Entdecken Sie einige der besten Publikationen und Dissertationen der Bosch Forschung

GMM-Preis 2021 (VDE/VDI Gesellschaft Mikroelektronik, Mikrosystem- und Feinwerktechnik)

In diesem Paper wird der Prototyp eines miniaturisierten und integrierten Magnetometers auf der Grundlage von Farbzentren in Diamant vorgestellt.

Best Paper Award at FSE Conference 2021

Wohl eine der Hauptanwendung der Chiffren der LowMC-Familie ist das Post-Quanten-Signaturschema PICNIC. Obwohl die Chiffren der LowMC-Familie bereits vom Standpunkt der Kryptoanalyse aus untersucht wurden, bezog sich noch keine dieser Studien direkt auf den tatsächlichen Anwendungsfall dieser Chiffren im Signaturschema PICNIC. Aufgrund des Designparadigmas von PICNIC würde einem Angreifer, der einen CSRT-Angriff auf das mit LowMC instantiierte Signaturschema versucht, lediglich der Zugriff auf ein einzelnes vorgegebenes Paar aus Klartext und chiffriertem Text ermöglicht. Das bedeutet, dass ein Angreifer nur in der Lage sein würde, Angriffe mit einer Datenkomplexität von 1 in einem Angriffsszenario mit bekanntem Klartext auszuführen. Diese Einschränkung macht es unmöglich, klassische Methodologien der Kryptoanalyse wie differentielle und lineare Kryptoanalyse einzusetzen. In dieser Abhandlung führen wir zwei Angriffe zur Schlüsselwiederherstellung ein, beide im Rahmen des Modells mit bekanntem Klartext und der Datenkomplexität 1. Diese erfolgen für zwei Varianten von LowMC, die beide Instanzen der LowMC Cryptanalysis Challenge sind.

Best Paper Award at EWSN Conference 2021

Die kürzlichen Fortschritte bei der Rechenleistung haben das Sammeln großer Datenmengen zu persönlichen Aktivitäten und im privaten Lebensumfeld ermöglicht. Als Reaktion auf die Datenschutzbedenken von Benutzern in dieser Umgebung schlagen wir ein neuartiges Framework mit der Bezeichnung PR-GAN vor, das bei der Nutzung von Generative Adversarial Networks einen Mechanismus zum Schutz der Privatsphäre bereitstellt. Beim Vorliegen einer Zielanwendung modifiziert PR-GAN automatisch die Daten, um sensible Attribute zu verbergen, die möglicherweise verborgen sind und durch Machine Learning-Algorithmen geschlussfolgert werden können. Dies erfolgt unter Beibehaltung der Nutzbarkeit der Daten in der Zielanwendung. Im Gegensatz zu früheren Arbeiten ist die mögliche Kenntnis der Öffentlichkeit zur Korrelation zwischen der Zielanwendung und sensiblen Attributen in unsere Modellierung integriert. Wir formulieren unser Problem als Optimierungsproblem, zeigen, dass eine optimale Lösung existiert, und verwenden Generative Adversarial Networks (GAN) zum Erzeugen von Störungen. Wir zeigen zudem, dass unsere Methode den Datenschutz unter dem Pufferfish-Framework gewährleistet, einer eleganten generalisierten Version der Differential Privacy, die das Modellieren von vorherigen Kenntnissen zu Daten und Korrelationen ermöglicht. Durch Experimente zeigen wir, dass unsere Methode herkömmliche Methoden beim effektiven Verbergen der sensitiven Attribute übertrifft, dabei aber gleichzeitig eine hohe Leistung in der Zielanwendung sowohl für Property Inference als auch für Trainingszwecke gewährleistet. Schließlich demonstrieren wir anhand weiterer Experimente, dass unser Modell in der Lage ist, nach dem Lernen einer Aufgabe zum Bewahren des Datenschutzes für eine Gruppe von Individuen, wie dem Verbergen der Identität von Subjekten, dieselbe Aufgabe an einer separaten Gruppe mit minimalen Leistungseinbußen ausführen kann.

Best of Innovation Award, CES 2020

Die digitale Sonnenblende von Bosch wurde mit dem „Best of Innovation“-Award der CES® 2020 ausgezeichnet. Die transparente, digitale Sonnenblende macht Autofahren sicherer und komfortabler und ersetzt die fast 100 Jahre alte Sonnenblende. Die klassische Sonnenblende wird dafür durch ein transparentes LCD-Display und eine auf den Fahrer ausgerichtete Kamera ersetzt. Dank intelligenter Algorithmen wird auf dem Display immer nur der Teil verdunkelt, aus dem die Sonne den Fahrer sonst blenden würde. Der Rest des Displays bleibt durchsichtig und der Blick auf die Straße frei.

Best of Innovation Award, CES 2020

Das neue 3D-Display von Bosch erzeugt mithilfe einer passiven 3D-Technik einen real empfundenen dreidimensionalen Effekt von Bildern und Warnsignalen. Dadurch lassen sich Informationen schneller erfassen als auf herkömmlichen Bildschirmen. Der Fahrer ist dadurch weniger abgelenkt. Das System für die räumliche Darstellung kommt ganz ohne Zusatztechniken wie Eyetracking oder 3D-Brille aus.

IEEE VAST Best Paper Award 2020

Die Ampelerkennung ist ein entscheidendes Element der Umgebungswahrnehmung und der Entscheidungsfindung beim autonomen Fahren. Moderne Detektoren bauen auf tiefen CNN-Netzwerken (Convolutional Neural Networks) auf und offenbaren vielversprechende Leistungen. Es zeichnen sich jedoch Bedenken in Bezug auf die Frage ab, wie die Genauigkeit und Belastbarkeit von CNN-basierten Detektoren sorgfältig beurteilt werden kann, bevor sie in autonomen Fahrzeugen eingesetzt werden. Diese Arbeit schlägt mit VATLD ein visuelles Analysesystem vor, ausgestattet mit Disentangled Representation Learning und Semantic Adversarial Learning, um die Genauigkeit und Belastbarkeit von Ampeldetektoren für Anwendungen des autonomen Fahrens zu bewerten, zu verstehen und zu verbessern. Disentangled Representation Learning extrahiert Datensemantiken, um die menschliche Wahrnehmung durch menschengerechte visuelle Zusammenfassung zu erweitern. Semantic Adversarial Learning exponiert interpretierbare Belastbarkeitsrisiken und ermöglicht minimale menschliche Interaktion, um handlungsorientierte Erkenntnisse zu gewinnen. Wir demonstrieren darüber hinaus die Wirksamkeit diverser leistungsverbessernder Strategien, die aus handlungsorientierten Erkenntnissen abgeleitet werden mit unserem visuellen Analysesystem VATLD und legen die konkreten Implikationen für sicherheitskritische Anwendungen im autonomen Fahren dar.

