Forschungsthemen
In der Abteilung "Kognitive Produktionssysteme" konzentrieren wir uns darauf, fortschrittliche Steuerungs- und Vorhersagealgorithmen zu entwickeln und anzuwenden, um Probleme im Zusammenhang mit Robustheit und Zuverlässigkeit in Produktionssystemen anzugehen. Gleichzeitig stellen wir sicher, dass das gesamte System flexibel bleibt und sich an Prozessänderungen anpassen kann. Um die Robustheit, Zuverlässigkeit und Flexibilität gleichzeitig zu verbessern, setzen wir Methoden des maschinellen Lernens und der künstlichen Intelligenz ein, einschließlich dem verstärkenden Lernen, mehrschichtigen Perzeptronen und anderem.
Die Forschungsthemen des Bereichs sind im Einzelnen:
- Entwicklung und Anwendung von Verfahren des maschinellen Lernens im industriellen Umfeld
- Architekturen und Algorithmen für die kognitive Robotik und Automatisierungstechnik
- Integration cyber-physischer und kognitiver Produktionsmittel in vernetzten Wertschöpfungssystemen
- Sicherer, zuverlässiger und nachvollziehbarer Einsatz von künstlicher Intelligenz in der Produktion
- Physik-informiertes maschinelles Lernen und dateneffiziente künstliche Intelligenz in der Produktion
- Physics-Informed maschinelles Lernen und Data-Efficient künstliche Intelligenz in der Produktion
Im Vorhaben DigiAutoFab wird das Ziel verfolgt, die gesamte Prozesskette für additiv gefertigte Kunststoffbauteile im Pulverbettschmelzverfahren mit Laser (PBF-LB/P) durchgängig zu digitalisieren. Dies umfasst alle Schritte von der Konstruktion über die Fertigungsvorbereitung und -durchführung bis hin zu nachgelagerten Prozessen.
Durch diese durchgängige Digitalisierung soll insbesondere eine vollständige Rückverfolgbarkeit von Bauteilen ermöglicht sowie systematisch Prozesswissen aufgebaut werden. Auf dieser Basis können Methoden des maschinellen Lernens eingesetzt werden, um Verarbeitungsparameter effizient zu optimieren und die Reproduzierbarkeit sowie Übertragbarkeit zwischen unterschiedlichen Anlagen zu verbessern.
Ein zentraler Baustein ist dabei der Aufbau eines digitalen Zwillings, der es erlaubt, Design- und Auslegungsprozesse effizient zu gestalten und datengetriebene Modelle in den Gesamtprozess zu integrieren. Dadurch wird die wirtschaftliche Nutzung additiver Fertigungsverfahren, insbesondere im Automobilbereich für Vorserien- und Ersatzteile, deutlich erweitert.
Teilaufgabe des IFF: Oberflächennachbearbeitung
Im Rahmen des Projekts übernimmt das IFF eine spezifische Teilaufgabe im Bereich der Oberflächennachbearbeitung additiv gefertigter Bauteile.
Dabei handelt es sich um einen chemischen Prozess, bei dem die Oberflächenqualität gezielt verbessert wird. Der Prozess läuft in mehreren Schritten ab:
- Einbringen der Bauteile in eine Vakuumkammer
- Einleitung von Lösungsmitteldampf
- Kondensation des Dampfes auf der Bauteiloberfläche (Glättungseffekt)
- Mehrfache Wiederholung dieses Eindampfungsprozesses
- Abschließende Trocknung zur Entfernung verbleibender Lösungsmittel
Die zentrale Fragestellung des Vorhabens besteht darin, zu untersuchen, wie sich die Oberflächenqualität in Abhängigkeit von den gewählten Prozessparametern verändert.
Konkret wird die relative Oberflächenänderung 𝑅 modelliert als Funktion von:
- der Anzahl der Eindampfungszyklen 𝑊
- der Dauer jedes Zyklus 𝑇
Ziel ist es, ein Modell zu entwickeln, das diesen Zusammenhang effizient beschreibt und eine zuverlässige Vorhersage ermöglicht.
Methodischer Ansatz: PI-VIDON
Zur Lösung dieser Problemstellung wird ein Physics-Informed Variable Input Deep Operator Network (PI-VIDON) eingesetzt. Die Eingabe basiert auf den Prozessparametern 𝑊 und 𝑇, aus denen sich zeitabhängige Messdaten – insbesondere Druckverläufe – ergeben. Eine besondere Herausforderung besteht darin, dass die Länge dieser Messdaten abhängig von den Prozessparametern variiert.
Daher wird ein Variable Input DeepONet verwendet, bei dem die Anzahl der Branch-Eingaben dynamisch angepasst wird. Dadurch können Informationsverluste vermieden und die Vorhersagegenauigkeit verbessert werden.
Die Modellarchitektur besteht aus:
- Branch-Netz: Verarbeitung der Messdaten (z. B. Druckverläufe)
- Trunk-Netz: Modellierung der zeitlichen Abhängigkeit
- Output-Netz: Kombination beider Repräsentationen zur Vorhersage
Zusätzlich wird physikalisches Wissen in den Trainingsprozess integriert. Dies erfolgt über eine kombinierte Loss-Funktion:
- Data Loss: Anpassung an Messdaten
- Initial Loss: Berücksichtigung von Anfangsbedingungen
- Physics Loss: Einbindung physikalischer Gesetzmäßigkeiten (z. B. Differentialgleichungen)
Ergebnisse
Die Ergebnisse zeigen, dass das entwickelte Modell den Zusammenhang zwischen Prozessparametern und Oberflächenänderung zuverlässig abbilden kann. Besonders hervorzuheben ist, dass bereits mit einer vergleichsweise geringen Datenmenge eine robuste Modellleistung erreicht wurde, was den positiven Einfluss der Integration physikalischen Vorwissens unterstreicht.
Obwohl das verwendete physikalische Modell nicht anlagenspezifisch ist, gelingt es dem Ansatz, das reale Systemverhalten präzise zu erfassen. Insgesamt zeigt sich eine gute Generalisierungsfähigkeit, wodurch der Ansatz ein hohes Potenzial für den praktischen Einsatz in der additiven Fertigung bietet.
Die produzierende Industrie und ihre Kunden legen zunehmend Wert auf hohe Qualitätsstandards. Anstelle der manuellen Qualitätsprüfung, die ineffizient und fehleranfällig sein kann, setzen einige Branchen verstärkt auf automatisierte Prüfungen, z.B. mithilfe von Methoden des maschinellen Lernens (ML). Es fehlen jedoch immer noch geeignete Standards und Entwicklungsmethoden, um die Eignung und Qualifizierung eines ML-basierten KI-Systems nachzuweisen. So verhindern Bedenken hinsichtlich der Zuverlässigkeit oder Genauigkeit der auf ML basierenden KI-Systeme bisher deren breiten industriellen Einsatz.
