Die Informatik des Fachbereiches 3 der Universität Bremen Hier geht es zur Homepage der Verwaltung des Fachbereiches 3 der Universität Bremen Hier geht es zur Homepage der Informatik des Fachbereiches 3 der Universität Bremen Hier geht es zur Homepage der Mathematik des Fachbereiches 3 der Universität Bremen Hier geht es zur Homepage des Fachbereiches 3 der Universität Bremen Hier geht es zur Homepage der Universität Bremen


INHALT & PFAD:
Startseite «Service «Personenverzeichnis Detail

Photo: Bosse, Stefan
Priv.-Doz. Dr. rer. nat  Stefan  Bosse
Arbeitsgruppe/Institution:
Link zu externer Seite  Robotik  (ROBO)

Raum:DFKI/RH5 2.25
Telefon [dienstlich]: +49 (421) 218 - 0
Telefax [dienstlich]: +49 (421) 218 - 64150
Telefon [extern]:+49 (421) 17845-4103
Email :email


Link zu externer Seite Zur dienstlichen Homepage
Link zu externer Seite Zur privaten Homepage
Link zu externer Seite Publikationen




Tätigkeit

Forschungsprofil

Forschungserfahrung und Projektleitung im Bereich:

  • Verteilte Künstliche Intelligenz Übertragung von KI und biologisch inspirierten Konzepten auf technische Systeme mit parallelen und verteilten Eigenschaften unter besonderer Beachtung von Interaktion/Kommunikation und Skalierbarkeit (Effizienz, Komplexität).
  • Pervasive & Ubiquitous Computing, Internet der Dinge, Strukturüberwachung (SHM) Crowd- und Things Sensing spielt eine immer größere Rolle in der globalen Informationsgewinnung, und zunehmend mit Zugriff und Verwertung von ohnehin erfassten Sensordaten. Jedoch ist eine skalierbare und effiziente Informationsverarbeitung erforderlich, deren Verteilung, Algorithmen, Kommunikation, und Plattformen für eingeschränkte eingebettete/mobile Rechnersysteme (bzgl. Rechenleistung, Speicherkapazität, Energie) ein wichtiges Forschungsfeld darstellen. In diesem Zusammenhang sind auch Datenreduktion durch automatische Merkmalsextraktion (Data Mining) sowie ein breites Anwendungsfeld (SHM, Sozioinformatik und Crowd Sensing, usw.) relevant.
  • Maschinelles Lernen & Data Mining Vor allem inkrementelle und verteilte Lernverfahren für unzuverlässige Daten (z.B. Sensordaten) stellen ein zentrales Forschungsthema dar um skalierbare und effiziente Lernverfahren in verteilten Systemen einsetzen zu können, die lokale Perzeption und globales Schließen durch Kooperation erlauben. Eine effiziente und adaptive Datenreduktion durch Merkmalsselektion und -extraktion ist entscheidend für den Einsatz auf großen Datenmengen (so z.B. auch bei der Schadensprüfung von technischen Strukturen und beim Crowd Sensing). Weiterhin ist Methodenfusion ein wichtiges Thema (Numerik+ML+MAS).
  • Multiagenten- und selbstorganiserende Systeme Mobile Multiagentensysteme werden für robuste und adaptive Informationsverarbeitung in stark heterogenen Umgebungen eingesetzt. Dabei ist ein zentrales Forschungsthema Interaktion und die Umsetzung von Self-* Eigenschaften: Selbstorganisation, Selbstadaptivität, Selbstkonfiguration usw.. Kernidee ist die Komposition von komplexen Systemen aus einfachen lose gekoppelten Elementarzellen.
  • Simulation Simulation von großskaligen/komplexen technischen und soziologischen Systemen (Sozioinformatik), vor allem mittels agentenbasierter Simulation und Simulation von Multiagentensystemen, kombiniert mit physikalischer Simulation (Mehrbereichssimulation). Bei den technischen Systemen werden die Anwendungsfälle Strukturüberwachung und Adaptive Strukturen adressiert.
  • Material Informatik Material Informatik aus einer anderen Sicht die Berechnung in Materialien und technische Strukturen bringen soll um zukünftige Intelligente Materialien und Strukturen entwickeln und einsetzen zu können.
  • Sensornetzwerke, Signalverarbeitung, Sensor, Materialintegration Alle technischen Ebenen der verteilten Sensorverarbeitung, Sensortechnologien, Kommunikationstechnologien und Konzepte

