KI News: Kurz und klar.

Die Forschung zum Crazyflie-Quadcopter hat einen wichtigen Schritt nach vorn gemacht: Mit einem Expectation‑Maximization‑Algorithmus werden die Flugparameter des kleinen, vierrotorigen Drohnenmodells in Echtzeit geschätzt.

In der mobilen Gesundheitsforschung (mHealth) gilt es, die Wirksamkeit von Interventionen mit dem Aufwand für die Nutzer in Einklang zu bringen. Besonders problematisch sind dabei Zustandsmessungen – etwa Befragungen oder Feedback‑Formulare – die zwar entscheidend, aber kostenintensiv sind.

Ein neues Forschungsprojekt präsentiert einen probabilistischen Digital‑Twin‑Ansatz, der die Vorhersage von dynamischen Systemen ermöglicht, deren physikalische Modelle unvollständig oder fehlerhaft sind. Durch die Kombination von Gaussian‑Process‑Latent‑Force‑Modellen (GPLFM) und Bayesian Neural Networks (BNN) wird eine end‑to‑end‑Uncertainty‑Aware‑Inference‑Pipeline geschaffen.

Das Erkennen von Governing‑Equations aus Messdaten ist ein zentrales Ziel in Physik, Biologie und Ingenieurwissenschaften. Der bereits etablierte Sindy‑Algorithmus nutzt die Sparsity‑Eigenschaft, um kompakte Modelle nichtlinearer Dynamik zu extrahieren. In der vorliegenden Arbeit wird dieses Konzept auf Echtzeit‑Lernen ausgeweitet, indem ein klassisches Verfahren der Regelungstechnik – der Kalman‑Filter – integriert wird.

Ein neu entwickeltes Deep‑Learning-Verfahren nutzt ein eindimensionales Convolutional Neural Network, um die Modellklasse eines Systems ausschließlich anhand seiner Reaktionsdaten zu bestimmen. Dabei werden Messwerte eines einzelnen Freiheitsgrades zusammen mit deren Klassenzugehörigkeit verwendet, um das Netzwerk zu trainieren und zu validieren. Das Ergebnis ist ein Modell, das neue, unbeschriftete Signale ohne Kenntnis der Systemeingänge oder einer vollständigen Systemidentifikation korrekt klassifizieren kann.

Slow Feature Analysis (SFA) hat sich in den letzten Jahren als leistungsstarkes Verfahren zur Erkennung langsam variierender Merkmale in Klassifikations- und Signalverarbeitungsaufgaben etabliert. Durch probabilistische Erweiterungen, wie die Probabilistic Adaptive Slow Feature Analysis, werden diese Merkmale nun als Zustände in einem ARMA-Prozess modelliert und aus den Beobachtungen geschätzt.