Ziel des Projekts ist die Entwicklung eines Software-Frameworks für die Qualifizierung bzw. Auditierung von ML-basierten KI-Systemen in der industriellen Qualitätsprüfung. Das Framework besteht dabei aus einem Vorgehensmodell samt softwaregestützter Methoden und Werkzeuge, die es ermöglichen (a) Prüf- und Bewertungskriterien zu ermitteln und zu formulieren sowie (b) das KI-System entlang dieser Kriterien abzunehmen. Das Framework soll modular gestaltet sein, sodass eine einfache Integration und Erweiterung von Prüf- bzw. Auditierungsmodulen möglich wird. Das Framework soll insbesondere kleine und mittelständische Unternehmen (KMU) dazu befähigen, fremdbezogene KI-Systeme zu qualifizieren, um so auch ohne eigene KI-Fachkräfte die Leistungsfähigkeit bewerten zu können. Das Framework soll auch für KI-Dienstleister zur Selbstauskunft oder für unabhängige Prüfinstanzen zur Zertifizierung einsetzbar sein.
In diesem Vorhaben wird für die verschiedenen Entwicklungsphasen eines KI-Systems eine systematische Ermittlung und Formulierung von anwendungs- und KI-spezifischen Prüf- und Bewertungskriterien vorgeschlagen, basierend auf sogenannten Argumentationsstrukturen. Kernelement der Argumentationsstruktur ist das Hauptziel, welches durch das KI-System zu erreichen ist , etwa, dass eine bestimmte Pseudofehlerrate nicht unterschritten wird. Zur weiteren Strukturierung kann dieses Hauptziel in Unterziele oder zu erfüllende Kriterien aufgegliedert werden. Zudem sind alle getroffenen Annahmen und Kontextinformationen in die Argumentationsstruktur zu integrieren. Um ein strukturiertes Argument zur Erfüllung des Hauptziels bereitstellen zu können, erfasst die Argumentationsstruktur auch die dafür erforderlichen und zu erbringenden system- oder prozessbezogenen Nachweise. Die Argumentationsstruktur soll bei der Auditierung des KI-Systems entlang der verschiedenen Entwicklungsphasen herangezogen werden. Daher soll in diesem Vorhaben ein computergestütztes Assistenzsystem als Bestandteil des Software-Frameworks zur unterstützenden Erstellung von Argumentationsstrukturen entwickelt werden, welches sich auf vorgefertigten, dem Anwendungskontext der Qualitätsprüfungen entsprechenden Templates stützt und die erstellte Argumentationsstruktur zentral verwaltet. Hierfür soll eine computergestützte Auditierungsplattform entwickelt werden.
Prozesse der Warmmassivumformung unterliegen vielen Größen und Randbedingungen. Der Schmiedevorgang ist dabei empfindlich gegenüber wechselwirkenden Prozessschwankungen oder eine instabile Prozessführung. So kommt es vor allem bei Schwankungen bei den Einlegetemperaturen oder beim Aufbringen des Schmierstoffs zur Unterfüllung und das Bauteil wird als Ausschuss bewertet. Massenzugabe sorgen beim Gesenkschmieden für einen stabileren Prozess. Dabei entstehen Grate, die später mit viel Energieaufwand entfernt werden müssen und zusätzlichen Materialaufwand erfordern. Die Prozessstabilisierung durch eine Gratausformung wirkt sich somit negativ auf den Material- und Energiebedarf aus. Viele Geometrien sind zudem anfällig gegenüber Verzügen, die außerhalb der zulässigen Toleranz weitere Nachbearbeitungen erfordern. So beeinflussen Schwankungen in den Prozessparametern und unbekannte Wechselwirkungen die Qualität der Teile.
Das Ziel des Forschungsvorhabens besteht in der Verbesserung von Qualitätsmerkmalen im Gesenkschmiedeprozess durch ein besseres Verständnis der Wechselwirkungen. Dabei sollen datenbasierte Modelle in Kombination mit globalen Erklärbarkeitsverfahren helfen, bislang unverstandene Korrelationen und Prozessschwankungen zu identifizieren. Damit können Ansätze entwickelt werden, die durch ein angepasstes Wirkflächendesign auch mit geringeren Sicherheitsfaktoren wie Grat oder Aufmaße eine Prozessstabilisierung erlauben. Um dies zu erreichen, wird zunächst das Domänenwissen gesammelt und kondensiert, Bauteilqualitätsdaten und Prozessdaten werden automatisiert generiert, um Referenzdatensätze zu erzeugt. Anhand dieser Daten wird ein maschinelles Lernverfahren entwickelt, das anhand von Prozessdaten Vorhersagen über Qualitätsmerkmale treffen kann. Schließlich wird ein White-Box-Modell zur Identifikation von Prozessgrößen entwickelt, die die Bauteilqualität beeinflussen. Damit soll in Zukunft das Wirkflächendesign für den vorliegenden Prozess optimiert werden und die Übertragbarkeit auf andere Gesenkschmiedeprozesse erreicht werden.
Das Fachgebiet Prognostics and Health Management (PHM) befasst sich mit der Diagnose des aktuellen Degradationszustands technischer Systeme sowie mit der Prognose der weiteren Entwicklung dieses Zustands. Ziel ist die Bereitstellung von Informationen, welche im Rahmen des Health Managements für die Planung und Koordination von Instandhaltungsprozessen oder Systemanpassungen eingesetzt werden. Die Methoden für die Zustandsdiagnose und -prognose werden in der Literatur meist in physikalisch modellbasierte Methoden, datengetriebene Methoden und hybride Methoden unterteilt. Letztere dienen dazu, Unzulänglichkeiten rein datengetriebener Methoden zu kompensieren, indem Kenntnisse über das betrachtete System einbezogen werden, die jedoch als unzureichend für eine ganzheitliche Modellierung des Systems gelten. Denn in der Regel sind grundlegende Kenntnisse über das System und über die Gesetzmäßigkeiten seines Degradationsprozesses vorhanden. Dieser Forschungszweig wird als Theory-Guided Data Science (TGDS) bezeichnet und zielt insbesondere auf die Verminderung der Defizite datengetriebener Methoden ab.
Das Ziel des Forschungsvorhabens ist die Integration von bei PHM anwendungsübergreifend vorliegenden Gesetzmäßigkeiten bzw. Randbedingungen in datengetriebene Methoden zur Zustandsdiagnose und -prognose. Ein Beispiel hierfür ist dass das betrachtete technische System über keine Möglichkeit der Selbstheilung verfügt. Diese überwiegend auftretende Eigenschaft führt dazu, dass der Degradationszustand des Systems monoton zunehmend sein muss. Die Integration derartiger Vorkenntnisse soll eine Verbesserung der Extrapolation in Bereiche mit wenigen oder keinen Trainingsdaten sowie die Einhaltung von Gesetzmäßigkeiten des zu modellierenden Systems ermöglichen. Die dabei zu verfolgenden Ansätze sind Physics-Based Regularization, Auxiliary Task in Multi-Task Learning, Intermediate Physical Variables und Physics-Guided Initialization (siehe Abbildung 1). Während theoretische Vorarbeiten bereits existieren, werden im Rahmen des Forschungsvorhabens dedizierte Lösungen für den Bereich PHM entwickelt, die aufgrund des zentralen Fokus, die anwendungsübergreifende Charakteristik der Gesetzmäßigkeiten zu berücksichtigen, eine entsprechende Breitenwirkung aufweisen.
Abgeschlossene Projekte
Biegeschlaffe Bauteile wie Kabel und Kabelbäume haben bei der Produktion von Elektrofahrzeugen eine zentrale Rolle. Sie sind aber mangels robuster Prozesse bislang nicht automatisiert handhabbar. Im Projekt "RoboCable" werden daher neuartige KI-Methoden für die robotergestützte Handhabung bzw. Manipulation biegeschlaffer Bauteile erforscht.