Kooperationspreis Wissenschaft / Wirtschaft der UnIversität Ulm 2020

Im Rahmen des Transferprojekts "Do it yourself, but not alone: Companion-Technologie für die Heimwerkerunterstützung" soll in enger Zusammenarbeit der Universität Ulm mit der Zentralen Forschung und Vorausentwicklung der Robert Bosch GmbH ein prototypisches Companion-System für die Heimwerkerunterstützung entwickelt und praktisch erprobt werden. Basierend auf den Forschungsergebnissen der Teilprojekte A1, A2 und B1 des Sonderforschungsbereichs Transregio 62 soll dabei erstmalig ein digitaler Assistent entstehen, der Nutzer bei der Bedienung von Elektrowerkzeugen und der Durchführung von Heimwerkerprojekten individuell und kompetent unterstützt. So ist der Assistent unter anderem in der Lage sich in seinen detaillierten Schritt-für-Schritt-Anleitungen individuell an die Situation als auch die Fähigkeiten des jeweiligen Nutzers anzupassen. Für die Umsetzung der jeweiligen Assistenzaufgabe kann das System dabei auf eine umfassende Wissensbasis in Form von formalen Spezifikationen zurückgreifen. Darüber hinaus soll der Assistent dem Nutzer aber auch die Möglichkeit bieten, eigene neue Heimwerkerprojekte zu spezifizieren und ihm dabei assistieren. Diese Spezifikationen können dann auf einer Community-Plattform für andere Nutzer autorisiert bereitgestellt werden.

Werner-von-Siemens-Ring Jungwissenschaftler/innen 2019

Die Auszeichung von Andreas Dörr als Jungwissenschaftler der Stiftung Werner-von-Siemens-Ring erfolgt in Anerkennung seiner herausragenden Arbeiten für dateneffizientes, verstärkendes Maschinenlernen.

Eines der großen Versprechen von Machine Learning (ML) und Künstlicher Intelligenz (KI) ist es, einer Maschine die Fähigkeit zu verleihen, in komplexen und unbekannten Umgebungen autonom neues Verhalten zu erlernen. Ergebnisse dieser Forschungsrichtung, im speziellen der Disziplin des Reinforcement Learnings (RL), sind allerdings nach wie vor überwiegend beschrankt auf sehr spezialisierte, simulierbare und gut verstandene Problemfelder. Die Arbeit von Andreas Dorr adressiert dagegen Probleme wie: Daten-Effizienz, Robustheit und Lernen in Gegenwart von fehlerhafter und unvollständiger Wahrnehmung der Umgebung. Diese Probleme treten typischerweise auf, sobald maschinelle Systeme in unseren unstrukturierten, alltäglichen Umgebungen operieren sollen. Kernthemen seiner Arbeiten sind das Erlernen probabilistischer, prädiktiver Modelle, die es der Maschine erlauben aus vergangenen Erfahrungen optimale Entscheidungen für zukünftige Handlungen abzuleiten.

Foto: Stefanie Winkler (München)

Stiftung Werner-von-Siemens-Ring

Werner-von-Siemens-Ring Jungwissenschaftler/innen 2019

Die Auszeichung von Gerhard Kurz als Jungwissenschaftler der Stiftung Werner-von-Siemens-Ring erfolgt in Anerkennung seiner herausragenden Beiträge zur simultanen Lokalisierung und Kartographierung für mobile Roboter.

Moderne mobile Roboter müssen sich in unbekannten Umgebungen zurechtfinden und sicher mit ihrer Umwelt interagieren. Dazu ist es von großer Bedeutung, eine Karte der Umgebung anzulegen und sich anhand dieser Karte zu lokalisieren. Dies bezeichnet man als simultane Lokalisierung und Kartographierung (engl. Simultaneous Localization And Mapping – SLAM). Dabei erfasst ein Roboter seine Umgebung und seine eigene Bewegung darin mithilfe verschiedener Sensoren. Die Informationen aller Sensoren werden kombiniert, um möglichst genaue und zuverlässige Ergebnisse zu erhalten. SLAM hat Anwendungen in vielen Bereichen, vom Staubsaugroboter bis zum Logistikroboter, vom autonomen Fahrzeug bis zum Flugroboter. Dabei gibt es viele Herausforderungen zu bewältigen, etwa die Frage, wie man die auftretenden Unsicherheiten akkurat repräsentieren kann oder wie sich die Karte an eine veränderte Umgebung anpassen lasst.

Foto: Stefanie Winkler (München)

Stiftung Werner-von-Siemens-Ring

Best Paper Award, IEEE International Conference on Mechatronics 2019

In Zukunft werden sich Technologien im Kraftfahrzeugbereich zunehmend durch Autonomie und Vernetzung auszeichnen. Im Hinblick auf den Umfang der erforderlichen Testkilometer erfordert dieser Trend ein Umdenken im Bereich der Validierungsverfahren. Um automatisierte und vernetzte Funktionen in vielen Verkehrssituationen testen zu können, werden virtuelle oder gemischte real-virtuelle Prototypen herangezogen. Aufgrund der Komplexität solcher Systeme nehmen auch entsprechende unternehmensübergreifende Kooperationen und der Bedarf an gemeinsamen Prototypen zu. Räumliche verteilte Prototypen vereinfachen und erweitern die unternehmensübergreifende Zusammenarbeit durch die schnellere Bereitstellung von Modellen und den besseren Schutz geistigen Eigentums. Allerdings nimmt der Aufbau solcher Prototypen aufgrund des hohen Integrationsaufwands viel Zeit in Anspruch. Hier zeigt sich, dass sich der Integrationsaufwand für räumlich verteilte Prototypen durch den Einsatz des Distributed Co-Simulation Protocol (DCP) massiv verringern lässt. Dazu werden ein Demonstrationsmodell auf einem kleinen Prüfstand in Graz sowie eine Co-Simulation mit Bosch Fahrfunktionen in Renningen präsentiert. Der vorgeführte Integrations-Workflow sowie die Analyse der kommunikativen Herausforderungen dieser Kopplung lassen sich auf jede andere Kopplung dieser Art übertragen.

Auszeichnung für Jungwissenschaftler in Technik- und Naturwissenschaften der Stiftung Werner-von-Siemens-Ring 2015

Die Auszeichung von Tobias Diekhans als Jungwissenschaftler der Stiftung Werner-von-Siemens-Ring erfolgt in Anerkennung seiner wegweisenden wissenschaftlichen Leistungen zur induktiven Energieübertragung für Elektrofahrzeuge.

