Iris Fürst-Walter

  • Gruppe: Prof. Becker

  • Engesserstr. 5

    76131 Karlsruhe

Forschung

Künstliche Intelligenz in eingebetteten Systemen

Künstliche Intelligenz hat in vielen Bereichen Einzug erhalten, um Systeme präziser und verlässlicher zu machen als es bisherige von Hand optimierte Algorithmen ermöglichen. Eine verbreitete Methode ist Maschinelles Lernen, das aufgrund einer großen Datenbasis selbst lernt, vordefinierte Aufgaben zu lösen. Doch damit künstliche Intelligenz die Endanwendung bereichern kann, muss sie eingebettet werden. Eine besondere Herausforderung ist dabei, die Netze so zu komprimieren, dass sie komplett in den Endgeräten berechnet werden können.

Benchmarking

Benchmarking für KI-Beschleuniger

Beim Einsatz von Künstlicher Intelligenz in der Praxis müssen unterschiedliche Rahmenbedingungen berücksichtigt werden, die den Entwurf eines KI-Systems und -Beschleunigers beeinflussen. Häufig wird ein Kompromiss zwischen der Genauigkeit des KI-Modells, genutzten Hardware-Ressourcen und Applikationsanforderungen realisiert. Am ITIV werden zur Analyse dieses Kompromisses Metriken aus den verschiedenen Bereichen gemessen und Benchmarks zur Bewertung des Gesamtentwurfs entwickelt. Diese Benchmarks können wiederum bei der automatisierten Entwurfsraumexploration genutzt werden, um schneller ein passendes Hardware/Software-Codesign zu finden.

 

Assistenzrobotik

Viele Menschen streben nach einem langen selbstbestimmten Leben in den eigenen vier Wänden. Der Pflegenotstand führt jedoch dazu, dass menschliche Betreuung im Eigenheim immer seltener möglich ist. Als Alternative forscht das KIT an Assistenzrobotern, die ältere Menschen unterstützen den häuslichen Alltag zu bewältigen. Wichtige Aspekte für deren Akzeptanzsteigerung sind geringe Reaktionszeiten und Personalisierung der Services. Hierfür erforscht das ITIV geeignete Hardwarebeschleuniger mit geringen Latenzen und einem hohen Maß an Privatsphäre.

 

Betreute studentische Arbeiten (Auswahl)

  • MA: "Konzeptioneller Entwurf eines modularen Sensornetzwerks für intelligente Textilanwendungen"
  • MA: "Datenanalyse von Sensorinformationen in intelligenten Textilanwendungen"
  • MA: "Structured Analysis of a Deep Neural Network for Face detection for Implementation on FPGAs"
  • MA: "Entwurf und Analyse eines intelligenten Sensornetzwerks zur Bewegungsanalyse"
  • MA: "Design and Analysis of a Human Pose Estimation System from Sparse IMU-Sensing"
  • MA: "Efficient Design of 3D-CNN-Acceleration on FPGA for Action Recognition"
  • BA: "Analyse von Konzepten für ein KI-basiertes System zur automatisierten Identifikation und Zuordnung von Maschinenparametern"
  • SA: "IMU-based Action Recognition using Machine Learning"

Publikationen


2024
Proceedingsbeiträge
HW/SW Co-Design for Integrated AI Systems: Challenges, Use Cases and Steps Ahead
Harbaum, T.; Topko, I.; Serdyuk, A.; Fürst-Walter, I.; Kreß, F.; Becker, J.
2024. 3rd Workshop on Deep Learning for IoT (DL4IoT-2024)
2023
Zeitschriftenaufsätze
CNNParted: An open source framework for efficient Convolutional Neural Network inference partitioning in embedded systems
Kreß, F.; Sidorenko, V.; Schmidt, P.; Hoefer, J.; Hotfilter, T.; Walter, I.; Harbaum, T.; Becker, J.
2023. Computer Networks, 229, Article no: 109759. doi:10.1016/j.comnet.2023.109759
Proceedingsbeiträge
Design Space Exploration on Efficient and Accurate Human Pose Estimation from Sparse IMU-Sensing
Fürst-Walter, I.; Nappi, A.; Harbaum, T.; Becker, J.
2023. 2023 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Detroit, Mi, 1st-5th October 2023, 10888 – 10893, Institute of Electrical and Electronics Engineers (IEEE). doi:10.1109/IROS55552.2023.10341256
Potential of systematically generated training datasets on the accuracy and generalization of AI-based approaches for the automated identification of machine control signals
Gönnheimer, P.; Ströbel, R.; Roßkopf, A.; Dörflinger, R.; Walter, I.; Becker, J.; Fleischer, J.
2023. 16th CIRP Conference on Intelligent Computation in Manufacturing Engineering CIRP ICME ‘22, Italy. Hrsg.: R. Teti, D. D’Addona, 145 – 150, Elsevier. doi:10.1016/j.procir.2023.06.026
Automated Search for Deep Neural Network Inference Partitioning on Embedded FPGA
Kreß, F.; Hoefer, J.; Hotfilter, T.; Walter, I.; El Annabi, E. M.; Harbaum, T.; Becker, J.
2023. Machine Learning and Principles and Practice of Knowledge Discovery in Databases. Hrsg.: I. Koprinska. Pt. 1, 557–568, Springer International Publishing. doi:10.1007/978-3-031-23618-1_37
2022
Proceedingsbeiträge
Hardware-aware Partitioning of Convolutional Neural Network Inference for Embedded AI Applications
Kreß, F.; Hoefer, J.; Hotfilter, T.; Walter, I.; Sidorenko, V.; Harbaum, T.; Becker, J.
2022. 18th International Conference on Distributed Computing in Sensor Systems (DCOSS), 133–140, IEEEXplore. doi:10.1109/DCOSS54816.2022.00034
Embedded Face Recognition for Personalized Services in the Assistive Robotics
Walter, I.; Ney, J.; Hotfilter, T.; Rybalkin, V.; Hoefer, J.; Wehn, N.; Becker, J.
2022. Machine Learning and Principles and Practice of Knowledge Discovery in Databases – International Workshops of ECML PKDD 2021, Virtual Event, September 13-17, 2021, Proceedings, Part I. Ed.: M. Kamp, 339–350, Springer International Publishing. doi:10.1007/978-3-030-93736-2_26