Im Projekt wird eine Kombination folgender Technologien betrachtet:
- Lageschätzung filigraner biegeschlaffer Bauteile mittels optischer Sensoren
- modellbasiertes Matching von Sensordaten und digitalem Bauteilmodell
- skillbasierte Roboterprogrammierung zur Umsetzung komplexer und kraftgeregelter Bewegungen
- KI-basierte Auswahl und Parametrierung geeigneter Roboterskills
- Reinforcement Learning für die Robotersteuerung
- Einsatz einer Physik-Simulationsumgebung als Digitaler Zwilling der Produktion
Durch diese Kombination erlernt der Roboter neue Montagetätigkeiten virtuell in der Simulationsumgebung, um den hohen Varianzen biegeschlaffer Bauteile und inhärenten Prozessunsicherheiten Rechnung zu tragen. Laufende Aufgaben können parallel dazu unterbrechungsfrei ausgeführt werden. Im Sinne einer VISION ZERO werden Programmier-, Stillstands- und Anlaufzeiten sowie Defekte minimiert.
Das Projekt ist am 01.Januar 2023 im Rahmen des InnovationsCampus Mobilität der Zukunft ICM gestartet.
Universität Stuttgart: Institut für Steuerungstechnik der Werkzeugmaschinen und Fertigungseinrichtungen (Prof. Verl) https://www.isw.uni-stuttgart.de/
KIT Karlsruhe: Institut für Industrielle Informationstechnik (Prof. Heizmann) https://www.iiit.kit.edu/index.php
Fraunhofer IPA Stuttgart: Abteilung Roboter- und Assistenzsysteme (Dr. Kraus) https://www.ipa.fraunhofer.de/de/Kompetenzen/roboter--und-assistenzsysteme.html
Der KI-Online-Kurs aus dem Projekt AKIPro vermittelt anwendungsorientiertes Wissen zur KI in der industriellen Produktion und hilft dabei, diese Technologie in die Praxis zu bringen. Er wurde an den KI-Campus übergeben und ist nun auf dieser Lernplattform verfügbar. Geplant ist, das Angebot auch in Lehrveranstaltungen des IFF sowie Formate des Campus Schwarzwald zu integrieren. Das Besondere: Der KI-Kurs steht nicht nur Studenten und Fachexperten, sondern allen Interessierten offen.
Die nachhaltige Wiederaufarbeitung/Refabrikation von Gerätekomponenten erfordert einen hohen manuellen Arbeitsaufwand. Während die Neuproduktion von einer hohen Normierung der Komponenten in jedem Produktionsschritt profitiert, wirkt sich bei der Refabrikation der Verschleiß jeder Komponente sehr unterschiedlich auf Form oder Oberflächeneigenschaften aus. Dies erschwert die Automatisierung massiv und macht die Neuproduktion – obwohl deutlich weniger nachhaltig – wirtschaftlicher. Gleichzeitig besteht die Herausforderung eines zunehmenden Fachkräftemangels, weshalb es einen großen Bedarf an Automatisierungslösungen im Bereich der Refabrikation gibt.
Dieses Vorhaben bringt Nachhaltigkeit und Wirtschaftlichkeit durch künstliche Intelligenz (KI) in Einklang. KI erlaubt eine automatisierte individuelle Anpassung der Bearbeitung eines Werkstücks. Dies macht die Automatisierung einsetzbar und die Refabrikation im freien Markt gegenüber der Neuproduktion wettbewerbsfähig. Das KI-basierte Bearbeitungssystem verbindet Sensoren für die Objektvermessung und Sichtprüfung mit ausführenden Robotern und passenden Bearbeitungswerkzeugen sowie einem intuitiven Interaktionssystem für den Menschen. Die Aufgabenplanung und kraftgeregelte Bearbeitung durch den Roboter nutzen modernste Methoden des maschinellen Lernens.
Mit dem derzeitigen Stand der Technik ist eine sehr häufige manuelle und damit teure Adaption von Roboterprogrammen notwendig, so dass der Betrieb nicht wirtschaftlich gestaltet werden kann. Roboter sollen nun in die Lage versetzt werden, sich eigenständig für die Bearbeitungsaufgabe zu programmieren und einzurichten. Konkret besteht das Bearbeitungssystem aus verschiedenen miteinander interagierenden Modulen (siehe Abbildung). Über eine Wissensbasis kann Domänen- und Expertenwissen in Form einer Ontologie und in einer Task-Bibliothek abgelegt und in die Robotersteuerung eingebracht werden (1). Sensoren vermessen das zu bearbeitende Werkstück. Auf der Grundlage der Messwerte können Abweichungen vom Normzustand des Werkstücks ermittelt werden (2). Während des Bearbeitungsvorgangs werden mittels der Sensorik fortwährend der Werkstückzustand und die Bearbeitungsqualität gemessen und bewertet (3). Die Taskplanung legt die abstrakten Bearbeitungstätigkeiten und Sollbewegungen für den Roboter fest (4). Die Bahnplanung erzeugt aus den gewählten Tasks eine Roboterbahn, die zur Bearbeitung verfahren werden muss (5). Die Bahnregelung (6) zielt auf eine schnelle Einregelung der von der Bahnplanung vorgegebenen Kraft- und Positionsbahnen ab, um das gewünschte Bearbeitungsergebnis zu erzielen. Die Verarbeitung der Sensordaten sowie die verschiedenen Planungs- und Regelungsmethoden nutzen Methoden des ML in Kombination mit wissensbasierten Ansätzen (7). Zur automatisierten Roboterprogrammierung wird eine Simulation eingesetzt, die es dem Roboter erlaubt, die für eine Bearbeitungsaufgabe erforderlichen Tätigkeiten optimal zu planen.
Ein adaptives, digitales Gesamtsystem zur automatisierten Wiederaufbereitung unterschiedlicher Gerätekomponenten ist das Ziel des Vorhabens.
Das FutureWorkLab ist ein Innovationslabor für Arbeit, Mensch und Technik am Standort Stuttgart. Die Abteilung Kognitive Produktionstechnik des IFF ist am FutureWorkLab II beteiligt.
Für Montageaufgaben ist die flexible Roboterprogrammierung bislang noch aufwendig. Dies zu verbessern, ist das Ziel des Forschungsprojekts »Rob-aKademI«. Die darin genutzten Technologien, allen voran das Maschinelle Lernen, sollen die Programmierung erleichtern und autonomer machen.
Die Partner im Forschungsprojekt »Rob-aKademI«, darunter das Institut für Industrielle Fertigung und Fabrikbetrieb IFF der Universität Stuttgart und das Fraunhofer IPA, entwickeln Technologien, die die Roboterprogrammierung für Montageaufgaben vereinfachen und mehr automatisieren sollen. Grundlage hierfür ist ein rein digitales Abbild, also ein digitaler Zwilling, der Produktionsumgebung. Dieses Abbild verbunden mit einem speziellen Programmiergerüst wird in einer physikalischen Simulationsumgebung genutzt, um Roboter Fähigkeiten für das flexible Montieren lernen zu lassen. Roboter erkunden in der Simulationsumgebung autonom ihre Umgebung, planen darauf aufbauend ihr Verhalten und optimieren es selbstständig bzw. lernen fortlaufend.
