Die Ausbreitung von Gasen oder Stoffen in der Luft ist wegen der Luftdynamik ein hoch komplexer Prozess. Deswegen sind flächendeckende Messungen von solchen Prozessen oft sehr schwierig oder technisch nicht realisierbar. In vielen Fällen werden Emissionen zum Beispiel von Kohlenstoffdioxid und Methan aktuell durch fest installierte Messsensoren oder durch tragbare Messinstrumente überwacht. Somit werden Messungen an einigen wenigen Positionen durchgeführt, was die räumliche Auflösung deutlich beschränkt.
Obwohl tragbare Geräte etwa auf Deponien verwendet werden können, sind hier zusätzlich Personen vor Ort, um Messungen zu erhalten. Deswegen gilt die Entwicklung und Erforschung autonomer mobiler Roboter-Systeme und Algorithmen als Schlüssel zur effizienten und robusten Erkundung gasförmiger Prozesse.
Im Gegensatz zu bildgebenden Kameras, die eine hohe räumliche und zeitliche Auflösung bieten und Informationen aus einer gewissen Distanz aufnehmen, stellen viele nicht-visuelle Sensoren eine besondere Herausforderung dar. Zum einen erlauben solche Sensoren oft nur eine punktweise Messung, zum anderen weisen sie auch geringe Aktualisierungsraten und lange Impulsantwortzeiten auf. Das erfordert ganz neue Ansätze für autonome robotische Umfeldwahrnehmung und -erkundung von Gasen. Daher fokussiert das Projekt STARE (Schwarm-basierte Technologien für Autonome Robotische Erkundung in der Luft und am Boden) darauf, ein KI-basiertes, generisches Architekturkonzept für autonome Mess- und Erkundungsaufgaben bei Verwendung nicht-visueller Sensordaten zu konzipieren.
Die Projekt-Schwerpunkte sind:
verteilte Datenerfassung und -verarbeitung mittels kooperativer Multiagentensysteme (sogenannte Schwärme)
modelbasiertes maschinelles Lernen, für das physikalische Modelle der räumlichen Ausbreitung von Umweltparametern (im wesentlichen Gase) mit Ansätzen des maschinellen Lernens (ML) kombiniert werden.
Das generische Architekturkonzept kann für eine Vielzahl von Anwendungen im Katastrophenschutz, in der Wehrtechnik, im Umweltbereich und in der planetaren Erkundung eingesetzt werden. Gegenüber herkömmlichen Lösungen ermöglicht der Ansatz auch, die räumliche Abtastauflösung deutlich zu erhöhen und die Menge der benötigten Trainingsdaten zu reduzieren.