Ein kabelloses Ladesystem bietet das Potential, das „Nachtanken“ von zukünftigen Elektrofahrzeugen ähnlich komfortabel zu gestalten, wie wir es heutzutage vom Verbrennungsmotor gewohnt sind. Kern der Energieübertragung bilden zwei induktiv gekoppelte Spulen, von denen eine in den Parkplatz integriert ist und eine zweite unter dem Fahrzeug angebracht ist. Weitere Leistungselektronikkomponenten wandeln zuerst die niederfrequente Netzspannung in eine hochfrequente Wechselspannung und anschließend im Fahrzeug wieder in eine Gleichspannung um. Die Leistungselektroniktopologie mit beidseitiger Regelung stellt einen äußerst vielversprechenden Ansatz dar, um die hohen Anforderungen in Bezug auf Bauraum, Wirkungsgrad und Kosten zu erfüllen.

Auszeichnung für Jungwissenschaftler in Technik- und Naturwissenschaften der Stiftung Werner-von-Siemens-Ring 2013

Die Auszeichung von Andreas Burghardt als Jungwissenschaftler der Stiftung Werner-von-Siemens-Ring erfolgt in Anerkennung seiner wissenschaftlichen Leistungen auf dem Gebiet des Pulverspritzgusses, die maßgeblich zur Verbesserung des mikroskopischen Verständnisses der Handhabbarkeit insbesondere nanoskaliger Werkstoffe im Fertigungsprozess beigetragen haben.

Mit pulvertechnologischen Formgebungsverfahren lassen sich komplexe Bauteile aus Metall oder Keramik herstellen. Für diese Verfahren sind Dispersionen mit bis zu 70 Vol.-% Feststoffgehalt nötig, was nur durch die Überwindung der anziehenden van-der-Waals-Kräfte mit Hilfe von Dispergatoren zu erreichen ist. Bei der Verwendung von Nano-Pulvern ist die Anziehung so stark, dass herkömmliche Dispergatoren nicht mehr wirken. Ein hochviskoser Thermoplast als Medium verhindert die Agglomeration der Nano-Partikel zwar wirksam, allerdings adsorbieren die Polymermoleküle vollständig auf den Nano-Partikeln, sodass die Dispersion ihre Plastizität verliert. Durch einen neuen Ansatz kann die Adhäsionsenergie der Polymermoleküle so weit verringert werden, dass auch Dispersionen mit Nano-Pulvern verarbeitbar bleiben.

Thomas Gessner Award 2019

Auf der Smart Systems Integration Conference and Exhibition wurde am 10. April 2019 erstmalig der »Thomas Gessner Award« verliehen. Preisträger ist Dr. Christian Huber, Robert Bosch GmbH Renningen. Er erhielt den Preis für seine 2019 verteidigte Dissertation »Micromechanical Tunable Fabry-Pérot Interferometers with Membrane Bragg Mirrors Based on Silicon/Silicon Carbonitride«. Hervorzuheben sind insbesondere sein neues MEMS-FPI-Design mit zwei Membranspiegeln und die Demonstration der Machbarkeit des Konzepts.

Techtextil Innovation Award 2019 Kategorie „New Technology“

Die Robert Bosch GmbH erhielt den Techtextil Innovation Award gemeinsam mit der H. Stoll AG für einen gestrickten Sensorhandschuh. Der nahtlos und 3D-flachgestrickte Handschuh besteht unter anderem aus Sensorgarn und bietet dem Träger Sensor- und Steuerungsfunktionen an allen Fingern, etwa zur Steuerung von Bedienoberflächen in der Mensch-Maschine-Interaktion, zur Bewegungssteuerung für Augmented und Virtual Reality-Anwendungen oder zu Reha-Zwecken im medizinischen Umfeld. Der Handschuh bietet dabei den gleichen Tragekomfort wie ein gewöhnlicher Handschuh.

Best Paper Award, IEEE Conference on Visual Analytics Science and Technology (VAST) 2018

Betrachten wir einen multidimensionalen, räumlich-zeitlichen (spatio-temporal, ST) Datensatz, bei dem jeder Eintrag ein numerisches Maß, definiert durch entsprechende zeitliche, räumliche und andere domänenspezifische Dimensionen, ist. Eine typische Herangehensweise zur Untersuchung solcher Daten ist eine interaktive Visualisierung mit mehreren koordinierten Perspektiven. Jede Perspektive bildet die aggregierten Maße in einer oder zwei Dimensionen ab. Durch Abstreichen der Perspektiven können Analysten detaillierte Informationen gewinnen. Allerdings bietet diese Herangehensweise Analysten häufig nicht genug Anhalt, um Muster zu identifizieren, die versteckt in Daten-Teilsätzen liegen. Ohne eine im Vorfeld aufgestellte Hypothese müssen Analysten Schichten manuell auswählen und iterativ vorgehen, um Muster bzw. Merkmale zu finden – ein potenziell aufwändiger und zeitraubender Prozess. In dieser Arbeit modellieren wir multidimensionale ST-Daten als Tensoren und schlagen einen neuartigen Algorithmus zur stückweisen Rang-1-Tensor-Zerlegung vor, der die automatische Schichtenzerlegung von Daten in homogene Partitionen und die Extraktion der Merkmale in jeder Partition für Vergleiche und die visuelle Summierung gewährleistet. Der Algorithmus optimiert ein quantitatives Maß davon, wie getreu die extrahierten Merkmale die ursprünglichen Daten visuell repräsentieren. Mit dem beschriebenen Algorithmus als Grundlage schlagen wir ferner ein Rahmenwerk zur visuellen Analyse vor, das einen Top-down-Workflow zur progressiven Partitionierung für die Untersuchung multidimensionaler ST-Daten nach Detailtiefe unterstützt. Wir demonstrieren die allgemeine Anwendbarkeit und Wirksamkeit unseres Verfahrens anhand dreier Datensätze aus unterschiedlichen Anwendungsbereichen: Trendanalyse im regionalen Verkauf, Kundenstrom-Analyse in Kaufhäusern und Taxifahrt-Analyse mit Streckenherkunfts-/Streckenzieldaten (Origin-Destination, OD). Wir führen darüber hinaus Gespräche mit Fachleuten, um den Nutzen des Prototyps zu verifizieren.

Blue Shield Technology Innovation Award by China International Association for Promotion of Science and Technology 2020

Der Secure Product Fingerprint wurde vom Bosch-Forschungsteam in China entwickelt und soll in erster Linie Produktfälschungen identifizieren. Die patentierte Lösung erstellt mittels Computer-Vision- und KI-Technologien einen einzigartigen Fingerabdruck eines Produkts und speichert diesen in der Cloud. Hierbei handelt es sich entweder um einen QR-Code mit speziellen Mikrofeatures (Artificial Fingerprint) oder das Abbild eines ausgewählten Produktausschnitts (Natural Fingerprint). Beide Varianten sind zudem kombinierbar. So können Kunden per Smartphone einen QR-Code oder den entsprechenden Teil der Produktoberfläche einscannen und mit der Cloud abgleichen, um die Echtheit eines Produkts zu prüfen. Möglich ist dies über eine eigene App, WeChat oder einen üblichen QR-Code-Scanner.