Genutzt wird hierfür Künstliche Intelligenz (KI), und genauer maschinelles Lernen und dessen Teilgebiet des sogenannten »Reinforcement Learning« (RL). Dieses meint, dass ein Algorithmus ähnlich dem Menschen nach dem Prinzip Versuch und Irrtum lernt. Er erhält ein Belohnungssignal für eine gelungene Aktion, um schrittweise besser zu werden.
Ziel des Forschungs- und Entwicklungsprojektes zur KI-basierten Roboterkalibrierung (KIRK) ist es, durch Maschinelles Lernen neue softwaregetriebene Kalibriermethoden für Industrieroboter zu entwickeln, um deren Genauigkeit zu erhöhen. Initiatoren des Gemeinschaftsprojekts sind das IFF der Universität Stuttgart, die DHBW Karlsruhe und der Softwarehersteller ArtiMinds Robotics.
Das Institut für Industrielle Fertigung und Fabrikbetrieb (IFF) der Universität Stuttgart und das Robot-and-Human-Motion-Lab (RaHM-Lab) der Dualen Hochschule Baden-Württemberg Karlsruhe übernehmen im Projekt die Grundlagenforschung.
Pressemitteilung von ArtiMinds Robotics
Presseresonanz im Internet
Artikel in den VDI-Nachrichten
Artikel in der Automationspraxis
Studentenjobs
Suchen Sie eine Bachelor-/Masterarbeit oder eine HiWi-Stelle im Bereich eines der oben aufgeführten Forschungsthemen? Interessierte Studierende können sich direkt an uns wenden.
Publikationen des Bereichs Kognitive Produktionssysteme
- F. Mauthe, C. Braun, J. Raible, P. Zeiler, and M. Huber, “A Novel Taxonomy and Approaches for the Identification of Frequently Occurring Regularities in Degradation Processes of Engineering Systems,” International Journal of Prognostics and Health Management, p. 25, 2026, doi: 10.36001/IJPHM.2026.v17i1.4411.
- V. Bezold, P. Wagner, J. Hofmann, M. Huber, and A. Sauer, “Trustworthy and explainable deep reinforcement learning for safe and energy-efficient process control: A use case in industrial compressed air systems,” Energy and AI, p. 13, 2026, doi: 10.1016/j.egyai.2026.100685.
- H. Amirkhanian Namagerdi, M. Walker, U. Hanebeck, and M. Huber, “Bridging Bayesian Inference and Neural Network Training: Equivalence of KBNN and Statistical Linearization,” in 28th International Conference on Information Fusion : 07.-10.07.2025, Rio de Janeiro, Brazil, IEEE, 2025. doi: 10.23919/FUSION65864.2025.11124135.
- D. Brajovic, D. Kreplin, and M. Huber, “How Data-Related AI Research can Support Technical Solutions for Regulatory Compliance,” in Workshop on Regulatable ML at the 39th Conference on Neural Information Processing Systems (NeurIPS 2025) : 02.-07.12.2025, San Diego, USA, San Diego, USA, 2025, p. 23.
- B. Fresz, D. Brajovic, and M. Huber, “AI Certification: Empirical Investigations into Possible Cul-De-Sacs and Ways Forward,” in Symposium on Scaling AI Assessments : 30.09.-01.10.2024, Cologne, Saarbrücken and Wadern: Schloss Dagstuhl - Leibniz-Zentrum für Informatik, 2025, pp. 13:1–13:4. doi: 10.4230/OASIcs.SAIA.2024.13.
- A. Kernbach et al., “Automotive Wire Harness Connector Installation Using Skill-Based Robotic Programming,” in European Robotics Forum 2025 : Boosting the Synergies between Robotics and AI for a Stronger Europe, Cham: Springer, 2025, pp. 168–173. doi: 10.1007/978-3-031-89471-8_26.
- H. Monke, B. Sae-Chew, B. Fresz, and M. Huber, “From Confusion to Clarity: ProtoScore - A Framework for Evaluating Prototype-Based XAI,” in ACM FAccT ’25: Proceedings of the 2025 ACM Conference on Fairness, Accountability, and Transparency : 23.-26.06.2024, Athens, Greece, New York: Association for Computing Machinery, 2025, pp. 2215–2231. doi: 10.1145/3715275.3732151.
- H. Amirkhanian Namagerdi and M. Huber, “From Overfitting to Reliability: Introducing the Hierarchical Approximate Bayesian Neural Network,” arXiv, p. 26, 2025, doi: 10.48550/arXiv.2512.13111.
- B. Fresz et al., “The Contribution of XAI for the Safe Development and Certification of AI: An Expert-Based Analysis,” in Workshop on Regulatable ML at the 39th Conference on Neural Information Processing Systems (NeurIPS 2025) : 02.-07.12.2025, San Diego, USA, San Diego, USA, 2025, p. 25.
- C. Braun and M. Huber, “Hybrid AI-Driven Advances in Prognostics and Health Management Within Manufacturing Environments,” in New Digital Work II : Digital Sovereignty of Companies and Organizations, Cham: Springer, 2025, pp. 109–123. doi: 10.1007/978-3-031-69994-87.
- C. Hennebold, J. Krauß, and M. Huber, “Synthetic Data Generation Using Causal Models for Injection Molding Processes,” Procedia CIRP, vol. 134, pp. 831–836, 2025, doi: 10.1016/j.procir.2025.02.202.
- C. Hennebold and M. Huber, “Graphical Causal Model based Bayesian Optimization for Industrial Process Parameterization,” in 2025 IEEE Conference on Artificial Intelligence (CAI) : 05.-07.05.2025, Santa Clara, California, USA, IEEE, 2025, pp. 33–38. doi: 10.1109/CAI64502.2025.00012.
- M. Zürn et al., “Robotic Wiring Harness Bin Picking Solution Using a Deep-Learning-Based Spline Prediction and a Multi-stereo Camera Setup,” in Advances in Automotive Production Technology - Digital Product Development and Manufacturing : Stuttgart Conference on Automotive Production (SCAP2024), Cham: Springer, 2025, pp. 319–334. doi: 10.1007/978-3-031-88831-1_25.
- H. Monke, B. Fresz, M. Bernreuther, Y. Chen, and M. Huber, “Efficiently Transforming Neural Networks into Decision Trees: A Path to Ground Truth Explanations with RENTT,” arXiv, Art. no. Preprint, 2025, doi: 10.48550/arXiv.2511.09299.
- B. Fresz et al., “The Contribution of XAI for the Safe Development and Certification of AI: An Expert-Based Analysis,” in Workshop on Regulatable ML at the 39th Conference on Neural Information Processing Systems (NeurIPS 2025) : 02.-07.12.2025, San Diego, USA, San Diego, USA, 2025, p. 25.
- P. Wagner, T. Nagel, P. Leube, and M. Huber, “Sample-Efficient Bayesian Transfer Learning for Online Machine Parameter Optimization,” in 2025 IEEE Conference on Artificial Intelligence (CAI) : 05.-07.05.2025, Santa Clara, California, USA, IEEE, 2025, pp. 9–15. doi: 10.1109/CAI64502.2025.00008.