Weitere Kompetenzen

  • Modellbasierter Entwurf eingebetteter Systeme, Rechnerarchitektur, Schaltkreisentwurf Einsatz von HDL-basierten Entwurfsmethoden und Highlevel Syntheseverfahren (HLS) für den Entwurf komplexer SoC
  • Cyber Physical Systems, Robotische Systeme Anwendung und technische Realisierung der verteilten KI in robotischen Systemen in Produktion, Logistik, Haushalt, usw.
  • Programmiersprachen und Compilerbau (HLS) Entwurf von Programmiersprachen und Entwicklung von Synthesewerkzeugen
  • Materialwissenschaften Materialintegration von Datenverarbeitungsnetzwerken (z.B. für SHM)
  • Numerische Verfahren

Mitgliedschaft ZWE ISIS - Sensorische Materialien

Sensoren erfordern eine Aufbereitung der aufgenommenen Daten, die aus dem Rohmaterial der gemessenen Werte Information generiert. Passive Sensoren wie Dehnungsmessstreifen benötigen zudem eine Energieversorgung.

  • Entwicklung von Algorithmen und Methoden zur kontextabhängigen Informationsgewinnung aus Sensordaten.
  • Entwicklung von Kommunikationsstrategien in Sensornetzwerken und Ableitung von Kommunikationsprotokollen.
  • Simulation und Bewertung von Kommunikationsprozessen in Sensornetzwerken.
  • Zusammenfassende Betrachtung und Simulation verbundener Energiequellen, Verbraucher und Speicher in Sensornetzwerken.
  • Entwicklung und Prüfung (software- und hardware-in-the-loop) von Energiemanagement-Konzepten für Drahtlose und drahtgebundene Informations- und Energieübertragung.

Die zunehmende Granularität von Sensornetzwerken erfordert im Zusammenhang mit dem Wunsch nach sofortiger Nutzung der gesammelten Daten neue, schnelle Prinzipien der Informationsgewinnung und drahtlose Kommunikation. Dies bedingt eine lokale Energieversorgung, die Verfahren der Energieernte einschließt und eine intelligente Verwendung begrenzter Energiemengen verlangt. Da Informationsgewinnung und Energieverbrauch miteinander verknüpft sind, stellen derartige autarke Systeme hohe Anforderungen an übergeordnete Managementkonzepte.

Lehre

Ausbildung und Lehre in Bachelor und Master Kursen, die Grundlagen der Informatik und Vertiefung im Bereich des systematischen Schaltkreisentwurfes von RTL Architekturen und parallelen/verteilten Systemen vermitteln.

Konferenzen und Zeitschriften

  • Organisation von Konferenzen, wie z.B. der SysInt 2014 Konferenz in Bremen (Juli 2014), ECSA-2, Basel (November 2015)
  • Gast Editor in internationalen Zeitschriften, wie z.B. in IEEE Sensors, Elsevier Meachtronics

Entwurf von Programmiersprachen

  • ConPro: Concurrent Programming, Parallele Programmiersprache für den Digital Hardware Entwurf von SoC unter Benutzung von High-level Syntheseverfahren
  • SEM: SeSAm Simulation Language, Textuelle Repräsentation von Verhaltensmodellen für Multi-Agenten Systemen und dem SeSAm Simulator
  • AAPL: Activity-Transition Graph based Agent Programming Language, generische Programmiersprache für die Modellierung von mobilen zustandsbasierten Multi-Agenten Systemen, welche in heterogenen Netzwerken eingesetzt werden können
  • AFL: Agent FORTH, stackorientierte FORTH Programmiersprache, basierend auf AAPL, die mit dem ATG Verhaltensmodell von Agenten, Mobilität, und Tupleraum Interaktion erweitert wurde.
  • AgentJS: Agent JavaScript, basierend auf AAPL, für die JAM Agenten Plattform
  • VPL: Virtual Database Programming Language, Schnittstellensprache für die virtuelle Graphen Datenbank VDB die im Synthese Entwurfsbaukasten SynDK zum Bau von komplexen Übersetzern und Synthesewerkzeugen eingesetzt wird.



Lebenslauf

Stefan Bosse studied physics at the University of Bremen. He received a Doctoral Degree (Dr. rer. nat.) in physics in the year 2002 at the University of Bremen, and the post-doctoral degree (Habilitation) and the Venia Legendi in Computer Science in the year 2016 at the University of Bremen.


