Schwerpunkt Ausbildung
Lehre & Forschung greifen im Living Lab „Motion Simulation & Softwareentwicklung“ harmonisch ineinander. Studenten gewinnen frühzeitig Einblicke in die Forschung an der Hochschule Mittweida und können vermitteltes Grundlagenwissen praktisch vertiefen. Das Konzept „Living Lab“ bildet ein interdisziplinäres Lehr- und Lernfeld mit unterschiedlichen Schwerpunkten aus der Informatik, den Medien sowie aus der Elektrotechnik/Automation und den klassischen Ingenieurwissenschaften. Diese Interdisziplinarität finden die Studierenden auch als Anforderung der Wirtschaft wieder, wo das Verständnis von integrierten, komplexen Systemen immer stärker im Vordergrund steht.
Innerhalb der Ausbildung stehen dabei unterschiedliche Themen im Fokus.
Datenanalyse
Im Lehrfeld der Datenanalyse betrachten wir die gesamte Datenverarbeitungskette, beginnend von der Rohdatenakquise bis hin zur Datenvisualisierung und Interpretation. Studierende lernen dabei die Aufgabenfelder eines „Data Scientist“ kennen und sind somit befähigt, domänenunabhängig Aufgabenstellungen im Bereich der Datenanalyse zu bearbeiten.
Die Identifizierung applikationsspezifischer Herausforderungen, Aufwandsabschätzungen sowie das Herausarbeiten relevanter Parameter und Datendimensionen ist dabei von besonderer Wichtigkeit. Das Wissen über die Qualität der Daten, Möglichkeiten zur Synchronisation unterschiedlicher Datenquellen sowie Kenntnisse die Skalierbarkeit der gesamten Datenverarbeitungskette ermöglicht es den Studierenden, komplexe Sachverhalte zu verstehen und zielgerichtet auf Basis geeigneter Visualisierungen zu analysieren.
Machine Learning & Künstliche Intelligenz
Ausgehend von den Datenverarbeitungsprozessen innerhalb der Datenanalysen & des Data Minings lernen die Studierenden die Nutzung von Konzepten des Maschinellen Lernens, um so multidimensionale Daten effizienter bewerten und analysieren zu können. Die Qualität der eingehenden Daten ist dabei entscheidend für die Güte der Verfahren. Entsprechend konzentriert sich dieser Ausbildungskomplex auf die korrekte Datenaufbereitung & Bereinigung. Anschließend können die unterschiedlichen Lösungsverfahren des Maschinellen Lernens qualitativ und quantitativ hinsichtlich des Ressourcenverbrauch & Ergebnisgüte bewertet werden. Hier liegt der Fokus auf Verfahren im Bereich:
- künstlicher neuronaler Netze & Deep Learning
- Ensemble Learning
- Support Vector Machines
- Entscheidungsbäume
- Boosting Verfahren für Entscheidungsbäume
Modellierung & Content Generierung
Ziel in diesem kreativen Ausbildungsbereich ist die Umsetzung realer Elemente, Szenen oder Eindrücke in eine Simulationsumgebung. Das Living Lab hat dabei einen starken Fokus auf möglichst realistische Umsetzungen mit komplexen Shadern, Beleuchtungskonzepten und detaillierten Texturen. So können Fahrzeuge, Strecken und individuelle Assets in die Simulation integriert und genutzt werden.
Nachfolgend sehen Sie hierzu ein Bespiel im Fahrzeugmodellierung. Das Formula Student Elektro-Rennfahrzeug „El Cobra“ der Hochschule Mittweida wurde im Rahmen von studentischen Arbeiten (hier Moritz Mayer, B.Sc.) detailgetreu und ganzheitlich virtuell umgesetzt. Dies umfasst auch Fahreranimationen im Bereich der Lenkachse sowie die Feder- & Lenkmechanismen im Bereich der Vorderachsaufhängungen. Die beiden Darstellungen zeigen jeweils den Vorher-Nachher Vergleich von realem Fahrzeug und virtueller Umsetzung.
Auch im Bereich der Umgebungs- & Streckenmodellierung existieren hier vielfältige Projekte. Da die Hochschule Mittweida über keine eigene Renn- bzw. Teststrecke verfügt, soll hier ein virtueller Rundkurs in und um den Campus entstehen. Ausgangspunkt hierfür ist zunächst eine detailgetreue Nachbildung der realen Umgebung. In diesem Kontext wurde von Studierenden der Medieninformatik ein virtuelles Abbild des Campus um den Schwanenteich entwickelt. Wie dies schließlich aussieht, zeigt der nachfolgende Trailer (bitte klicken).
Im Bereich der Streckenmodellierung sind Konzepte zur generischen bzw. teilautomatisierten Streckengenerierung Gegenstand aktueller Arbeiten. So sollen ohne aufwändige manuelle Modellierungsprozesse Stecken oder Streckenabschnitte auf Basis definierter Rahmenbedingungen (Kurvenintensität, Gelände, geographische Ausdehnung, Vegetation, Fahrbahnbelag, etc.) prozedural automatisiert erstellt werden. Ein Beispiel für die prozedurale Streckengenerierung zeigen die nachfolgenden Grafiken im Rahmen der Arbeiten von Joshua Queck, B.Sc.