- B. Fresz, L. Lörcher, and M. Huber, “Classification Metrics for Image Explanations : Towards Building Reliable XAI-Evaluations,” in FAccT ’24: Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency : 03.-06.06.2024, Rio de Janeiro, Brazil, New York: Association for Computing Machinery, 2024, p. 19. doi: 10.1145/3630106.3658537.
- T. Nagel and M. Huber, “Identifying Ordinary Differential Equations for Data-efficient Model-based Reinforcement Learning,” in 2024 International Joint Conference on Neural Networks (IJCNN) : 30.06.-05.07.2024, Yokohama, Japan, IEEE, 2024. doi: 10.1109/IJCNN60899.2024.10650369.
- X. Wu, E. Wedernikow, and M. Huber, “Data-Efficient Uncertainty-Guided Model-Based Reinforcement Learning with Unscented Kalman Bayesian Neural Networks,” in 2024 American Control Conference (ACC) : 10.-12.07.2024, Toronto, Canada, IEEE, 2024, pp. 104–110. doi: 10.23919/ACC60939.2024.10644690.
- S. Durnagöz, M. Huber, M. Mayer, and P. Reimann, “An Approach to Inline Monitoring of the Electrode State in Resistance Spot Welding,” International Journal of Electrical and Electronic Engineering & Telecommunications, vol. 13, Art. no. 3, 2024, doi: 10.18178/ijeetc.13.3.245-251.
- C. Hennebold, M. M. Islam, J. Krauß, and M. Huber, “Combination of Process Mining and Causal Discovery Generated Graph Models for Comprehensive Process Modeling,” Procedia CIRP, vol. 130, pp. 1296–1302, 2024, doi: 10.1016/j.procir.2024.10.242.
- B. Fresz, E. Dubovitskaya, D. Brajovic, M. Huber, and C. Horz, “How should AI decisions be explained? Requirements for Explanations from the Perspective of European Law,” in Proceedings of the Seventh AAAI/ACM Conference on AI, Ethics, and Society : Vol. 7 (2024). October 21-23, 2024, San Jose, California, USA, Washington, DC, USA: AAAI Press, 2024, pp. 438–450.
- M. Walker, H. Amirkhanian Namagerdi, M. Huber, and U. Hanebeck, “Trustworthy Bayesian Perceptrons,” in 27th International Conference on Information Fusion : 07.-11.07.2024, Venice, Italy, IEEE, 2024. doi: 10.23919/FUSION59988.2024.10706490.
- D. Brajovic and M. Huber, “Vertiefung: Anhaltspunkte für eine technische Umsetzung der KI-Verordnung,” in Praxishandbuch KI und Recht : Rechtliche Aspekte beim Einsatz von Künstlicher Intelligenz - inkl. der neuen KI-Verordnung der EU, Freiburg and München and Stuttgart: Haufe Group, 2024, pp. 215–239.
- R. Wang, S. Schmedding, and M. Huber, “Improving the Effectiveness of Deep Generative Data,” in 2024 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) : 04.-08.01.2024, Waikoloa, Hawaii, USA, 2024, pp. 4910–4920. doi: 10.1109/WACV57701.2024.00485.
- M.-L. Schumacher and M. Huber, “Probabilistic Global Robustness Verification of Arbitrary Supervised Machine Learning Models,” in 27th International Conference on Information Fusion : 07.-11.07.2024, Venice, Italy, IEEE, 2024. doi: 10.23919/FUSION59988.2024.10706397.
- D. Brajovic and M. Huber, “Einführung: KI und die wichtigsten damit zusammenhängenden Begriffe und Probleme,” in Praxishandbuch KI und Recht : Rechtliche Aspekte beim Einsatz von Künstlicher Intelligenz - inkl. der neuen KI-Verordnung der EU, Freiburg and München and Stuttgart: Haufe Group, 2024, pp. 17–38.
- K. Abdou, O. Mohammed, G. Eskandar, A. Ibrahim, P.-A. Matt, and M. Huber, “Smart Nesting: Estimating Geometrical Compatibility in the Nesting Problem Using Graph Neural Networks,” Journal of Intelligent Manufacturing, vol. 35, pp. 2811–2827, 2024, doi: 10.1007/s10845-023-02179-0.
- B. Alt et al., “RoboGrind: Intuitive and Interactive Surface Treatment with Industrial Robots,” in 2024 IEEE International Conference on Robotics and Automation (ICRA 2024) : 13.-17.05.2023, Yokohama, Japan, 2024, pp. 2140–2146. doi: 10.1109/ICRA57147.2024.10611143.
- K. Abdou, O. Mohammed, G. Eskandar, A. Ibrahim, P.-A. Matt, and M. Huber, “Smart Nesting: Estimating Geometrical Compatibility in the Nesting Problem Using Graph Neural Networks,” Journal of Intelligent Manufacturing, vol. 35, Art. no. 6, 2024, doi: 10.1007/s10845-023-02179-0.
- R. Wang, S. Schmedding, and M. Huber, “Improving the Effectiveness of Deep Generative Data,” in Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) : 04.-08.01.2024, Waikoloa, Hawaii, USA, 2024, pp. 4910–4920. doi: 10.1109/WACV57701.2024.00485.
- F. Stöckl et al., “Autonomous Surface Grinding of Wind Turbine Blades,” in Intelligent Autonomous Systems 18 : Volume 2 Proceedings of the 18th International Conference IAS18-2023, Cham, Schweiz: Springer Nature, 2024, pp. 451–457. doi: 10.1007/978-3-031-44981-9_38.
- K. Abdou et al., “Nestability: A deep learning oracle for nesting scrap prediction in manufacturing industry,” Resources, Conservation & Recycling Advances, vol. 205, 2024, doi: 10.1016/j.resconrec.2024.107540.
- K. Abdou, O. Mohammed, G. Eskandar, A. Ibrahim, P.-A. Matt, and M. Huber, “Smart Nesting: Estimating Geometrical Compatibility in the Nesting Problem Using Graph Neural Networks,” Journal of Intelligent Manufacturing, p. 17, 2023, doi: 10.1007/s10845-023-02179-0.
- X. Wu, C. Nitsche, M. Huber, and E. Wedernikow, “Towards Optimal Energy Management Strategy for Hybrid Electric Vehicle with Reinforcement Learning,” in The 35th IEEE Intelligent Vehicles Symposium (IV 2023) : 04.-07.06.2023, Anchorage, Alaska, USA, 2023, p. 7. doi: 10.1109/IV55152.2023.10186787.
- D. Brajovic, V. P. Göbels, J. Kutz, and M. Huber, “Merging (EU)-Regulation and Model Reporting,” in Workshop on Regulatable Machine Learning at the 37th Conference on Neural Information Processing Systems : 16.12.2023, New Orleans, USA, 2023, p. 12.
- P. Wagner, T. Nagel, C. Hennebold, M. Huber, and W. Kraus, “KI-Anwendungsfälle in der Produktion,” in Handbuch Industrie 4.0 : Band 1: Produktion, Berlin and Heidelberg: Springer Vieweg, 2023, pp. 71–94. doi: 10.1007/978-3-662-58532-0167.
- D. Brajovic, P. Wagner, M. I. Kläb, B. Fresz, M. Huber, and u.a., “Model Reporting for Certifiable AI: A Proposal from Merging EU Regulation into AI Development,” arXiv, Art. no. TPreprint, 2023, doi: 10.48550/arXiv.2307.11525.
