Puzzle@Home – KI-Projekt im Wintersemester 2022/23

Im besonderen Setting des Wintersemesters 2022/23 arbeiteten zehn Studierende der THB im Rahmen des KI-Projekts an der Lösung eines mechanisch realisierten Schiebepuzzles, das autonom gelöst werden sollte. Dabei wurde eine hybride Projektform umgesetzt: Die Teilnehmenden erhielten LEGO-Technik, Sensoren, Aktoren, AKSEN-Boards, Adapter und weiteres Material zur Ausleihe und entwickelten ihre Projekte zuhause.

Hintergrund war die „Kältepause“, mit der die Hochschule auf drohende Gasengpässe im Winter 2022/23 reagierte und ab Dezember in den Onlinebetrieb wechselte. Die Projekttreffen fanden fortan in Videokonferenzen statt, in denen die Teams ihre Fortschritte diskutierten, Probleme schilderten und live präsentierten.

Ausgeliehenes Materialpaket: LEGO-Technik, AKSEN-Board, Sensoren, Aktoren u. a.

Finale Punktetabelle mit allen Teamwertungen

Dokumentation des Gewinnerteams PotD

Die Aufgabe

Ziel war der Bau eines Systems, das ein 3×3-Schiebepuzzle mechanisch löst. Die Lösung sollte sichtbar und nachvollziehbar sein – das Puzzle wurde also physisch umgesetzt. Die Algorithmen zur Planung und Ausführung mussten auf einem AKSEN-Board laufen. Neben einem Interpreter, der konkrete Zugfolgen umsetzt, sollten die Teams auch einen Planer entwickeln, der aus Anfangs- und Zielstellung automatisch die Zugfolge berechnet. Das ist kompliziert, denn der Suchraum ist riesig und der Suchbaum noch viel größer.

Die vollständige Aufgabenstellung kann hier als PDF heruntergeladen werden. Eine Vorschau ist oben rechts eingebunden.

Abschlusswettbewerb

Der Wettbewerb bildete den Höhepunkt des Semesters. Alle fünf Teams reichten Videos ein, in denen ihre Roboter drei vorgegebene Puzzleaufgaben (P1, P2, P3) autonom lösten. In einer abschließenden Live-Session erhielten die Teams Gelegenheit, ihre Lösungen weiter zu verbessern. Gewertet wurden unter anderem die Lösungsgüte, die Laufzeit sowie die Planungskompetenz.

Alle Puzzles beginnen mit dem gleichen Startzustand: 123456780

5 Punktarten:

• Lebt (1P): Maschine bewegt sich erkennbar zielgerichtet beim Start (1P)
• Plan: Es wird ein korrekter Plan erstellt: auf dem PC (1P), auf AKSEN (2P)
• Opt (1P): Plan ist optimal
• Puzzle (3P): Das mechanische Puzzle wird gelöst, Zielzustand ist erreicht.
• Sieg: kürzeste Ausführungszeit eines Puzzles (3P), zweiter Platz (2P)

3 Puzzles sollen gelöst werden, Zielzustand und Länge sind:

• P1: 152483076, optimal sind 6 Züge
• P2: 213705864, optimal sind 16 Züge
• P3: 876041253, optimal sind 25 Züge

Den Sieg errang das Team PotD (Laurin Jonientz, Camillo Dobrovsky), hier die Dokumentation ihrer Lösung. Die finale Punktetabelle zeigt alle Teams im Wettbewerb.

Die Teams und ihre Wertungsvideos

Projektleitung

Creative Commons Lizenz

Categories: AKSEN, AMS-Projekte, RobotBuildingLab

Sensitivitätsanalyse eines neuronalen Netzes mit Hilfe einer systematischen Teststrategie zur Bestimmung von Grenzfällen

Ein akustikbasiertes Prüfsystem für Steckverbindungen soll auf akustische Einflussfaktoren untersucht werden, um es prozessfähig zu integrieren. In der Vergangenheit wurden einzelne Aspekte der Realumgebung durch Feldtests betrachtet, um das System abzusichern. Ziel dieser Arbeit ist es, eine systematische Teststrategie zur Simulation von Störfaktoren auf das KI-System zu entwickeln, anzuwenden und eine Analyse basierend auf berechneten Ergebnissen durchzuführen, um das Bewertungsverhalten des Systems zu ermitteln und vorhersehbar zu machen.

Die systematische Teststrategie beinhaltet die Modifikation von Eingabedaten für das KI-System und die Erfassung von Veränderungen im Bewertungsverhalten. Für die Modifikation werden Techniken der Signalverarbeitung angewandt, um Varianz in den Daten und Einflussfaktoren auf das System zu simulieren. Techniken wie Frequenzfilterung, Tonverschiebung und Interferenz von Stör- und zu bewertenden Geräuschen sind integraler Bestandteil der Modifikationskette. Nachdem eine modifizierte Aufnahme erzeugt wurde, erfolgt eine Bewertung durch das KI-System, welches eine Liste binärer Klassifikationen und zugehörige Konfidenzwerte ausgibt. Zur Generierung analysierbarer Bewertungen wurde ein spezieller Datensatz erstellt, der aus Aufnahmen von Steckverbindungen eines bestimmten Steckertyps und verschiedenen Störgeräuschen besteht.

Die Analyse führte zu einer Rangliste der Störfaktoren, zu den für die KI-Bewertung relevanten Frequenzbereichen und zur Reaktion des Systems auf die Tonverschiebung. Die stärksten Einflussfaktoren waren das Rascheln mit ISO-Clips und einmaliges Händeklatschen. Die wichtigsten Frequenzbereiche für die Bewertung der KI lagen zwischen 4410 bis 6615 und 15434 bis 17640 Hz. Die Reaktion des Systems auf die Tonverschiebung zeigte einen Abfall der Konfidenz, wobei der Abfall bei einer Verschiebung in den hochfrequenten Bereich stärker war. Durch die Analyse konnten Funktionen erstellt werden, die die Reaktion der KI auf verschiedene Einflüsse beschreiben, und somit konnte das Erreichen von Bewertungsgrenzen vorhergesagt werden.

Kolloqium: 26.01.2023

Betreuer: Dipl.-Inform. Ingo Boersch, Prof. Dr.-Ing. Jochen Heinsohn, Philipp Stephan (M.Sc.), Dipl.-Ing. (FH) Marcel Preibisch (Mercedes-Benz AG)

Download: A1-Poster

Categories: Abschlussarbeiten, Maschinelles Lernen