lernphase nur Daten einer Klasse verfügbar. Da für die Kreuzvalidierung zur Berechnung des Fehlers Daten beider bzw. aller Klassen benötigt werden, ist diese in der klassischen Form hier nicht anwendbar.

Hier soll ein neues Verfahren zur Kreuzvalidierung basierend auf Daten von nur einer Klasse von Normaldaten entwickelt und getestet werden. Auch soll dieses Verfahren verglichen werden mit der derzeit verwendeten (unfairen) Methode der Kreuzvalidierung mit Daten aller Klassen.

Unser auf ständigem Wachstum basierendes Wirtschaftssystem steht in direktem Widerspruch zur Tatsache, dass die Grenzen des Wachstums auf der Erde schon seit etwa 1980 überschritten sind. Das heißt, wir leben derzeit auf Kosten unserer Nachfahren.

Die hier ausgeschriebene Arbeit kann sich nach Abstimmung mit dem Betreuer auf eines oder mehrere der folgenden Themen konzentrieren:
 - Stand der Forschung zum Thema Postwachstumsökonomie
 - Ist Wohlstand ohne Wirtschaftswachstum möglich? Wenn ja, wie? Was müssten wir an unserem Wirtschaftssystem ändern?
 - Recherche und evtl. auch Arbeit mit (existierenden) Simulationssystemen zur Simulation von Wirtschaftssystemen.
 - Politische Umsetzung einer Postwachstumsökonomie: Ist es in einer Demokratie möglich, Mehrheiten und politische Akteure für eine Wirtschaft ohne Wachstum zu bekommen? Falls ja, wie und wie schnell? Falls nein, wie müssten wir das politische System verändern?

An unserer Hochschule gibt es ein großes Potential zum Einsparen von Energie,
zum Einsatz erneuerbarer Energien und somit zur Verminderung von Treibhausgasen sowie
der Reduzierung von Kosten für das Land. In [BK08] wurde gezeigt, dass Hochschulen im täglichen Betrieb bis zu 70% der verbrauchten Energie einsparen können. Energiesparen bringt
neben dem ökologischen auch einen ökonomischen Gewinn. Die Energiekosten für Heizung
und Strom an der Hochschule Ravensburg-Weingarten (HRW) beliefen sich im Jahr 2013 auf
426.900 €. Bei einer (durch das beantragte Projekt mit Sicherheit mindestens erreichbaren)
Einsparung von nur 20% der Energiekosten würde dies eine Kostenersparnis von 85.380 € pro
Jahr für die HRW bedeuten.

Ziel der ausgeschriebenen Arbeit ist es, ein Energiemanagementkonzept für die HRW zu entwerfen und einfache, kurzfristig erreichbare Aufgaben umzusetzen.

Voraussetzung für diese Arbeit ist ein technisches Studium und möglichst auch solides Vorwissen im Bereich Energiemanagement.

Das Greifen von beliebigen Objekten in komplexen Szenarien ist eine sehr schwierige Aufgabe. Die vorhandenen Algorithmen verwenden Eingabeattribute, die mit klassischer Bildverarbeitung berechnet werden. In letzter Zeit haben sich Deep-Learning-Algorithmen bei dieser Aufgabe als erfolgsversprechend gezeigt, weil diese aus aufgenommenen Beispiel-Greifszenarien die relevanten Parameter generalisieren. Ein solcher Algorithmus wird bescrieben in:

Paper: Learning Hand-Eye Coordination for Robotic Grasping with Deep Learning and Large-Scale Data Collection (http://arxiv.org/pdf/1603.02199.pdf)

Die Trainingsdaten, die vom Algorithmus benötigt werden, wurden von den Autoren des Papers veröffentlicht und sind verfügbar.

In dieser Arbeit soll der Student erst die Methode aus dem Paper verwenden, den beschriebenen Erfolg reproduzieren und gegebenenfalls das Verfahren erweitern.