- X. Wu, P. Wagner, and M. Huber, “Quantification of Uncertainties in Neural Networks,” in New Digital Work : Digital Sovereignty at the Workplace, Cham, Schweiz: Springer, 2023, pp. 276–287. doi: 10.1007/978-3-031-26490-0_16.
- K. Leiner, F. Dollmann, M. Huber, M. Geiger, and S. Leinberger, “Cut Interruption Detection in the Laser Cutting Process Using ROCKET on Audio Signals,” in IEEE International Conference on Industrial Informatics, INDIN′23 : 17.-20.07.2023, Lemgo, Deutschland, 2023, p. 6. doi: 10.1109/INDIN51400.2023.10218267.
- M. Veerappa, M. Anneken, N. Burkart, and M. Huber, “Chapter 9 - Explaining CNN classifier using association rule mining methods on time-series,” in Explainable Deep Learning AI : Methods and Challenges, Elsevier, 2023, pp. 173–189. doi: 10.1016/B978-0-32-396098-4.00015-6.
- J. Raible et al., “Artificial Neural Network Guided Compensation of Nonlinear Payload and Wear Effects for Industrial Robots,” in 2023 IEEE 19th International Conference on Automation Science and Engineering (CASE) : 26.-30.08.2023, Auckland, New Zealand, 2023, p. 8. doi: 10.1109/CASE56687.2023.10260559.
- J. Maier, J. Gram, M. Weisbarth, C. Hennebold, and M. Huber, “Unsupervised Event Abstraction for Automatic Process Modeling of PLC-controlled Automation Systems,” Procedia CIRP, vol. 120, pp. 631–636, 2023, doi: 10.1016/j.procir.2023.09.050.
- M.-L. Schumacher and M. Huber, “Probabilistic Global Robustness Verification of Arbitrary Supervised Machine Learning Models,” in 2nd Workshop on Formal Verification of Machine Learning (WFVML 2023) : 28.07.2023, Honolulu, Hawaii, United States, 2023, p. 11.
- M. Anneken, M. Veerappa, M. Huber, C. Kühnert, F. Kronenwett, and G. Maier, “Explainable AI for Sensor-Based Sorting Systems,” Technisches Messen : Plattform für Methoden, Systeme und Anwendungen in der Messtechnik, vol. 90, Art. no. 3, 2023, doi: 10.1515/teme-2022-0097.
- P. Takenaka, J. Maucher, and M. Huber, “Guiding Video Prediction with Explicit Procedural Knowledge,” in IEEE/CVF International Conference on Computer Vision Workshops (ICCVW) : 02.-06.10.2023, Paris, France, 2023, pp. 1076–1084. doi: 10.1109/ICCVW60793.2023.00116.
- M.-P. Radtke, M. Huber, and J. Bock, “Increasing Robustness of Data-Driven Fault Diagnostics with Knowledge Graphs,” Proceedings of the Annual Conference of the PHM Society, vol. 15, Art. no. 1, 2023.
- M.-A. Zöller, W. Titov, T. Schlegel, and M. Huber, “XAutoML: A Visual Analytics Tool for Understanding and Validating Automated Machine Learning,” ACM Transactions on Interactive Intelligent Systems, vol. 13, Art. no. 4, 2023, doi: 10.1145/3625240.
- X. Wu, M. El-Shamouty, C. Nitsche, and M. Huber, “Uncertainty-Guided Active Reinforcement Learning with Bayesian Neural Networks : 2023 IEEE International Conference on Robotics and Automation (ICRA 2023), May 29 - June 2, 2023. London, UK,” in 2023 IEEE International Conference on Robotics and Automation (ICRA 2023) : 29.05.2021 - 02.06.2021, London, UK, 2023, pp. 5751–5757. doi: 10.1109/ICRA48891.2023.10160686.
- P. Wagner, X. Wu, and M. Huber, “Kalman Bayesian Neural Networks for Closed-form Online Learning,” in 37th AAAI Conference on Artificial Intelligence : 7. - 14.02.2023, Washington, DC, USA, Washington, DC, USA, 2023, pp. 10069–10077.
- J. Raible, C. Braun, and M. Huber, “Automatic Path Planning for Robotic Grinding and Polishing Tasks based on Point Cloud Slicing,” in ISR Europe 2023 : 56th International Symposium on Robotics, in cooperation with Fraunhofer IPA September 26 - 27, 2023 in Stuttgart, Berlin and Offenbach: VDE Verlag, 2023, pp. 382–389.
- A. Lämmle et al., “Simulation-based Learning of the Peg-in-Hole Process Using Robot-Skills,” in 2022 IEEE/RSJ International Conference on Intelligent Robots and Systems : 23.-27.10.2022, Kyoto, Japan, Piscataway, NJ, USA: IEEE Press, 2022, pp. 9340–9346. doi: 10.1109/IROS47612.2022.9982212.
- T. Nagel and M. Huber, “Kalman-Bucy-Informed Neural Network for System Identification,” in 61st IEEE Conference on Decision and Control : 06. - 09.12.2022, Cancún, Mexico, Piscataway, NJ, USA: IEEE Press, 2022, pp. 1503–1508. doi: 10.1109/CDC51059.2022.9993245.
- M. Moosmann et al., “Transfer Learning for Machine Learning-based Detection and Separation of Entanglements in Bin-Picking Applications,” in 2022 IEEE/RSJ International Conference on Intelligent Robots and Systems : 23.-27.10.2022, Kyoto, Japan, Piscataway, NJ, USA: IEEE Press, 2022, pp. 1123–130. doi: 10.1109/IROS47612.2022.9981082.
- S. Dürr, R. Silbernagel, H. Bartsch, G. L. Steier, M. Huber, and G. Lanza, “A Data-Driven Approach for Option-Specific Order Freeze Points in Mass-Customized Production,” in Towards Sustainable Customization: Bridging Smart Products and Manufacturing Systems : Proceedings of the 8th Changeable, Agile, Reconfigurable and Virtual Production Conference (CARV2021) and the 10th World Mass Customization & Personalization Conference (MCPC2021), Aalborg, Denmark, October/November 2021, Cham, Schweiz: Springer Nature, 2022, pp. 620–627. doi: 10.1007/978-3-030-90700-6_70.
- A. Al Assadi, D. Holtz, F. Nägele, C. Nitsche, W. Kraus, and M. Huber, “Machine learning based screw drive state detection for unfastening screw connections,” Journal of Manufacturing Systems, vol. 65, pp. 19–32, 2022, doi: 10.1016/j.jmsy.2022.07.013.
- P.-A. Matt, R. Ziegler, D. Brajovic, M. Roth, and M. Huber, “A Nested Genetic Algorithm for Explaining Classification Data Sets with Decision Rules,” arXiv, Art. no. TPreprint, 2022, doi: 10.48550/arXiv.2209.07575.
- S. Dürr, R. Lamprecht, E. Colangelo, C. Fries, H.-H. Wiendahl, and M. Huber, “A Data-Driven Approach to Generate Planned Order Book Scenarios in Multi-Variant Production,” Procedia CIRP, vol. 107, pp. 71–76, 2022, doi: 10.1016/j.procir.2022.04.012.
- B. Spaeth and M. Huber, “Mit hybrider KI Bauteile aufbereiten : Forschungsprojekt RoboGrind,” IT & Production : Zeitschrift für erfolgreiche Produktion. Das Industrie 4.0 Magazin, Art. no. 7, 2022.