Best Paper Award 2020

Die Verwendung von neuronalen Netzwerken in den Wahrnehmungs-Pipelines von autonomen Systemen wie dem autonomen Fahren ist aufgrund ihrer herausragenden Leistung unverzichtbar. Aber gleichzeitig stellt ihre Komplexität bezüglich der Sicherheit eine Herausforderung dar. In diesem Zusammenhang stellt sich die wichtige Frage, inwiefern für eine solche Funktion die Hinlänglichkeit von Tests belegt werden kann. Ein Ansatz, der in der Literatur zu Softwaretests zu finden ist, besteht in der Abdeckungsmetrik. Ähnliche Abdeckungskonzepte, als neuronale Abdeckung bezeichnet, wurden für tiefe neuronale Netze vorgeschlagen und sollen ermitteln, in welchem Umfang der Input aus Tests die Neuronen in einem Netz aktiviert. Dennoch bleibt die Entsprechung zwischen hoher neuronaler Abdeckung und sicherheitsrelevanten Eigenschaften des Netzes schwer fassbar. Potentiell könnte eine hohe Abdeckung auf die Hinlänglichkeit der Testdaten schließen lassen. In dieser Abhandlung legen wir dar, dass die Abdeckungsmetriken, wie sie in der aktuellen Literatur besprochen werden, diese hohen Erwartungen nicht erfüllen. Zudem präsentieren wir eine Reihe von Experimenten aus dem Bereich der Computer Vision, um diese Behauptung zu untermauern.

Technologiepreis der Eduard-Rhein-Stiftung 2019

Für ihre Erfindung des reaktiven Ionentiefenätzens, auch als Bosch-Prozess bekannt, wurden Andrea Urban und Franz Lärmer mit dem Technologiepreis der Eduard-Rhein-Stiftung ausgezeichnet. In der Herstellung von Sensoren auf Halbleiterbasis (z. B. MEMS-Sensoren) spielt dieser Prozess eine Schlüsselrolle. Die beiden Preisträger erhalten Einzug in einen illustren Zirkel, zu dem etwa auch die Erfinder des World Wide Web oder der MP3-Audiokodierung zählen.

Auszeichnung für Jungwissenschaftler in Technik- und Naturwissenschaften der Stiftung Werner-von-Siemens-Ring 2017

Die Auszeichung von Julia Vinogradska als Jungwissenschaftlerin der Stiftung Werner-von-Siemens-Ring erfolgt in Anerkennung ihrer herausragenden Leistungen für die Weiterentwicklung theoretischer Grundlagen für die Gestaltung zuverlässiger Systeme mit künstlicher Intelligenz.

In den letzten Jahren wurden in der künstlichen Intelligenz einige Durchbrüche erreicht. Dieser technische Fortschritt ermöglicht es, regelungstechnische Fragestellungen mit neuen Ansätzen anzugehen. Von der Systemidentifikation über die Reglersynthese bis zum Nachweis der Stabilität kann die künstliche Intelligenz dazu beitragen, die Probleme möglichst effizient und kostengünstig zu lösen und dabei den manuellen Aufwand zu minimieren.

Europäischer Erfinderpreis Kategorie „Industrie" 2007

Als die deutschen Erfinder Dr. Franz Lärmer und Andrea Urban durch die Anpassung von Mikrotechniken das Bosch-Verfahren entwickelten, bahnten sie den Weg zu preisgünstigen Sicherheitsausrüstungen in der Kraftfahrzeugtechnik.

Lärmer und Urban arbeiteten in der Forschungsabteilung von Robert Bosch in der Sensor- und Prozessentwicklung und entwickelten dort ein Verfahren zur Herstellung von Hochpräzisions-Siliziumsensoren mit Plasmatechnik. Zweck ihrer Erfindung bestand darin, tiefe Mikrostrukturen mit vertikalen Seitenwänden in hoher Geschwindigkeit und großer Genauigkeit in Siliziumscheiben zu ätzen.

Die Erfindung betrifft ein Verfahren zum anisotropen Ätzen von Merkmalen, die durch eine mit einem Plasmaätzverfahren hergestellte Ätzmaske (vorzugsweise Aussparungen mit exakt definierten Seiten im Silizium) definiert werden.

Das Ätzverfahren gibt es bereits seit etwa 30 Jahren in der Welt der MEMS. Ein allgemeines Problem bei der Tiefenätzung von Silizium bestand darin, dass das Verfahren auch zur Seite ätzte, wodurch die Seitenwand der Struktur angegriffen wurde, was zu Wandverformungen führte.

Das Verfahren der Erfinder löste das Problem durch den Einsatz eines Fluorkohlenstoff-basierten Plasmas zum Abscheiden einer ätzresistenten Schutzschicht vor Durchführung einer nachfolgenden Ätzstufe. Dieses Plasmaätzverfahren, das heute einfach als Bosch-Verfahren bezeichnet wird, erlaubt die Tiefenätzung in durchdefinierter Weise.

Die Technologie revolutionierte damals den MEMS-Bereich und wird heute in der ganzen Welt zur Herstellung von Silizium-MEMS verwendet.

Deutscher Zukunftspreis 2013

Licht ist ein vielseitiges Werkzeug. In der Fertigung können Laserstrahlen herkömmliche mechanische Werkzeugmaschinen zum Bohren, Schneiden oder auch Schweißen ersetzen. Sie ermöglichen eine schnelle, kosteneffiziente und vor allem exakte Bearbeitung von Materialien. Doch wie lässt sich mit ultrakurzen Laserpulsen höchste Präzision bei maximaler Produktivität erreichen?

Dr. Jens König, Prof. Dr. Stefan Nolte und Dr. Dirk Sutter Prof. Dr. Stefan Nolte meisterten diese Herausforderung: Sie machten Ultrakurzpulslaser, die das Licht in Form energiegeladener Pulse mit Billionstelsekundendauer aussenden, fit für den Einsatz in der Industrie. Damit ebneten sie den Weg für eine sehr exakte Herstellung winziger Strukturen – und zur industriellen Fertigung neuartiger Produkte. Jens König ist Gruppenleiter Lasermaterialbearbeitung und Fügetechnik im Zentralbereich Forschung und Vorausentwicklung der Robert Bosch GmbH in Schwieberdingen. Dirk Sutter leitet die Forschung und Entwicklung an Ultrakurzpulslasern bei der TRUMPF Laser GmbH + Co. KG in Schramberg. Stefan Nolte ist Professor am Institut für Angewandte Physik der Friedrich-Schiller-Universität Jena sowie am Fraunhofer-Institut für Angewandte Optik und Feinmechanik in Jena.

