AMPLIF-AI

Das Gebiet Südtirols beherbergt zahlreiche Infrastrukturen, die kontinuierlich überwacht werden müssen, um ihre Funktionsfähigkeit, Effizienz und Sicherheit für die Gemeinschaft zu gewährleisten. Diese Anlagen sind von grundlegender Bedeutung für die Sektoren Transport, Tourismus, Energieerzeugung und -transport sowie Telekommunikation. Das AMPLIF-AI (Adaptive Mission Planning for LIve inFrAstructures Inspection)-Projekt zielt darauf ab, ein System auf Basis künstlicher Intelligenz zu schaffen, das Inspektionsteams ermöglicht, den Zustand von Infrastrukturen in Echtzeit in verschiedenen Anwendungsszenarien im alpinen Kontext zu bewerten. Die Partner werden ein System entwickeln, das aus einer Bodenplattform und unbemannten Luftfahrzeugen (UAVs) besteht, die vom Inspektionsteam überwacht werden. Das UAV wird über Bordintelligenz verfügen, die Navigations- und Ortungssensoren sowie fallstudien-spezifische Sensoren steuert. Die Bodenplattform wird eine mobile Basis sein und als Kommunikationsrelais mit den UAVs fungieren. Sie wird Hochleistungsrechner beherbergen, um das dreidimensionale Modell der zu inspizierenden Infrastruktur zu erstellen und in Echtzeit mit den von den UAVs übertragenen Bildern anzureichern. Das Modell kann mit Daten aus anderen Quellen zusammengeführt werden. Das Projekt umfasst eine abschließende Validierung anhand einer Fallstudie.

ZIELE

AMPLIF-AI – Forschungsaktivitäten
Das Hauptziel des AMPLIF-AI-Projekts ist die Automatisierung und Straffung von Infrastrukturinspektionsoperationen (z. B. Stromleitungen, Skilifte, Brücken …). Insbesondere wird sich das Projekt auf die Realisierung einer Hardware-/Softwareplattform für die Echtzeitüberwachung durch den Einsatz (semi-)autonomer unbemannter Roboter konzentrieren, die durch die typischen Randbedingungen der Alpenregionen eingeschränkt sind.

Die Plattform wird neue Lösungen für die adaptive Trajektorienplanung während der Datenerfassungsphase integrieren und innovative, auf Künstlicher Intelligenz basierende Methoden zu deren Verarbeitung anwenden (z. B. zur Erkennung von Schäden in der Infrastruktur). Genauer gesagt lassen sich die Ziele von AMPLIF-AI in sieben Punkten zusammenfassen:

  • Entwicklung neuer Methodologien zur Modellierung von Inspektionsaktivitäten, um sicherzustellen, dass das Überwachungsteam die notwendigen Informationen für die Entscheidungsfindung erfasst;
  • Entwicklung neuer Algorithmen für die gemeinsame Inspektion und koordinierte Planung von Luft- und Bodenplattformen, um
    • Risiken während der Standortinspektion zu mindern und die Erhebungen genau und vollständig zu machen,
    • die Inspektion in Bezug auf Emissionen und Zeitaufwand effizienter zu gestalten.
  • Entwicklung innovativer Algorithmen zur In-situ-Analyse und Speicherung von Inspektionsdaten mittels Machine-Learning-Methoden;
  • Validierung und Bewertung des entwickelten Ansatzes durch In-situ-Experimente, um die oben genannten Ziele zu erfüllen;
  • Integration der Forschungsergebnisse in akademische Kurse in den Bereichen Robotik und Inspektion sowie in Doktoratsprogramme;
  • Verbreitung der Ergebnisse durch Beiträge zu internationalen Konferenzen und/oder Publikationen in Scopus-indexierten Zeitschriften, Organisation von Workshops und Seminaren;
  • Förderung der Zusammenarbeit zwischen Unternehmen und Forschungseinrichtungen, Technologietransfer und Cross-Fertilisation durch die gemeinsame Nutzung gesammelter Daten auf offenen digitalen Plattformen wie dem OpenDataHub des NOI Techpark sowie durch die Einrichtung eines Beratungsgremiums, um die Bedürfnisse der Region und die kritischsten Anwendungsfälle zu erfassen.

Erwartete Ergebnisse

  • Messqualität: Unterschiede in den Informationen über den Zustand der Infrastruktur, die durch das im Rahmen von AMPLIF-AI entwickelte System und traditionelle Methoden gewonnen werden, werden bewertet.
  • Zuverlässigkeit der Algorithmen: semi-autonome Navigation im Überwachungsszenario; Erfassung von Schlüsselpunkten für die Infrastrukturüberwachung.
  • Experimentelle Validierung: Überwachungsmissionen werden durchgeführt, um das entwickelte System zu validieren.
  • Einbindung der Endnutzer: Verschiedene Endnutzer werden in die identifizierten Fallstudien einbezogen.
  • Effizienz der Überwachung: Es wird eine Reduzierung der für Überwachungsaktivitäten eingesetzten Zeit erwartet.
  • Wirksamkeit der Überwachung: Zusätzliche Informationsinhalte werden im Vergleich zur traditionellen Überwachung gewonnen.
  • Benutzerfreundlichkeit des Systems: Ein Bewertungsfragebogen wird von den Endnutzern ausgefüllt, um Feedback zur Benutzerfreundlichkeit des entwickelten Systems zu erhalten.

Projektdetails

Titel: Adaptive Mission Planning for LIve inFrAstructures Inspection
Akronym: AMPLIF-AI
Projektcode: EFRE-1019
CUP: B57H23003920007
Förderprogramm: EFRE 2021–2027
Gesamtbudget: 619.000,78 € (gefördert: 529.758,21 €)
MAVTech-Budget: 223.105,92 € (gefördert: 133.863,55 €)
Partner: Fraunhofer Italia, Free University of Bolzano – Bozen.
Projektdauer: 01.2024 – 12.2026