- S. Hagmeyer, P. Zeiler, and M. Huber, “On the Integration of Fundamental Knowledge about Degradation Processes into Data-Driven Diagnostics and Prognostics Using Theory-Guided Data Science,” in Proceedings of the 7th European Conference of the Prognostics and Health Management Society 2022 : Turin, Italy. July 6th - July 8th, 2022, New York, USA, 2022, pp. 156–165.
- M. El-Shamouty, J. Titze, S. Kortik, W. Kraus, and M. Huber, “GLIR: A Practical Global-local Integrated Reactive Planner towards Safe Human-Robot Collaboration,” in 27th IEEE International Conference on Emerging Technologies and Factory Automation : 06. - 09.09.2022, Stuttgart, Piscataway, NJ, USA: IEEE Press, 2022, p. 8. doi: 10.1109/ETFA52439.2022.9921583.
- R. Wang, S. Hoppe, E. Monari, and M. Huber, “Defect Transfer GAN: Diverse Defect Synthesis for Data Augmentation,” in The 33rd British Machine Vision Conference : 21.-24.11.2022, London, UK, Durham, UK, 2022, p. 14.
- M. Veerappa, M. Anneken, N. Burkart, and M. Huber, “Validation of XAI Explanations for Multivariate Time Series Classification in the Maritime Domain,” Journal of Computational Science, vol. 58, p. 10, 2022, doi: 10.1016/j.jocs.2021.101539.
- I. K. Gauger, T. Nagel, and M. Huber, “Hybrides Maschinelles Lernen im Kontext der Produktion,” in Digitalisierung souverän gestalten II : Handlungsspielräume in digitalen Wertschöpfungsnetzwerken, Berlin u.a.: Springer Vieweg, 2022, pp. 64–79. doi: 10.1007/978-3-662-64408-96.
- F. Graf, J. Lindermayr, C. Odabasi, and M. Huber, “Toward Holistic Scene Understanding : A Transfer of Human Scene Perception to Mobile Robots,” IEEE Robotics & Automation Magazine, vol. 29, Art. no. 4, 2022, doi: 10.1109/MRA.2022.3210587.
- C. Hennebold, K. Klöpfer, P. Lettenbauer, and M. Huber, “Machine Learning based Cost Prediction for Product Development in Mechanical Engineering,” Procedia CIRP, vol. 107, pp. 264–269, 2022, doi: 10.1016/j.procir.2022.04.043.
- M. Huber, “Dependable AI: Machine Learning in Safety-Critical Applications,” in DATA festival : 24.-25.05.2022, München, Würzburg u.a., 2022, p. 67Folien.
- K. Kleeberger, F. Roth, R. Bormann, and M. Huber, “Automatic Grasp Pose Generation for Parallel Jaw Grippers,” in Intelligent Autonomous Systems 16 : Proceedings of the 16th International Conference IAS-16, Cham, Schweiz: Springer Nature, 2022, pp. 594–607. doi: 10.1007/978-3-030-95892-3_45.
- M. Huber, T. Nagel, R. Lamprecht, and F. Eiling, “Potenziale von Reinforcement Learning für die Produktion,” Industrie 4.0 Management : Gegenwart und Zukunft Industrieller Geschäftsprozesse, vol. 37, Art. no. 2, 2021, doi: 10.30844/I40M21-2S25-29.
- N. Schaaf, O. de Mitri, H. B. Kim, A. Windberger, and M. Huber, “Towards Measuring Bias in Image Classification,” in Artificial Neural Networks and Machine Learning - ICANN 2021 : 30th International Conference on Artificial Neural Networks, Bratislava, Slovakia, September 14-17, 2021, Proceedings, Part III, Cham, Schweiz: Springer Nature, 2021, pp. 433–445. doi: 10.1007/978-3-030-86365-435.
- S. Dürr, R. Lamprecht, M. Kauffmann, J. Winter, H. Alexy, and M. Huber, “Development of an Integrated Data-Driven Process to Handle Uncertainties in Multi-Variant Production and Logistics: A Survey,” in Advances in Automotive Production Technology - Theory and Application : Stuttgart Conference on Automotive Production (SCAP 2020), Wiesbaden: Springer Vieweg, 2021, pp. 486–494. doi: 10.1007/978-3-662-62962-856.
- M.-A. Zöller and M. Huber, “Benchmark and Survey of Automated Machine Learning Frameworks,” Journal of Artificial Intelligence Research, vol. 70, pp. 409–472, 2021, doi: 10.1613/jair.1.11854.
- M.-A. Zöller, T.-D. Nguyen, and M. Huber, “Incremental Search Space Construction for Machine Learning Pipeline Synthesis,” in Advances in Intelligent Data Analysis XIX : 19th International Symposium on Intelligent Data Analysis, IDA 2021, Porto, Portugal, April 26-28, 2021, Proceedings, Cham: Springer Nature, 2021, pp. 103–115. doi: 10.1007/978-3-030-74251-59.
- K. Kleeberger, M. Völk, R. Bormann, and M. Huber, “Investigations on Output Parameterizations of Neural Networks for Single Shot 6D Object Pose Estimation,” in 2021 IEEE International Conference on Robotics and Automation (ICRA 2021) : 30.05.2021 - 05.06.2021, Virtuell, Piscataway, NJ, USA: IEEE Press, 2021, pp. 13916–13922. doi: 10.1109/ICRA48506.2021.9561712.
- N. Burkart and M. Huber, “A Survey on the Explainability of Supervised Machine Learning,” Journal of Artificial Intelligence Research, vol. 70, pp. 245–317, 2021, doi: 10.1613/jair.1.12228.
- M. U. Khalid et al., “Automatic Grasp Generation for Vacuum Grippers for Random Bin Picking,” in Advances in Automotive Production Technology - Theory and Application : Stuttgart Conference on Automotive Production (SCAP 2020), Wiesbaden: Springer Vieweg, 2021, pp. 247–255. doi: 10.1007/978-3-662-62962-829.
- M. Moosmann et al., “Separating Entangled Workpieces in Random Bin Picking using Deep Reinforcement Learning,” Procedia CIRP, vol. 104, pp. 881–886, 2021, doi: 10.1016/j.procir.2021.11.148.
- R. Lamprecht, F. Wurst, and M. Huber, “Reinforcement Learning based Condition-oriented Maintenance Scheduling for Flow Line Systems,” in 2021 IEEE 19th International Conference on Industrial Informatics (INDIN) : 21.07.2021 - 23.07.2021, Virtual, Piscataway, NJ, USA: IEEE Press, 2021, p. 7. doi: 10.1109/INDIN45523.2021.9557373.
- S. Dürr, R. Lamprecht, M. Kauffmann, and M. Huber, “Reinforcement Learning based Optimization of Bayesian Networks for Generating Feasible Vehicle Configuration Suggestions,” in IEEE 17th International Conference on Automation Science and Engineering : 23.08.2021 - 27.08.2021, Lyon, France and Online, Piscataway, NJ, USA: IEEE Press, 2021, pp. 16–22. doi: 10.1109/CASE49439.2021.955142.
- T. Nagel and M. Huber, “Autoencoder-Inspired Identification of LTI Systems,” in European Control Conference : 29.06.2021 - 02.07.2021, Virtual Conference, Piscataway, NJ, USA: IEEE Press, 2021, pp. 2352–2357.