GMM-Preis 2021 (VDE/VDI Gesellschaft Mikroelektronik, Mikrosystem- und Feinwerktechnik)

In diesem Paper wird der Prototyp eines miniaturisierten und integrierten Magnetometers auf der Grundlage von Farbzentren in Diamant vorgestellt.

Best Paper Award at FSE Conference 2021

Wohl eine der Hauptanwendung der Chiffren der LowMC-Familie ist das Post-Quanten-Signaturschema PICNIC. Obwohl die Chiffren der LowMC-Familie bereits vom Standpunkt der Kryptoanalyse aus untersucht wurden, bezog sich noch keine dieser Studien direkt auf den tatsächlichen Anwendungsfall dieser Chiffren im Signaturschema PICNIC. Aufgrund des Designparadigmas von PICNIC würde einem Angreifer, der einen CSRT-Angriff auf das mit LowMC instantiierte Signaturschema versucht, lediglich der Zugriff auf ein einzelnes vorgegebenes Paar aus Klartext und chiffriertem Text ermöglicht. Das bedeutet, dass ein Angreifer nur in der Lage sein würde, Angriffe mit einer Datenkomplexität von 1 in einem Angriffsszenario mit bekanntem Klartext auszuführen. Diese Einschränkung macht es unmöglich, klassische Methodologien der Kryptoanalyse wie differentielle und lineare Kryptoanalyse einzusetzen. In dieser Abhandlung führen wir zwei Angriffe zur Schlüsselwiederherstellung ein, beide im Rahmen des Modells mit bekanntem Klartext und der Datenkomplexität 1. Diese erfolgen für zwei Varianten von LowMC, die beide Instanzen der LowMC Cryptanalysis Challenge sind.

Best Paper Award at EWSN Conference 2021

Die kürzlichen Fortschritte bei der Rechenleistung haben das Sammeln großer Datenmengen zu persönlichen Aktivitäten und im privaten Lebensumfeld ermöglicht. Als Reaktion auf die Datenschutzbedenken von Benutzern in dieser Umgebung schlagen wir ein neuartiges Framework mit der Bezeichnung PR-GAN vor, das bei der Nutzung von Generative Adversarial Networks einen Mechanismus zum Schutz der Privatsphäre bereitstellt. Beim Vorliegen einer Zielanwendung modifiziert PR-GAN automatisch die Daten, um sensible Attribute zu verbergen, die möglicherweise verborgen sind und durch Machine Learning-Algorithmen geschlussfolgert werden können. Dies erfolgt unter Beibehaltung der Nutzbarkeit der Daten in der Zielanwendung. Im Gegensatz zu früheren Arbeiten ist die mögliche Kenntnis der Öffentlichkeit zur Korrelation zwischen der Zielanwendung und sensiblen Attributen in unsere Modellierung integriert. Wir formulieren unser Problem als Optimierungsproblem, zeigen, dass eine optimale Lösung existiert, und verwenden Generative Adversarial Networks (GAN) zum Erzeugen von Störungen. Wir zeigen zudem, dass unsere Methode den Datenschutz unter dem Pufferfish-Framework gewährleistet, einer eleganten generalisierten Version der Differential Privacy, die das Modellieren von vorherigen Kenntnissen zu Daten und Korrelationen ermöglicht. Durch Experimente zeigen wir, dass unsere Methode herkömmliche Methoden beim effektiven Verbergen der sensitiven Attribute übertrifft, dabei aber gleichzeitig eine hohe Leistung in der Zielanwendung sowohl für Property Inference als auch für Trainingszwecke gewährleistet. Schließlich demonstrieren wir anhand weiterer Experimente, dass unser Modell in der Lage ist, nach dem Lernen einer Aufgabe zum Bewahren des Datenschutzes für eine Gruppe von Individuen, wie dem Verbergen der Identität von Subjekten, dieselbe Aufgabe an einer separaten Gruppe mit minimalen Leistungseinbußen ausführen kann.

Blue Shield Technology Innovation Award by China International Association for Promotion of Science and Technology 2020

Der Secure Product Fingerprint wurde vom Bosch-Forschungsteam in China entwickelt und soll in erster Linie Produktfälschungen identifizieren. Die patentierte Lösung erstellt mittels Computer-Vision- und KI-Technologien einen einzigartigen Fingerabdruck eines Produkts und speichert diesen in der Cloud. Hierbei handelt es sich entweder um einen QR-Code mit speziellen Mikrofeatures (Artificial Fingerprint) oder das Abbild eines ausgewählten Produktausschnitts (Natural Fingerprint). Beide Varianten sind zudem kombinierbar. So können Kunden per Smartphone einen QR-Code oder den entsprechenden Teil der Produktoberfläche einscannen und mit der Cloud abgleichen, um die Echtheit eines Produkts zu prüfen. Möglich ist dies über eine eigene App, WeChat oder einen üblichen QR-Code-Scanner.

Best Paper Award 2020

Die Verwendung von neuronalen Netzwerken in den Wahrnehmungs-Pipelines von autonomen Systemen wie dem autonomen Fahren ist aufgrund ihrer herausragenden Leistung unverzichtbar. Aber gleichzeitig stellt ihre Komplexität bezüglich der Sicherheit eine Herausforderung dar. In diesem Zusammenhang stellt sich die wichtige Frage, inwiefern für eine solche Funktion die Hinlänglichkeit von Tests belegt werden kann. Ein Ansatz, der in der Literatur zu Softwaretests zu finden ist, besteht in der Abdeckungsmetrik. Ähnliche Abdeckungskonzepte, als neuronale Abdeckung bezeichnet, wurden für tiefe neuronale Netze vorgeschlagen und sollen ermitteln, in welchem Umfang der Input aus Tests die Neuronen in einem Netz aktiviert. Dennoch bleibt die Entsprechung zwischen hoher neuronaler Abdeckung und sicherheitsrelevanten Eigenschaften des Netzes schwer fassbar. Potentiell könnte eine hohe Abdeckung auf die Hinlänglichkeit der Testdaten schließen lassen. In dieser Abhandlung legen wir dar, dass die Abdeckungsmetriken, wie sie in der aktuellen Literatur besprochen werden, diese hohen Erwartungen nicht erfüllen. Zudem präsentieren wir eine Reihe von Experimenten aus dem Bereich der Computer Vision, um diese Behauptung zu untermauern.

Technologiepreis der Eduard-Rhein-Stiftung 2019

Für ihre Erfindung des reaktiven Ionentiefenätzens, auch als Bosch-Prozess bekannt, wurden Andrea Urban und Franz Lärmer mit dem Technologiepreis der Eduard-Rhein-Stiftung ausgezeichnet. In der Herstellung von Sensoren auf Halbleiterbasis (z. B. MEMS-Sensoren) spielt dieser Prozess eine Schlüsselrolle. Die beiden Preisträger erhalten Einzug in einen illustren Zirkel, zu dem etwa auch die Erfinder des World Wide Web oder der MP3-Audiokodierung zählen.

