Das Forschungsprojekt „Flexible, efficient and robust sensing with AI“ (kurz XenseAI) ist ein Kooperationsprojekt zwischen der Arbeitsgruppe Design Automation for Embedded Systems, der Arbeitsgruppe experimentelle Teilchenphysik (AG Albrecht),  dem Bereich Ressourcenbewusstes Maschinelles Lernen und der Arbeitsgruppe Virtual Machining innerhalb des Forschungsbereichs Industrie und Produktion des Lamarr-Instituts für Maschinelles Lernen und Künstliche Intelligenz.

Ziel des Projektes ist es, die Robustheit der Verarbeitung von Sensordaten im Kontext des maschinellen Lernens zu erhöhen, indem fortschrittliche Algorithmen entwickelt werden, die in der Lage sind, Rauschen und Störungen in den Sensordaten effektiv zu filtern und gleichzeitig eine präzise Analyse und Interpretation der Informationen zu gewährleisten.

Das Projekt beschäftigt sich mit der Verwendung von mehreren Sensoren zur Erstellung präziser Modelle von Objekten mithilfe von Sensorfusion. Es werden grundlegende Prinzipien der Signalverarbeitung mit maschinellem Lernen untersucht, um die Effizienz und Genauigkeit der Sensordatenanalyse zu verbessern. Ziel ist es, durch multimodales Sensing ausreichend Informationen aus der physikalischen Umgebung zu gewinnen.

Im Rahmen des Projektes werden Sensordaten in verschiedenen Domänen, wie dem Maschinenbau und der Physik, analysiert, um deren Verarbeitung im Kontext des maschinellen Lernens zu optimieren. Im Maschinenbau ermöglichen Sensoren die Überwachung von Prozessen und die frühzeitige Erkennung von Wartungsbedarf oder Verschleiß, während beim LHCb-Experiment am CERN hochpräzise Detektoren zur Untersuchung der Zerfälle von Teilchen eingesetzt werden. Durch die Verbesserung der Robustheit bei der Verarbeitung dieser Sensordaten strebt das Projekt an, sowohl die Effizienz industrieller Prozesse als auch die Genauigkeit wissenschaftlicher Erkenntnisse zu steigern.