Universität Tübingen

Auf Seiten der Universität Tübingen wirkt die Forschungsgruppe für Autonomes Maschinelles Sehen von Prof. Dr.-Ing. Andreas Geiger mit. Die Forschungsgruppe ist auch Teil des ebenfalls in Tübingen ansässigen Max-Planck-Instituts für Intelligente Systeme. Die Forschungsgruppe ist auch aktiv an der Ausbildung der nächsten Generation von KI-Spezialisten an der Universität Tübingen beteiligt, beispielsweise durch Lehrveranstaltungen wie "Self-Driving Cars" und "Deep Learning" im Rahmen des neuen Master-Programms "Machine Learning" an der Universität Tübingen.  

Hauptforschungsschwerpunkt der Forschungsgruppe ist die robuste Wahrnehmung für autonome Agenten, insbesondere autonome Fahrzeuge. Die Forschungsaktivitäten reichen hierbei von sensornaher Perzeption (3D-Rekonstruktion, Bewegungsschätzung, Objekterkennung) über holistische Szeneninterpretation (3D-Fahrbahn- und Kreuzungsschätzung) bis hin zu Sensor-Motor-Kontroll-Ansätzen. Schwerpunkte der Forschungsgruppe liegen insbesondere auf Fragestellungen der Robustheit sowie Methoden welche das Lernen von hochkapazitiven Modellen (z.B. tiefe neuronale Netze) anhand von wenigen Trainingsbeispielen ermöglichen, beispielsweise durch die Integration von physikalischem Vorwissen oder Invarianzen. Ein Hauptanwendungsschwerpunkt der Gruppe hierbei sind selbstfahrende Fahrzeuge und das Ableiten von robusten Steuerregeln aus Daten ohne suboptimale Zwischenentscheidungen treffen zu müssen.  Die Ergebnisse der Forschung werden jährlich auf den führenden Konferenzen im Bereich Computer Vision, Machine Learning und Robotik vorgestellt. Allein 2019 wurden bisher sieben Publikationen der Forschungsgruppe auf der CVPR, der führenden internationalen Konferenz im Bereich Computer Vision, akzeptiert. Der KITTI Datensatz gilt als führender internationaler Benchmark im Bereich der Wahrnehmung autonomer Fahrzeuge, wurde bislang über 3.000 Mal zitiert und hat wesentlich zum Fortschritt der Algorithmen in diesem Bereich beigetragen. Die Arbeiten der Forschungsgruppe wurden mehrfach mit nationalen und internationalen Preisen wie dem IEEE PAMI Young Investigator Award und dem Heinz-Maier-Leibnitz Preis der DFG ausgezeichnet. 

Die Universität Tübingen wird im Vorhaben maßgeblich im Bereich Transfer Learning mitwirken. Der Fokus der Uni Tübingen liegt dabei auf den beiden Themenbereichen Datenaugmentierung mit Generativen 3D Modellen sowie Robuste Repräsentationen für die Sensomotorische Regelung. Im Themenbereich Datenaugmentierung mit Generativen 3D Modellen werden kompositionale generative 3D Modelle entworfen und unüberwacht trainiert, um unabhängig von der Aufgabe Überanpassung bei tiefen neuronalen Netzen zu vermeiden und Generalisierungsfähigkeit auf neue Domänen zu erreichen. Durch Augmentierung eines Eingabedatensatzes sollen automatisiert Trainingsdaten für die Zieldomäne (z.B. neue Perspektive, neuer Sensor, neue Umgebung) erzeugt werden um das Domänen-Delta ohne Neugewinnung von großen Datensätzen schließen zu können.  Im Themenbereich Robuste Repräsentationen für die Sensomotorische Regelung wird seitens der Universität Tübingen der Fragestellung nachgegangen werden, inwieweit robuste sensomotorische Regelungsstrategien erlernt werden können, welche gut auf neue Umgebungen und Szenarien generalisieren.