Thomas Gessner Award 2019

Auf der Smart Systems Integration Conference and Exhibition wurde am 10. April 2019 erstmalig der »Thomas Gessner Award« verliehen. Preisträger ist Dr. Christian Huber, Robert Bosch GmbH Renningen. Er erhielt den Preis für seine 2019 verteidigte Dissertation »Micromechanical Tunable Fabry-Pérot Interferometers with Membrane Bragg Mirrors Based on Silicon/Silicon Carbonitride«. Hervorzuheben sind insbesondere sein neues MEMS-FPI-Design mit zwei Membranspiegeln und die Demonstration der Machbarkeit des Konzepts.

Techtextil Innovation Award 2019 Kategorie „New Technology“

Die Robert Bosch GmbH erhielt den Techtextil Innovation Award gemeinsam mit der H. Stoll AG für einen gestrickten Sensorhandschuh. Der nahtlos und 3D-flachgestrickte Handschuh besteht unter anderem aus Sensorgarn und bietet dem Träger Sensor- und Steuerungsfunktionen an allen Fingern, etwa zur Steuerung von Bedienoberflächen in der Mensch-Maschine-Interaktion, zur Bewegungssteuerung für Augmented und Virtual Reality-Anwendungen oder zu Reha-Zwecken im medizinischen Umfeld. Der Handschuh bietet dabei den gleichen Tragekomfort wie ein gewöhnlicher Handschuh.

Best Paper Award, IEEE Conference on Visual Analytics Science and Technology (VAST) 2018

Betrachten wir einen multidimensionalen, räumlich-zeitlichen (spatio-temporal, ST) Datensatz, bei dem jeder Eintrag ein numerisches Maß, definiert durch entsprechende zeitliche, räumliche und andere domänenspezifische Dimensionen, ist. Eine typische Herangehensweise zur Untersuchung solcher Daten ist eine interaktive Visualisierung mit mehreren koordinierten Perspektiven. Jede Perspektive bildet die aggregierten Maße in einer oder zwei Dimensionen ab. Durch Abstreichen der Perspektiven können Analysten detaillierte Informationen gewinnen. Allerdings bietet diese Herangehensweise Analysten häufig nicht genug Anhalt, um Muster zu identifizieren, die versteckt in Daten-Teilsätzen liegen. Ohne eine im Vorfeld aufgestellte Hypothese müssen Analysten Schichten manuell auswählen und iterativ vorgehen, um Muster bzw. Merkmale zu finden – ein potenziell aufwändiger und zeitraubender Prozess. In dieser Arbeit modellieren wir multidimensionale ST-Daten als Tensoren und schlagen einen neuartigen Algorithmus zur stückweisen Rang-1-Tensor-Zerlegung vor, der die automatische Schichtenzerlegung von Daten in homogene Partitionen und die Extraktion der Merkmale in jeder Partition für Vergleiche und die visuelle Summierung gewährleistet. Der Algorithmus optimiert ein quantitatives Maß davon, wie getreu die extrahierten Merkmale die ursprünglichen Daten visuell repräsentieren. Mit dem beschriebenen Algorithmus als Grundlage schlagen wir ferner ein Rahmenwerk zur visuellen Analyse vor, das einen Top-down-Workflow zur progressiven Partitionierung für die Untersuchung multidimensionaler ST-Daten nach Detailtiefe unterstützt. Wir demonstrieren die allgemeine Anwendbarkeit und Wirksamkeit unseres Verfahrens anhand dreier Datensätze aus unterschiedlichen Anwendungsbereichen: Trendanalyse im regionalen Verkauf, Kundenstrom-Analyse in Kaufhäusern und Taxifahrt-Analyse mit Streckenherkunfts-/Streckenzieldaten (Origin-Destination, OD). Wir führen darüber hinaus Gespräche mit Fachleuten, um den Nutzen des Prototyps zu verifizieren.

Auszeichnung für Jungwissenschaftler in Technik- und Naturwissenschaften der Stiftung Werner-von-Siemens-Ring 2017

Die Auszeichung von Julia Vinogradska als Jungwissenschaftlerin der Stiftung Werner-von-Siemens-Ring erfolgt in Anerkennung ihrer herausragenden Leistungen für die Weiterentwicklung theoretischer Grundlagen für die Gestaltung zuverlässiger Systeme mit künstlicher Intelligenz.

In den letzten Jahren wurden in der künstlichen Intelligenz einige Durchbrüche erreicht. Dieser technische Fortschritt ermöglicht es, regelungstechnische Fragestellungen mit neuen Ansätzen anzugehen. Von der Systemidentifikation über die Reglersynthese bis zum Nachweis der Stabilität kann die künstliche Intelligenz dazu beitragen, die Probleme möglichst effizient und kostengünstig zu lösen und dabei den manuellen Aufwand zu minimieren.

Europäischer Erfinderpreis Kategorie „Industrie" 2007

Als die deutschen Erfinder Dr. Franz Lärmer und Andrea Urban durch die Anpassung von Mikrotechniken das Bosch-Verfahren entwickelten, bahnten sie den Weg zu preisgünstigen Sicherheitsausrüstungen in der Kraftfahrzeugtechnik.

Lärmer und Urban arbeiteten in der Forschungsabteilung von Robert Bosch in der Sensor- und Prozessentwicklung und entwickelten dort ein Verfahren zur Herstellung von Hochpräzisions-Siliziumsensoren mit Plasmatechnik. Zweck ihrer Erfindung bestand darin, tiefe Mikrostrukturen mit vertikalen Seitenwänden in hoher Geschwindigkeit und großer Genauigkeit in Siliziumscheiben zu ätzen.

Die Erfindung betrifft ein Verfahren zum anisotropen Ätzen von Merkmalen, die durch eine mit einem Plasmaätzverfahren hergestellte Ätzmaske (vorzugsweise Aussparungen mit exakt definierten Seiten im Silizium) definiert werden.

Das Ätzverfahren gibt es bereits seit etwa 30 Jahren in der Welt der MEMS. Ein allgemeines Problem bei der Tiefenätzung von Silizium bestand darin, dass das Verfahren auch zur Seite ätzte, wodurch die Seitenwand der Struktur angegriffen wurde, was zu Wandverformungen führte.

Das Verfahren der Erfinder löste das Problem durch den Einsatz eines Fluorkohlenstoff-basierten Plasmas zum Abscheiden einer ätzresistenten Schutzschicht vor Durchführung einer nachfolgenden Ätzstufe. Dieses Plasmaätzverfahren, das heute einfach als Bosch-Verfahren bezeichnet wird, erlaubt die Tiefenätzung in durchdefinierter Weise.

