en
Fachgebiet Neuro-Informationstechnik

Arbeitsgruppe NIT

Willkommen auf den Seiten des Fachgebiets Neuro-Informationstechnik, geleitet von:

apl. Prof. Dr.-Ing. habil. Ayoub Al-Hamadi

Ayoub_Al-Hamadi_cnnEmotion_blended

Fachgebiet Neuro-Informationstechnik (NIT)

Das Fachgebiet Neuro-Informationstechnik (NIT), unter der Leitung von Prof. Ayoub Al-Hamadi, widmet sich der Erforschung und Entwicklung neuartiger Verfahren zur multisensorischen Informationsverarbeitung, natürlichen Mensch-Maschine-Interaktion sowie intelligenter, kontextsensitiver Assistenzsysteme. Dabei steht die enge Verbindung zwischen moderner künstlicher Intelligenz, sensorgestützter Wahrnehmung und hybriden Robotiklösungen im Vordergrund.

Beispiele sind die Entwicklung neuer modellgetriebener Algorithmen auf Basis von künstlicher Intelligenz zur:

  • Mensch-Roboter-Kollaboration in Mixed-Skill-Umgebungen
  • AI-Hybriden Systemen im Kontext von Productive Teaming
  • Multi-Roboter-Planerkennung und Organisation in hybriden Systemen
  • Intelligenten interaktiven Assistenzsystemen im Bereich Medizin oder Industrie
  • Kamerabasierten Vitalparameterschätzung und Lügendetektion
  • Objektverfolgung, Ereignis- und Situationserkennung
  • Emotions-, Gesten- und Aktionserkennung im Bereich der Mensch-Maschine-Interaktion
  • Handschrifterkennung und -interpretation im Bereich der Inhaltsanalyse

Neben der Erforschung von lernenden Algorithmen und Interaktionstechniken besteht der Anspruch darin, vielfältig einsetzbare, sensorbasierte Key-Enabling-Technologien für Bedarfsfelder wie Medizin, Sicherheit, Mobilität und Automotive sowie Produktion zu entwickeln.

 

Forschungscluster

AI-Cluster 1: RoboSensation

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:

AI-Cluster 2: Diagnostik

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:

AI-Cluster 3: InfiniAssist

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
AI-Cluster 4: Hybrid-Systeme

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:

AI-Cluster 5: Key-Enabling-Technologie


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

AI-Forschungsinfrastruktur & -Forschungsdatenbanken

Forschungsinfrastruktur & Labore

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

Internationale Forschungsdatenbanken
  • 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

 

 

Letzte Änderung: 20.06.2025 -
Ansprechpartner: Webmaster