- C. Landgraf, B. Meese, M. Pabst, G. Martius, and M. Huber, “A Reinforcement Learning Approach to View Planning for Automated Inspection Tasks,” Sensors, vol. 21, Art. no. 6, 2021, doi: 10.3390/s21062030.
- M. Huber, W. Kraus, M. Peissner, and T. Renner, “KI-Fortschrittszentrum Lernende Systeme und Kognitive Robotik,” in Virtuelles S-TEC Spitzentreffen: KI - Made im Ländle : 25.02.2021, Digital, Stuttgart, 2021, p. 21Folien.
- K. Kleeberger, J. Schnitzler, M. U. Khalid, R. Bormann, W. Kraus, and M. Huber, “Precise Object Placement with Pose Distance Estimations for Different Objects and Grippers,” in 2021 IEEE/RSJ International Conference on Intelligent Robots and Systems : 27.09.2021 - 01.10.2021. Online, Piscataway, NJ, USA, 2021, pp. 4639–4646. doi: 10.1109/IROS51168.2021.9635926.
- C. Landgraf, K. Ernst, G. Schleth, M. Fabritius, and M. Huber, “A Hybrid Neural Network Approach for Increasing the Absolute Accuracy of Industrial Robots,” in IEEE 17th International Conference on Automation Science and Engineering : 23.08.2021 - 27.08.2021, Lyon, France and Online, Piscataway, NJ, USA: IEEE Press, 2021, pp. 468–474. doi: 10.1109/CASE49439.2021.9551684.
- F. Eiling and M. Huber, “Automatische Programmierung von Produktionsmaschinen,” in Digitalisierung souverän gestalten : Innovative Impulse im Maschinenbau, Berlin u.a.: Springer Vieweg, 2021, pp. 44–58. doi: 10.1007/978-3-662-62377-04.
- K. Kleeberger, R. Bormann, W. Kraus, and M. Huber, “A Survey on Learning-Based Robotic Grasping,” Current Robotics Reports, p. 11, 2020, doi: 10.1007/s43154-020-00021-6.
- M. Huber, “Lernen aus der Black Box : Cognitive Deep Learning soll neuronale Netze und Wissensverarbeitung kombinieren,” Physik Journal, vol. 19, Art. no. 4, 2020.
- N. Burkart, M. Franz, and M. Huber, “Explanation Framework for Intrusion Detection,” in Machine Learning for Cyber Physical Systems : Selected papers from the International Conference ML4CPS 2020. March 12-13, 2020, Berlin, Berlin u.a.: Springer Vieweg, 2020, pp. 83–91. doi: 10.1007/978-3-662-62746-4.
- K. Kleeberger and M. Huber, “Single Shot 6D Object Pose Estimation,” in 2020 IEEE International Conference on Robotics and Automation (ICRA 2020) : 31 May - 31 August 2020, Virtuell, Piscataway (NJ), USA, 2020, pp. 6239–6245. doi: 10.1109/ICRA40945.2020.9197207.
- K. Kleeberger et al., “Transferring Experience from Simulation to the Real World for Precise Pick-And-Place Tasks in Highly Cluttered Scenes,” in 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems : Consumer Robotics and Our Future. October 25 - November 25, 2020. On-Demand Conference, Piscataway, NJ, USA, 2020, pp. 9681–9688.
- M. Huber, “Bayesian Perceptron: Towards fully Bayesian Neural Networks,” in 59th IEEE Conference on Decision and Control : December 14th-18th 2020, Virtuell, Piscataway, NJ, USA, 2020, pp. 3179–3186. doi: 10.1109/CDC42340.2020.
- N. Burkart, P. M. Faller, E. Peinsipp, and M. Huber, “Batch-wise Regularization of Deep Neural Networks for Interpretability,” in 2020 IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems : 14-16 September 2020, virtuell, Piscataway (NJ), USA, 2020, p. 7.
- N. Burkart, M. Huber, and M. Anneken, “Supported Decision-Making by Explainable Predictions of Ship Trajectories,” in 15th International Conference on Soft Computing Models in Industrial and Environmental Applications (SOCO 2020), Cham: Springer, 2020, pp. 44–54. doi: 10.1007/978-3-030-57802-25.
- N. Burkart, S. Robert, and M. Huber, “Are you sure? Prediction revision in automated decisionmaking,” Expert Systems, p. 19, 2020, doi: 10.1111/exsy.12577.
- P. Dunau, M. Huber, and J. Beyerer, “Gaussian Process based Dynamic Facial Emotion Tracking,” in 2019 IEEE International Conference on Industrial Cyber Physical Systems : Proceedings. 06-09 May, 2019, Taipei, Taiwan, 2019, pp. 248–253. doi: 10.1109/ICPHYS.2019.8780338.
- N. Burkart, P. M. Faller, and M. Huber, “Forcing Interpretability for Deep Neural Networks through Rule-based Regularization,” in 18th International Conference on Machine Learning and Applications : December 16-19, Boca Raton, Florida, USA, Boca Raton, 2019, pp. 700–705. doi: 10.1109/ICMLA.2019.00126.
- M. Huber, “Daten als Schlüssel für maschinelles Lernen : Zentrum für Cyber Cognitive Intelligence (CCI) am Fraunhofer IPA hilft beim Einstieg,” Automationspraxis, Art. no. 1–2, 2019, [Online]. Available: https://automationspraxis.industrie.de/industrie-4-0/machine-learning-daten-sind-schluessel-fuer-maschinelles-lernen/
- M. El-Shamouty, K. Kleeberger, A. Lämmle, and M. Huber, “Simulation-driven machine learning for robotics and automation,” TM Technisches Messen : Plattform für Methoden, Systeme und Anwendungen in der Messtechnik, Art. no. TOnline31.08.2019, 2019, doi: 10.1515/teme-2019-0072.
- N. Schaaf, J. Maucher, and M. Huber, “Enhancing Decision Tree based Interpretation of Deep Neural Networks through L1-Orthogonal Regularization,” in 18th International Conference on Machine Learning and Applications : December 16-19, Boca Raton, Florida, USA, Boca Raton, 2019, pp. 42–49. doi: 10.1109/ICMLA.2019.00016.
- M. Huber, “Daten sind der Schlüssel für maschinelles Lernen : Künstliche Intelligenz ermöglicht vorausschauende Wartung und neue datenbasierte Dienstleistungen,” mav : Innovation in der spanenden Fertigung, 2019, [Online]. Available: https://mav.industrie.de/peripherie/software/daten-sind-der-schluessel-fuer-maschinelles-lernen/
- FORSCHUNG LEBEN berichtet
-
Im Universitätsmagazin FORSCHUNG LEBEN erschien in der Frühjahrsausgabe 2019 ein umfangreicher Artikel über die Forschungsarbeiten zur Künstlichen Intelligenz an der Universität Stuttgart. Redakteurin Andrea Mayer-Grenu besuchte auch die IFF-Abteilung Kognitive Systeme und ließ sich von Professor Marco Huber erklären, was es mit KI auf sich hat.
Marco Huber
Univ. Prof. Dr.-Ing.Stellvertretender Institutsleiter, Inhaber des Lehrstuhls Kognitive Produktionssysteme