DrohnenLab – Intelligente Flugsysteme im Wintersemester 2025/26

Im KI-Projekt des 5. Semesters im Wintersemester 2025/26 entwickelten Studierende im DrohnenLab intelligente Flugdemonstratoren auf Basis der Ryze Tello-Plattform. Ziel war die Umsetzung autonomer oder teilautonomer Flugverhalten durch die Kombination von Echtzeit-Bildverarbeitung, Flugsteuerung und externer Entscheidungslogik.

Die Aufgabenstellung umfasste die Entwicklung innovativer Anwendungsszenarien unter Nutzung der integrierten Kamerasysteme sowie Python-basierter Steuerungsbibliotheken – von bildverarbeitungsbasierter Objektverfolgung bis hin zu automatisierten Navigations- und Interaktionsmechanismen.

3 Anforderungen

• Autonomes oder teilautonomes Flugverhalten
• Anwendungsperspektive
• Demonstrator / Showcase

Nach einer initialen Einarbeitungsphase in die Programmierung und Steuerung der Drohnen entwickelten die drei Teams eigene Konzepte zur Realisierung intelligenter Flugfunktionen, z. B. kamerabasierter Zielverfolgung, automatisierter Landung mit Energieversorgung oder autonomer Bilddatenerfassung für Panorama- und Navigationsaufgaben.

Ergebnisse

• Autonomes Personenfolgesystem – Echtzeit-Personenverfolgung (Quang Tuan Anh Nguyen, Yohanny Carolina Camacaro Querales)
• Landepad mit Ladefunktion – Autonome Landung und korrekte Lade-Positionierung (Andris Jefimovs, Benjamin Stürz)
• Path Mapping & Aerial Panorama – Pfadplanung des THB-Logos im Simulator, Aufnahme von 360°-Panoramen (Matteo Bossoletti, Magnus Witt, Alexej von Freeden)

Beispiel: Autonomes Personenfolgesystem

Im Projekt wurde ein autonomer Verfolgungsmodus realisiert, bei dem eine Drohne eine erkannte Zielperson in Echtzeit verfolgt und dabei ihre Fluglage kontinuierlich anpasst. Die Videodaten der On-Board-Kamera werden an einen externen Rechner übertragen, wo ein Deep-Learning-basiertes Detektionsmodell (z. B. MobileNet-SSD) die Position der Zielperson bestimmt und daraus Steuerbefehle für Yaw-, Distanz- und Höhenregelung abgeleitet werden. Bei Verlust der Zielperson wechselt das System automatisch in einen sicheren Such- oder Hover-Modus.

Creative Commons Lizenz

Soweit nicht anders angegeben, stehen die Texte, Bilder und Videos auf dieser Webseite unter der Lizenz Creative Commons Namensnennung 4.0 International (CC BY 4.0). Die Urheber sind die auf den Postern genannten Studierenden.

Categories: AMS-Projekte, Maschinelles Lernen, RobotBuildingLab

Untersuchung des Potentials von Netzwerkverkehrsanalysemethoden zur automatischen Inventarisierung von Systemen in Krankenhäusern

Die Masterarbeit untersucht, inwieweit eine passive paketbasierte Netzwerkverkehrsanalyse zur automatischen Klassifikation von Geräten in medizinischen IT-Infrastrukturen eingesetzt werden kann. Ziel ist die Unterstützung eines automatisierten Netzwerkinventars, das insbesondere im Krankenhausumfeld eine zentrale Rolle für IT-Sicherheit und Systemübersicht spielt.

Ausgangslage: Trotz der hohen Bedeutung aktueller Netzwerkinventare mangelt es an öffentlich verfügbarer Forschung zur automatisierten Geräteerkennung im Gesundheitswesen. In der Arbeit wird daher ein Proof of Concept zur Geräteklassifikation in medizinischen Netzwerken durch Reproduktion einer bestehenden Forschungsarbeit implementiert und evaluiert.

Datengrundlage:

• zwei öffentliche DI-Datensätze IoTSentinel und UNSW-IoTDevID
• ein medizinischer IoMT-Datensatz CICIoMT2024
• ein neu erstellter HeliosLabor2025-Datensatz aus realem Labornetzwerkverkehr der Helios-Kliniken-Gruppe

Methodik: Auf Basis passiv aufgezeichneter Netzwerkpakete werden paketbasierte Merkmale extrahiert und mit überwachten Lernverfahren klassifiziert. Hierzu werden verschiedene Entscheidungsbaum- und Random-Forest-Modelle trainiert und anhand üblicher Metriken wie dem Macro-F1-Score evaluiert. Aufgrund unausgeglichener Datensätze erfolgt die Bewertung über aggregierte Vorhersagen. Bei der Evaluation muss das durch geräteweises Splitting verursachte Data Leakage beachtet werden. Ein Klassifikations-Ansatz aus [1] wird zur Analyse reproduziert.

Ergebnisse:

• Reproduktion von [1] liefert vergleichbare Ergebnisse zum UNSW-IoTDevID-Datensatz.
• CICIoMT2024 zeigt trotz zusätzlicher simulierter Geräte eine akzeptable Klassifikationsleistung.
• HeliosLabor2025 liefert vielversprechende Resultate im Realbetrieb.
• Einige schwer erkennbare Gerätetypen konnten identifiziert werden.

Fazit: Die Arbeit zeigt, dass verhaltensbasierte Geräteklassifikationsmethoden aus IoT-Netzwerken erfolgreich auf medizinische IT-Infrastrukturen übertragbar sind. Eine automatische Unterstützung bei der Inventarisierung von Krankenhausnetzwerken erscheint damit plausibel.

Kolloquium: 19.02.2026

Betreuer: Prof. Dr. Michael Pilgermann, Dipl.-Inform. Ingo Boersch

Download: A1-Poster

Lizenz: Creative Commons CC BY-NC-SA 4.0 - Namensnennung – Nicht kommerziell – Weitergabe unter gleichen Bedingungen 4.0 International

Categories: Abschlussarbeiten, Maschinelles Lernen