Der Cluster RoboSensation fokussiert sich auf die Entwicklung kognitiver, emotionaler, sozialer und motorischer Intelligenz für Robotersysteme, um eine resiliente und adaptive Kollaboration mit dem Menschen zu ermöglichen. Ziel ist es, Roboter für den Einsatz in Mixed-Skill-Umgebungen wie Produktion, Logistik oder Medizin zu befähigen. Resiliente und kollaborationsfähige Robotersysteme sind eine Schlüsseltechnologie der flexiblen, intelligenten Produktion und Medizin, da sie komplementäre Skills von Mensch und Maschine in einer eng verzahnten, potentialorientierten Zusammenarbeit verbinden können. Im Rahmen RoboSensation werden KI-Methoden entwickelt, die die gegenseitige Ergänzung dieser Skills fördern, um robuste, effiziente und vertrauenswürdige Systeme zu schaffen, die in komplexen Mixed-Skill-Umgebungen intuitiv agieren und zukünftige Zustände antizipieren können.

Schwerpunkte:

• Entwicklung kognitiver, emotionaler und sozialer Roboterintelligenz für resiliente Mensch-Roboter-Kollaboration in Mixed-Skill-Umgebungen
• Multimodale Sensorfusion zur robusten Erfassung von Gestik, Mimik, Sprache und situativem Kontext
• KI-gestützte adaptive Verhaltensmodellierung und Planung dynamischer Handlungsstrategien durch intentionsbasierte Interpretation von Nutzeraktione
• Nutzung sozialer Signale für die kontextsensitive Interaktionsmodulation in komplexen Mixed-Skill-Umgebungen
• Befähigung von Robotern für den Einsatz in komplexen, heterogenen Mixed-Skill-Umgebungen
• Implementierung resilienter Algorithmen für robuste und adaptive Reaktion auf unvorhersehbare Umgebungsbedingungen
• Nutzung affektiver Zustandsanalyse zur Verbesserung der emotionalen Intelligenz von Robotersystemen
• Integration von semantischer Kontextanalyse zur verbesserten Interpretation komplexer Umgebungs- und Nutzersignale

Relevante Projekte:

• DFG: SEMIAC (Semantische Koordination mobiler Roboter)
• EFRE: AI Co-Working
• RobAssist
• EFRE: ENABLING: Resiliente Mensch-Roboter-Kollaboration

In diesem Cluster werden KI-Methoden für die medizinische Diagnostik entwickelt. Der Fokus liegt auf multimodaler Sensordatenfusion und maschinellem Lernen zur Erkennung und Bewertung komplexer Zustände wie Schmerz, Depression oder postoperativer Belastung.

Schwerpunkte:

• Analyse physiologischer und verhaltensbasierter Merkmale (Sprache, Mimik, Aktivität)
• Prädiktion individueller Risiken und Veränderungen durch lernende Systeme
• Personalisierte Assistenzsysteme zur Nachsorge oder zur Unterstützung chronisch Erkrankter
• Automatisierte Schmerzerkennung und -quantifizierung mittels multimodaler Sensorik
• Entwicklung adaptiver Schmerzmessmethoden zur Echtzeitüberwachung und -behandlung
• Erkennung und Klassifikation depressiver Symptome anhand multimodaler Datenquellen

Relevante Projekte:

• DFG: PAIN-MM (Multi modal AI based pain detection)
• DFG: PAIN-IMC (Intermediate Care Patients)
• EFRE: ORAKEL

AI-InfiniAssist untersucht Assistenzsysteme, die kognitive und emotionale Zustände erfassen, nonverbale Signale deuten und soziale Interaktionen analysieren. Anwendungsfelder reichen von Telemedizin über Täuschungserkennung bis hin zur psychophysiologischen Forschung.

Schwerpunkte:

• Multisensorbasierte Vitalparametererkennung (Herz-, Atemfrequenz, Hautleitfähigkeit)
• KI-gestützte Analyse von Stress, Täuschung, emotionale Zustände
• Früherkennung in Ambient Assisted Living und Telemedizin

Relevante Projekte:

• DFG: Vital
• DFG: Lügen
• BMBF: Stress

Dieser Cluster befasst sich mit der nahtlosen Integration von Mensch und Maschine in dynamischen Produktionsumgebungen. Ziel ist die Entwicklung produktiver Teaming-Modelle, in denen Menschen und cyber-physische Systeme adaptiv, effizient und sicher zusammenarbeiten.

Schwerpunkte:

• Interaktive Steuerung hybrider Produktionssysteme
• KI-basierte Entscheidungsunterstützung für kollaborative Robotik
• Cloud-basierte Lern- und Optimierungssysteme für dynamische Umgebungen

Relevante Projekte:

• EFRE: ENABLING (Resiliente Mensch-Roboter-Kollaboration)
• BMBF: AUTOKOWAT (Photonics for Autonomous Collaborative Systems)
• EFRE: AI-Co-Worker
• RobAssist

In diesem Cluster werden grundlegende, breit einsetzbare Technologien entwickelt, die als zentrale Bausteine für verschiedenste autonome Systeme dienen. Dazu zählen robuste kontextbewusste Wahrnehmungs- und Interaktionssysteme, multimodale Sensordatenfusion, erklärbare KI sowie generative Modelle zur Prädiktion komplexer Nutzerverhalten in realen Umgebungen. Die entwickelten Algorithmen und Verfahren zeichnen sich durch ihre hohe Übertragbarkeit und Skalierbarkeit aus und bilden damit essenzielle Grundfähigkeiten für Anwendungen in den Bereichen Medizin, Mobilität, Industrie 4.0 und 5.0, Sicherheit und darüber hinaus.

Schwerpunkte:

• Robuste multimodale Nutzererkennung (Gestik, Mimik, Sprache, Vitaldaten)
• Semantische Umgebungsmodellierung und situative Verhaltensanalyse
• Generative KI-Modelle zur adaptiven Verhaltenssteuerung

Relevante Anwendungsszenarien:

• Assistenzroboter
• Benutzeradaptive soziale Roboter (Ambient Assisted Living)
• Intelligente Produktionszelle der Industrie 5.0
• Kollaborative Assistenzroboter
• Medizinische Assistenzsysteme

Das Fachgebiet NIT betreibt hochmoderne Labore zur Forschung an interaktiven KI-Systemen und Robotern. Schwerpunkte:

• Emotionale, soziale und kognitive Intelligenz in Robotik
• Industrie 4.0/5.0 – Mensch-Maschine-Teaming
• Enabling-Technologien für adaptive Assistenzsysteme

Beispiel: RoboLab – Drittmittelfinanziertes Leuchtturmlabor für kognitive Robotik in Sachsen-Anhalt

• BioVid Heat Pain Database: Weltweit führend, genutzt von über 200 Forschungseinrichtungen
• IESK-arDB: OCR-Datenbank für Handschriftanalyse
• X-ITE Pain Database: Demnächst zur Veröffentlichung, für multimodale Diagnostik
• Vital-Kam Database: Multispektrale Vitaldaten
• Post-Operative Datenbank: In Kooperation mit Universitätsklinik Ulm
• Weitere in Bearbeitung: SEMIAC-Roboter-DB, AutoStress, Rosa-DB, NIT-Lie-DB, Orakel-DB