Die Verwendung von Nagetieren als Modell ermöglicht es mobilen Robotern, sich schneller und einfacher in ihrer Umgebung zurechtzufinden. Im Rahmen seines Doktorprojekts hat Dr. Muhammad Haris eine Machine-Learning-Methode weiterentwickelt, die es Robotern ermöglicht, sich so genau wie möglich zu orientieren, sogar außerhalb von geschlossenen Räumen. Der ehemalige Doktorand an der Frankfurt University of Applied Sciences (Frankfurt UAS) wurde nun für seine Dissertation aus dem Jahr 2023 mit dem Promotionspreis der Universität ausgezeichnet. Die mit 3.000 Euro dotierte Auszeichnung wurde erstmals am 8. Mai 2024 im Rahmen der Veranstaltung “Promotion im Fokus” verliehen.
Der neu geschaffene Preis der Frankfurt UAS würdigt herausragende akademische Arbeit, die im vorangegangenen Jahr erfolgreich verteidigt wurde und entweder an einem der Promotionszentren der Universität oder in Zusammenarbeit mit anderen Universitäten durchgeführt wurde. Er wird vom Freundeskreis der Frankfurt UAS finanziert. Die Vizepräsidentin für Forschung, Transfer und Internationalisierung der Frankfurt UAS, Prof. Dr. Susanne Rägle, betont: “Mit dieser Auszeichnung tragen wir der wachsenden Bedeutung des Themas Promotion an der Frankfurt UAS Rechnung. Auf diese Weise möchten der Freundeskreis der Frankfurt UAS und wir als Universität die Forschungsleistungen junger Akademiker anerkennen und sichtbar machen.”
Der Preisträger wurde von einer vierköpfigen Jury ausgewählt, die von der Universität einberufen wurde. Die Bewertungskriterien waren die Innovationskraft und gesellschaftliche Bedeutung der Arbeit sowie deren Aktualität und Passung zu den Hauptforschungsbereichen der Frankfurt UAS. Die Dissertation “Visuelle Lokalisierung und Kartierung in saisonal wechselnden Außenumgebungen” von Dr. Muhammad Haris am Promotionszentrum Angewandte Informatik (PZAI) erzielte in allen Kategorien außergewöhnlich gute Ergebnisse.
Die wissenschaftliche Arbeit wurde von Prof. Dr. Ute Bauer-Wersing betreut. Dr. Ute Bauer-Wersing, Professorin für Maschinelles Lernen und datengetriebene Modellierung, im Rahmen des Drittmittelprojekts “Unüberwachtes Lernen hierarchischer Merkmale für visuelle Selbstlokalisierung und Navigation in saisonal wechselnden Außenumgebungen”. Mobile Roboter wie Rasenmähroboter, aber auch selbstfahrende Autos, müssen sich ständig im Raum neu orientieren und ihre Umgebung unter anderem mithilfe von Kameras einschätzen. Wo bin ich? Was ist um mich herum? Besonders im Freien wird dies durch wechselnde Wetterbedingungen und Sonnenreflexionen noch erschwert. Gleichzeitig sind viele der bestehenden Berechnungsmodelle sehr rechenintensiv und erfordern daher teure Hardware, was sie beispielsweise für einfache Rasenmähroboter ungeeignet macht. Für den neuen Ansatz, den Haris in seinem Promotionsprojekt weiterentwickelt hat, erhielt er Unterstützung aus der Natur. Der maschinelle Lernprozess basiert darauf, wie Nagetiere das, was sie sehen, in ihren Gehirnen repräsentieren. “Dieser biologisch inspirierte Ansatz ist robust und nicht so rechenintensiv, sodass er auch für mobile Assistenzroboter mit günstiger Hardware geeignet ist. Er ermöglicht es, die Umgebung schneller zu erfassen und sich darin zu lokalisieren”, sagt Haris. Zudem ist ein Roboter in der Lage, unveränderliche Merkmale einer Umgebung zu erlernen und so unter sich verändernden Bedingungen sicher zu navigieren.
