Oneclass Nearest Neighbour Data Description ist ein Algorithmus zum maschinellen Lernen eines binären Klassifiers, wenn nur Daten einer der beiden Klassen vorliegen. Eine Optimierung dieses Algorithmus soll mit dem bisherigen Algorithmus empirisch verglichen werden.

• Entwurf eines Kaffeeabrechnungssystems
• Implementierung einer Client App auf Android unter Verwendung von RFID
• Implementierung einer Webgestützten Server Applikation zur Visualisierung von Statistiken

• Recherche und Vergleich bestehender Systeme (GitLab, RedMine, Codendi, Trac, The Bug Genie etc)
• Inbetriebnahme eines Referenzsystems und ggf. Implementierung eines Plugins zum vereinfachten Anlegen neuer Projektrepositories
• Ausblick über Möglichkeiten der automatischen Zuweisung von Commits zu entsprechenden Projektmeilensteinen

• Recherche über verwendete Technik ( http://oculusvr.com/)
• Inbetriebnahme des Rift Dev-Kits mit der bereits angepassten Version von Doom 3 BFG
• Implementierung einer einfachen eigenen Demoapplikation
• Ausblick weiterer möglicher Anwendungsgebiete

• Recherche State of the Art in ROS
• Implementierung eines 3D SLAM Scenarios auf der Pioneer-3AT Plattform

• Recherche State of the Art in ROS
• Zusammenfassung und Vergleich von verschiedenen ROS OR-Paketen
• Implementierung eines OR-Szenarios mit 4 unterschiedlichen Objekten
• (optional) Greifen von Objekten mit Katana oder Schunk Arm (Katana Ansteuerung vorhanden, Schunk falls o.g. Projekt in der Endphase)

Das aktuelle Learning from Demonstration (LfD) ist in Matlab geschrieben. Matlab ist eine kostenpflichtige, properitäre, Mathematik Software [1]. Auf Basis des vorhanden Codes soll eine Python Implementierung mit Hilfe von numpy, scipy und infpy [2] erstellt werden. Ziel ist es langfristig das LfD als ROS [4] Paket für beliebige Roboter zur Verfügung zu stellen. Von Interesse könnte der OMPC Matlab-to-Python compiler sein[4].

[1] http://www.mathworks.de/
[2] http://xenakis.mrc-bsu.cam.ac.uk/group/index.php/Gaussian_processes_in_python 
[3] http://www.ros.org/wiki/
[4] http://ompc.juricap.com/

In der Bildverarbeitung werden oft Algorithmen eingesetzt, die auf Farbbasis arbeiten. Bei der Verwendung von unterschiedlichen Kameras besteht das Problem, dass diese verschiedene Parametersaetze beinhalten (Weissabgleich u.a.), die aufeinander abgestimmt werden muessen, um ein reproduzierbares Ergebnis zu erhalten.

Ziel dieser Arbeit soll sein, mit Hilfe von ueberwachten Lernverfahren eine optimale Kalibrierung unterschiedlicher Kameras zu erreichen. Eine Moeglichkeit waere, dass eine definierte Szene mit variablen Kameraparametern aufgenommen wird und dann vom menschlichen Trainer beurteilt wird, ob die Kalibrierung suffizient ist. Dazu muessen zunaechst die Eingabedaten fuer das Lernverfahren festgelegt, danach Trainings- und Testdaten erzeugt und das Verfahren evaluiert werden.

Um Vorlesungen auf Video aufnehmen zu können, muss bisher die jeweilige Kamera manuell bedient werden. Es wäre wünschenswert, wenn Bewegungen und Zoom automatisch gesteuert werden könnten.

In diesem Teil des Projekts soll zunächst die Position des Vortragenden, optimalerweise seiner Hände und eines Zeigestocks bestimmt werden. Dazu bieten sich Techniken der Bildverarbeitung per Farbblob-Wiedererkennung und fertiger Gesichtserkennungs-Algorithmen an. Anschließend soll die Kamerabewegung nach links/rechts/oben/unten über eine fertige Pan-Tilt-Unit sowie die Zoom-Steuerung integriert werden.

Um Vorlesungen auf Video aufnehmen zu können, muss bisher die jeweilige Kamera manuell bedient werden. Es wäre wünschenswert, wenn Bewegungen und Zoom automatisch gesteuert werden könnten.

Dieser Teil des Projekts knüpft an die fertig steuerbare Kamera aus Teil 1 an. Um die Kamerabewegungen zu optimieren, soll mittels Lernverfahren der optimale Steuerungsablauf der Kamera bestimmt werden, mit dem Zoom- und Schwenkbewegungen so minimal wie möglich gehalten werden. Am Ende des Projekts soll die Kamera in der Lage sein, den Vortragenden und das Projektor- bzw. Tafelbild jederzeit zu erfassen, sich dabei aber so wenig wie möglich zu bewegen.

Unser Telepräsenz-Roboter HAL wird mithilfe des Roboter-Betriebssystems ROS angesteuert. Es existiert bereits eine Steuerung per Android-Smartphone, Webinterface und Sprache.

In diesem Projekt soll die bereits vorhandene, rudimentäre Hinderniserkennung, die die Kinect-Kamera verwendet, erweitert werden. Dies kann mit der bei uns entwickelten Objekterkennungs-Bibliothek BOR3D realisiert werden, die Module zur Segmentierung bereit stellt. Somit ist der größte Teil der Software bereits vorhanden, die Hauptarbeit besteht aus der Verknüpfung des Segmentierungs-Moduls mit der vorhandenen Steuerung.

Im Rahmen der Objekterkennung sollen Texte auf Fotos von Objekten erkannt werden (z. B. Medikamente wie Aspirin). Verschiedene Methoden zur Texterkennung sollen evaluiert und implementiert werden.

Erörterung, weshalb die verwendete Software zum Entwickeln der KI gewählt wurde
Beschreibung des entwickelten Systems
Diskussion über verworfene Ansätze während der Abschlussarbeit