Servicenavigation

Detailseite

Zurück

Projekt Druckansicht

BehavE: Verhalten verstehen durch Situationsmodelle situationsadaptiver Assistenz

Fachliche Zuordnung Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
Förderung Förderung von 2019 bis 2024
Projektkennung Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 433339426
 
Erstellungsjahr 2024

Zusammenfassung der Projektergebnisse

Ein Situationsmodell (SM) ist eine semantische Struktur, die die relevanten Elemente einer bestimmten Domäne (d.h. Handlungen, Objekte, Orte, Eigenschaften von Objekten, Abstraktionen von Objekten) und die entsprechenden kausalen, räumlichen, funktionalen und abstrakten Beziehungen zwischen den Elementen darstellt. Situationsmodelle ermöglichen es, Domänenwissen über Personen strukturiert und konsolidiert darzustellen. Diese Modelle werden später für Schlussfolgerungen über das Verhalten, die Bedürfnisse und die Unterstützungsstrategien der Person verwendet. Derzeit werden Situationsmodelle entweder manuell erstellt oder bei der automatischen Generierung werden nur wenige Informationsquellen verwendet. Um dieses Problem zu lösen, wurde in diesem Projekt eine verallgemeinerte Methodik zur Erstellung von Situationsmodellen aus verschiedenen heterogenen Quellen entwickelt. Diese Methodik ermöglicht das Lernen von Modellen für verschiedene Problemdomänen. Genauer gesagt geht es um die folgenden Probleme: (1) automatische Extraktion der Domänenelemente und der Semantik aus heterogenen Quellen; (2) die automatische Konsolidierung des heterogenen Wissens in ein einheitliches Situationsmodell; (3) die automatische Optimierung des erlernten Modells auf der Grundlage der beobachteten Benutzerpräferenzen; (4) die Entwicklung einer Bewertungsmethode für Situationsmodelle für reale Probleme. Um dies zu erreichen, werden bestehende und neuartige Methoden kombiniert, die verschiedene Probleme der Wissensextraktion und des Modelllernens aus heterogenen Quellen angehen. Dazu gehören überwachte und nicht überwachte Techniken zur Extraktion von Semantik und zur Entdeckung von Beziehungen, die Nutzung von vorhandenem strukturiertem Wissen zur Verbesserung der entdeckten Semantik, Optimierungstechniken zur Anpassung des Situationsmodells sowie verschiedene maschinelle Lerntechniken zum Erlernen des Modells mithilfe von Heuristiken. Ausgehend von einer Texteingabe und vorhandenen strukturierten Wissensbasen generiert die Methodik ein Situationsmodell, auf dessen Grundlage computergestützte Zustandsraummodelle (CSSMs) zur Aktivitätserkennung erstellt werden. Durch die zusätzliche Bereitstellung von Sensordaten und entsprechenden Annotationen kann das SM mit der Dauer von Aktionen (als Verteilungen) erweitert werden. Da die generierten Modelle relativ allgemein sind, besteht ein Problem bei der Aktivitätserkennung darin, dass das Modell die ausgeführten Aktivitäten aufgrund zu vieler Optionen nicht korrekt erkennen kann. Um dieses Problem zu beheben, folgt eine Optimierungsphase, in der die Aktionsgewichte auf der Grundlage vorhandener Planspuren und Sensordaten angepasst werden. Um den Ansatz zu evaluieren, werden die gelernten Modelle auf ein Aktivitätserkennungsproblem aus dem Alltag älterer Menschen angewendet. Der vorgeschlagene Ansatz ermöglicht es uns, den Bedarf an Expertenwissen und manueller Entwicklung zu reduzieren, indem er durch automatisch extrahierte Modelle ersetzt wird. Er reduziert den Zeit- und Ressourcenaufwand für die Erstellung von qualitativ hochwertigen Situationsmodellen und für die Entwicklung von Systemen, die auf Domänenwissen angewiesen sind, um die Lösung eines bestimmten Problems zu ermitteln.

Projektbezogene Publikationen (Auswahl)

 
 

Zusatzinformationen

© 2026 DFG Kontakt / Impressum / Datenschutz

Textvergrößerung und Kontrastanpassung