Hintergrund: Im Rahmen eines empirischen Projektes in Zusammenarbeit mit dem Institut für Psychologie wurden Verhaltensdaten von Probanden aufgenommen, deren Aufgabe es war, eine Notfallsituation in einem virtuellen Szenario (Parkhausbrand) zu bewältigen. Somit liegen sowohl physiologische (Hautleitfähigkeit, Atemfrequenz, etc.) als auch geometrische Daten (Kopfbewegung, Trajektorie des Spielers in VR, etc.) von insg. 40 Probanden vor.

Ziel: Im Rahmen der Arbeit sollen die erhobenen Daten geeigneten Verfahren der Datenanalyse (z.B. Clustering) unterzogen werden, um zu ermitteln, ob sich die durch Fragebögen ermittelten interindividuellen Unterschiede (bezgl. Bewältigungsverhalten aber auch emotionaler Reaktivität) die Verhaltensdaten systematisch auf die geometrischen Daten ausgewirkt haben. Im ersten Schritt wäre es z.B. denkbar, sich auf die Analyse der Kopfbewegung zu beschränken, um zu ermitteln, ob es möglich ist, anhand dieser ängstlichere von weniger ängstlichen Probanden automatisch zu unterscheiden.

Hintergrund: Um ein KI-Projekt zur Simulation sozialer Emotionen wie Schuld und Scham für virtuelle Agenten umzusetzen, wird die freie Gameengine "Unity 3D" verwendet. In dieser ist geplant, virtuelle Agenten mittels einer Planungskomponente fernzusteuern, die über Netzwerk-protokolle bidirektional anzubinden ist.

Ziel: Im Rahmen des Projectes soll den Agenten ermöglicht werden, ihre virtuelle Umgebung so wahrzunehmen, wie es einem menschlichen Spieler möglich wäre. Somit müssen sowohl der sich dynamisch ändernde "field-of-view" wie auch räumliche Verdeckung ("occlusion") Berücksichtigung finden, bevor die Wahrnehmungsdaten in geeigneter Weise der Planungskomponente zu übermitteln sind. Die zu entwickelnden Algorithmen sollten dabei nicht nur für einen einzelnen Agenten in einer statischen Umwelt verwendbar sein, sondern bestenfalls auch auf mehrere Agenten in einer dynamischen Umwelt angewendet werden können.

Vorkenntnisse: Grundlagen in der Programmierung in mind. einer der Sprachen C#, JavaScript oder Boo, sowie Kenntnisse der Sprache C++ sind von Vorteil, können aber auch im Rahmen des Projektes erlernt werden. Expertise auf den Gebieten "3D Computer Grafik" und "Game Design" sowie Vorkenntnisse mit einem 3D Modellierungstool (3DSMax, Maya, Blender) wären ebenso wünschenswert wie ebensolche auf dem Gebiet der Netzwerkprogrammierung.

In der Robotik ist der Arbeitsbereich eines Manipulators eine Teilmenge eines 6-dimensionalen Raumes. Dieser ist implizit über die Kinematik des Roboters gegeben. Wissen über den Arbeitsbereich ist notwendig, wenn man Schlussfolgerungen über Aktionen des Roboters ziehen möchte, z.B. bei der Planung. Meistens kann der Arbeitsbereich durch die Berechnung der inversen Kinematik abgefragt werden. Eine andere Möglichkeit besteht in "capability maps", die den Arbeitsbereich vorberechnen und in einer effizienten Datenstruktur speichern.

Das Ziel dieser Arbeit ist die Implementierung der "capability map". Dazu muss der Algorithmus zur Berechnung der capability map und ein Abfragealgorithmus implementiert werden. Erweiterungen, wie die Kombination verschiedener capability maps können hinzugefügt werden. Die Implementierung wird in C++ durchgeführt.

Sorry, this thesis is only available in English.

Ein linearer pseudo-Boolescher Constraint (LPB) ist ein Ausdruck der Form a_1 l_1+...+a_m l_m ≥ d. Hierbei ist jedes l_i ein Literal der Form x_i or ¯x_i=1-x_i, d.h., x_i wird 0 wenn x_i falsch ist und 1 wenn x_i wahr ist, und umgekehrt für ¯x_i. Des weiteren sind a_1,...,a_m,d natürliche Zahlen. LPBs sind eine Verallgemeinerung von aussagenlogischen Klauseln. Boolesche Funktionen können mittels LPBs oft kompakter dargestellt werden als mittels konjunktiver oder disjunktiver Normalformen. Z.B. entspricht die LPB 2x_1+¯x_2+x_3+x_4≥2 der DNF x_1\/(¬ x_2/\ x_3)\/(¬ x_2/\ x_4)\/(x_3/\ x_4). Daher gibt es in der Literatur mehrere Ansätze, die Techniken aus dem SAT Solving (aussagenlogische Erfüllbarkeit) auf LPBs zu verallgemeinern. In diesen Arbeiten wird immer davon ausgegangen, dass sich die LPBs aus der Kodierung innerhalb der Problemdomäne natürlich ergeben.

Man kann allerding fragen: könnte es nicht auch interessant sein, beliebige aussagenlogische Formeln in eine äquivalente LPB-Menge zu transformieren, um dann beim Entscheiden der Erfüllbarkeit von der kompakteren Darstellung zu profitieren? Es gibt einen Algorithmus, der dieses Problem teilweise löst: gegeben eine aussagenlogische Formel, die sich als eine einzige LPB darstellen lässt, findet der Algorithmus diese LPB.

Gegenstand der Bachelor-Arbeit ist es, diesen Algorithmus zu implementieren, und einige Experimente zu machen, um abzuschätzen, wie aufwändig die Transformation in der Praxis ist.