Die Technologie revolutionierte damals den MEMS-Bereich und wird heute in der ganzen Welt zur Herstellung von Silizium-MEMS verwendet.

Best of Innovation Award, CES 2020

Die digitale Sonnenblende von Bosch wurde mit dem „Best of Innovation“-Award der CES® 2020 ausgezeichnet. Die transparente, digitale Sonnenblende macht Autofahren sicherer und komfortabler und ersetzt die fast 100 Jahre alte Sonnenblende. Die klassische Sonnenblende wird dafür durch ein transparentes LCD-Display und eine auf den Fahrer ausgerichtete Kamera ersetzt. Dank intelligenter Algorithmen wird auf dem Display immer nur der Teil verdunkelt, aus dem die Sonne den Fahrer sonst blenden würde. Der Rest des Displays bleibt durchsichtig und der Blick auf die Straße frei.

Best of Innovation Award, CES 2020

Das neue 3D-Display von Bosch erzeugt mithilfe einer passiven 3D-Technik einen real empfundenen dreidimensionalen Effekt von Bildern und Warnsignalen. Dadurch lassen sich Informationen schneller erfassen als auf herkömmlichen Bildschirmen. Der Fahrer ist dadurch weniger abgelenkt. Das System für die räumliche Darstellung kommt ganz ohne Zusatztechniken wie Eyetracking oder 3D-Brille aus.

IEEE VAST Best Paper Award 2020

Die Ampelerkennung ist ein entscheidendes Element der Umgebungswahrnehmung und der Entscheidungsfindung beim autonomen Fahren. Moderne Detektoren bauen auf tiefen CNN-Netzwerken (Convolutional Neural Networks) auf und offenbaren vielversprechende Leistungen. Es zeichnen sich jedoch Bedenken in Bezug auf die Frage ab, wie die Genauigkeit und Belastbarkeit von CNN-basierten Detektoren sorgfältig beurteilt werden kann, bevor sie in autonomen Fahrzeugen eingesetzt werden. Diese Arbeit schlägt mit VATLD ein visuelles Analysesystem vor, ausgestattet mit Disentangled Representation Learning und Semantic Adversarial Learning, um die Genauigkeit und Belastbarkeit von Ampeldetektoren für Anwendungen des autonomen Fahrens zu bewerten, zu verstehen und zu verbessern. Disentangled Representation Learning extrahiert Datensemantiken, um die menschliche Wahrnehmung durch menschengerechte visuelle Zusammenfassung zu erweitern. Semantic Adversarial Learning exponiert interpretierbare Belastbarkeitsrisiken und ermöglicht minimale menschliche Interaktion, um handlungsorientierte Erkenntnisse zu gewinnen. Wir demonstrieren darüber hinaus die Wirksamkeit diverser leistungsverbessernder Strategien, die aus handlungsorientierten Erkenntnissen abgeleitet werden mit unserem visuellen Analysesystem VATLD und legen die konkreten Implikationen für sicherheitskritische Anwendungen im autonomen Fahren dar.

Best Paper Award, IEEE International Conference on Mechatronics 2019

In Zukunft werden sich Technologien im Kraftfahrzeugbereich zunehmend durch Autonomie und Vernetzung auszeichnen. Im Hinblick auf den Umfang der erforderlichen Testkilometer erfordert dieser Trend ein Umdenken im Bereich der Validierungsverfahren. Um automatisierte und vernetzte Funktionen in vielen Verkehrssituationen testen zu können, werden virtuelle oder gemischte real-virtuelle Prototypen herangezogen. Aufgrund der Komplexität solcher Systeme nehmen auch entsprechende unternehmensübergreifende Kooperationen und der Bedarf an gemeinsamen Prototypen zu. Räumliche verteilte Prototypen vereinfachen und erweitern die unternehmensübergreifende Zusammenarbeit durch die schnellere Bereitstellung von Modellen und den besseren Schutz geistigen Eigentums. Allerdings nimmt der Aufbau solcher Prototypen aufgrund des hohen Integrationsaufwands viel Zeit in Anspruch. Hier zeigt sich, dass sich der Integrationsaufwand für räumlich verteilte Prototypen durch den Einsatz des Distributed Co-Simulation Protocol (DCP) massiv verringern lässt. Dazu werden ein Demonstrationsmodell auf einem kleinen Prüfstand in Graz sowie eine Co-Simulation mit Bosch Fahrfunktionen in Renningen präsentiert. Der vorgeführte Integrations-Workflow sowie die Analyse der kommunikativen Herausforderungen dieser Kopplung lassen sich auf jede andere Kopplung dieser Art übertragen.

Auszeichnung für Jungwissenschaftler in Technik- und Naturwissenschaften der Stiftung Werner-von-Siemens-Ring 2015

Die Auszeichung von Tobias Diekhans als Jungwissenschaftler der Stiftung Werner-von-Siemens-Ring erfolgt in Anerkennung seiner wegweisenden wissenschaftlichen Leistungen zur induktiven Energieübertragung für Elektrofahrzeuge.

Ein kabelloses Ladesystem bietet das Potential, das „Nachtanken“ von zukünftigen Elektrofahrzeugen ähnlich komfortabel zu gestalten, wie wir es heutzutage vom Verbrennungsmotor gewohnt sind. Kern der Energieübertragung bilden zwei induktiv gekoppelte Spulen, von denen eine in den Parkplatz integriert ist und eine zweite unter dem Fahrzeug angebracht ist. Weitere Leistungselektronikkomponenten wandeln zuerst die niederfrequente Netzspannung in eine hochfrequente Wechselspannung und anschließend im Fahrzeug wieder in eine Gleichspannung um. Die Leistungselektroniktopologie mit beidseitiger Regelung stellt einen äußerst vielversprechenden Ansatz dar, um die hohen Anforderungen in Bezug auf Bauraum, Wirkungsgrad und Kosten zu erfüllen.

Auszeichnung für Jungwissenschaftler in Technik- und Naturwissenschaften der Stiftung Werner-von-Siemens-Ring 2013

Die Auszeichung von Andreas Burghardt als Jungwissenschaftler der Stiftung Werner-von-Siemens-Ring erfolgt in Anerkennung seiner wissenschaftlichen Leistungen auf dem Gebiet des Pulverspritzgusses, die maßgeblich zur Verbesserung des mikroskopischen Verständnisses der Handhabbarkeit insbesondere nanoskaliger Werkstoffe im Fertigungsprozess beigetragen haben.

Mit pulvertechnologischen Formgebungsverfahren lassen sich komplexe Bauteile aus Metall oder Keramik herstellen. Für diese Verfahren sind Dispersionen mit bis zu 70 Vol.-% Feststoffgehalt nötig, was nur durch die Überwindung der anziehenden van-der-Waals-Kräfte mit Hilfe von Dispergatoren zu erreichen ist. Bei der Verwendung von Nano-Pulvern ist die Anziehung so stark, dass herkömmliche Dispergatoren nicht mehr wirken. Ein hochviskoser Thermoplast als Medium verhindert die Agglomeration der Nano-Partikel zwar wirksam, allerdings adsorbieren die Polymermoleküle vollständig auf den Nano-Partikeln, sodass die Dispersion ihre Plastizität verliert. Durch einen neuen Ansatz kann die Adhäsionsenergie der Polymermoleküle so weit verringert werden, dass auch Dispersionen mit Nano-Pulvern verarbeitbar bleiben.

Kooperationspreis Wissenschaft / Wirtschaft der UnIversität Ulm 2020

Im Rahmen des Transferprojekts "Do it yourself, but not alone: Companion-Technologie für die Heimwerkerunterstützung" soll in enger Zusammenarbeit der Universität Ulm mit der Zentralen Forschung und Vorausentwicklung der Robert Bosch GmbH ein prototypisches Companion-System für die Heimwerkerunterstützung entwickelt und praktisch erprobt werden. Basierend auf den Forschungsergebnissen der Teilprojekte A1, A2 und B1 des Sonderforschungsbereichs Transregio 62 soll dabei erstmalig ein digitaler Assistent entstehen, der Nutzer bei der Bedienung von Elektrowerkzeugen und der Durchführung von Heimwerkerprojekten individuell und kompetent unterstützt. So ist der Assistent unter anderem in der Lage sich in seinen detaillierten Schritt-für-Schritt-Anleitungen individuell an die Situation als auch die Fähigkeiten des jeweiligen Nutzers anzupassen. Für die Umsetzung der jeweiligen Assistenzaufgabe kann das System dabei auf eine umfassende Wissensbasis in Form von formalen Spezifikationen zurückgreifen. Darüber hinaus soll der Assistent dem Nutzer aber auch die Möglichkeit bieten, eigene neue Heimwerkerprojekte zu spezifizieren und ihm dabei assistieren. Diese Spezifikationen können dann auf einer Community-Plattform für andere Nutzer autorisiert bereitgestellt werden.

Werner-von-Siemens-Ring Jungwissenschaftler/innen 2019

Die Auszeichung von Andreas Dörr als Jungwissenschaftler der Stiftung Werner-von-Siemens-Ring erfolgt in Anerkennung seiner herausragenden Arbeiten für dateneffizientes, verstärkendes Maschinenlernen.

Eines der großen Versprechen von Machine Learning (ML) und Künstlicher Intelligenz (KI) ist es, einer Maschine die Fähigkeit zu verleihen, in komplexen und unbekannten Umgebungen autonom neues Verhalten zu erlernen. Ergebnisse dieser Forschungsrichtung, im speziellen der Disziplin des Reinforcement Learnings (RL), sind allerdings nach wie vor überwiegend beschrankt auf sehr spezialisierte, simulierbare und gut verstandene Problemfelder. Die Arbeit von Andreas Dorr adressiert dagegen Probleme wie: Daten-Effizienz, Robustheit und Lernen in Gegenwart von fehlerhafter und unvollständiger Wahrnehmung der Umgebung. Diese Probleme treten typischerweise auf, sobald maschinelle Systeme in unseren unstrukturierten, alltäglichen Umgebungen operieren sollen. Kernthemen seiner Arbeiten sind das Erlernen probabilistischer, prädiktiver Modelle, die es der Maschine erlauben aus vergangenen Erfahrungen optimale Entscheidungen für zukünftige Handlungen abzuleiten.

Foto: Stefanie Winkler (München)

Stiftung Werner-von-Siemens-Ring

Werner-von-Siemens-Ring Jungwissenschaftler/innen 2019

Die Auszeichung von Gerhard Kurz als Jungwissenschaftler der Stiftung Werner-von-Siemens-Ring erfolgt in Anerkennung seiner herausragenden Beiträge zur simultanen Lokalisierung und Kartographierung für mobile Roboter.

Moderne mobile Roboter müssen sich in unbekannten Umgebungen zurechtfinden und sicher mit ihrer Umwelt interagieren. Dazu ist es von großer Bedeutung, eine Karte der Umgebung anzulegen und sich anhand dieser Karte zu lokalisieren. Dies bezeichnet man als simultane Lokalisierung und Kartographierung (engl. Simultaneous Localization And Mapping – SLAM). Dabei erfasst ein Roboter seine Umgebung und seine eigene Bewegung darin mithilfe verschiedener Sensoren. Die Informationen aller Sensoren werden kombiniert, um möglichst genaue und zuverlässige Ergebnisse zu erhalten. SLAM hat Anwendungen in vielen Bereichen, vom Staubsaugroboter bis zum Logistikroboter, vom autonomen Fahrzeug bis zum Flugroboter. Dabei gibt es viele Herausforderungen zu bewältigen, etwa die Frage, wie man die auftretenden Unsicherheiten akkurat repräsentieren kann oder wie sich die Karte an eine veränderte Umgebung anpassen lasst.

Foto: Stefanie Winkler (München)

Stiftung Werner-von-Siemens-Ring

Deutscher Zukunftspreis 2013

Licht ist ein vielseitiges Werkzeug. In der Fertigung können Laserstrahlen herkömmliche mechanische Werkzeugmaschinen zum Bohren, Schneiden oder auch Schweißen ersetzen. Sie ermöglichen eine schnelle, kosteneffiziente und vor allem exakte Bearbeitung von Materialien. Doch wie lässt sich mit ultrakurzen Laserpulsen höchste Präzision bei maximaler Produktivität erreichen?

Dr. Jens König, Prof. Dr. Stefan Nolte und Dr. Dirk Sutter Prof. Dr. Stefan Nolte meisterten diese Herausforderung: Sie machten Ultrakurzpulslaser, die das Licht in Form energiegeladener Pulse mit Billionstelsekundendauer aussenden, fit für den Einsatz in der Industrie. Damit ebneten sie den Weg für eine sehr exakte Herstellung winziger Strukturen – und zur industriellen Fertigung neuartiger Produkte. Jens König ist Gruppenleiter Lasermaterialbearbeitung und Fügetechnik im Zentralbereich Forschung und Vorausentwicklung der Robert Bosch GmbH in Schwieberdingen. Dirk Sutter leitet die Forschung und Entwicklung an Ultrakurzpulslasern bei der TRUMPF Laser GmbH + Co. KG in Schramberg. Stefan Nolte ist Professor am Institut für Angewandte Physik der Friedrich-Schiller-Universität Jena sowie am Fraunhofer-Institut für Angewandte Optik und Feinmechanik in Jena.