In the year 2004 he joined the Department of Mathematics & Computer Science and the working group robotics. He works as a senior researcher and lecturer. Since 2002 his scientific work focuses on parallel and distributed systems, data processing in large-scale sensor networks with multi-agent systems, material-integrated sensing systems, digital circuit design, compiler construction, and general artificial intelligence.


He teaches several courses at the University of Bremen in fundamental computer science and in selected advanced topics covering the design of digital logic data processing systems on RTL, massive parallel and multi-agent system design, high-level synthesis, and material-integrated sensing systems with a high interdisciplinary background.


Since 2008 he conducts projects in the ISIS Sensorial Materials Scientific Centre pushing interdisciplinary research filling the gap between technology and computer sciences, and recently joining the ISIS council.


He acts as a reviewer and a guest editor for several international journals, e.g., ACM TODAES (rev.), IEEE Sensors (G.Ed.), ELSEVIER Mechatronics (G.Ed.), and is a member of international conference programme and organizing committees, e.g., SYSINT, MDPI ECSA.


Pers. Zusatzinformationen

Events

The 3rd International Workshop on Data-driven Self-regulating Systems (DSS 2017)
In conjunction with 11th IEEE International Conference on Self-Adaptive and Self-Organizing Systems (SASO)
(Proceedings appear in IEEE Digital Library)
September 18-22, 2017 in University of Arizona, Tucson, AZ, CFP link: http://dss2017.inn.ac/
Workshop Organizers: Evangelos Pournaras, ETH Zurich, Switzerland
Akshay Uttama Nambi S.N., Microsoft Research Lab, India
Stefan Bosse, University of Bremen, Germany
Habilitation Fachvortrag
Titel: Vom Internet der Dinge hin zu sensorischen Clouds - Verteilte Datenverarbeitung in heterogenen Netzen mit mobile Agenten
Title: From the Internet-of-Things to Sensor Clouds - Unified Distributed Computing in Heterogeneous Environments with Mobile Agents
Abstract: The growing complexity of computer networks and their heterogeneous composition with devices ranging from servers with high computational power and high-resource requirements down to low-resource mobile and embedded devices with low computational power demands unified and scalable new data processing paradigms and methodologies. The Internet-of-Things (IoT) is one major example and use-case rising in the past decade, strongly correlated with Cloud Computing and Big Data concepts, and extending the Internet Cloud domain with distributed autonomous sensor networks consisting of miniaturized low-power smart sensors. These smart sensors, for example, embedded in technical structures, are pushed by new trends emerging in engineering and micro-system applications. Smart and distributed sensing systems are one of the technological cornerstones of the Internet-of-Things, wearable electronic devices, future transportation, environmental monitoring and smart cities. Mobile Multi-Agent systems represent a well known parallel and distributed computing paradigm, and can be closely related to the communicating mobile process paradigm. Mobile Agents are well suited for reliable distributed and parallel data processing in such heterogeneous networks. This approach enables the development of sensor clouds of the future integrated in daily use computing environments and the Internet. Agents can migrate between different hardware and software platforms by migrating the program code of the agent, embedding the state and the data of an agent, too. Agent mobility crossing different execution platforms, agent interaction by using tuple-space databases, and agent code reconfiguration enable the design of reliable distributed sensor processing networks.
Zeit / Veranstaltungsort: Mi. 03.08.2016 16:00, Ort: CART Rotunde - 0.67
3rd International Electronic Conference on Sensors and Applications, 15-30 November, 2016, Basel
Section S2: Smart Systems and Structures, Section Chair: Stefan Bosse
Call For Papers! [Sciforum ECSA-3 CFP]

Lectures

[MASIM]
Multi-Agenten Systeme: Technologien, Entwurf, Simulation
Stefan Bosse, Universität Bremen, VAK: 03-ME-710.20, V+Ü 4SWS, jedes SS.
Diese Veranstaltung behandelt Agentenmodelle und Programmiermodelle für Agenten, ausgehend von dem BDI Modell und reaktiven Architekturen. Es wer- den Agenten als mobile Prozesse eingeführt. Dabei liegt ein Schwerpunkt auf Reaktive Mobile Agenten und deren Implementierung. Multi-Agenten Systeme sollen für selbst-organisierende und selbst-adaptive Systeme eingesetzt wer- den, wo Kooperation und Kollaboration eine große Rolle spielen. Zentral sind auch Ausführungsplattformen und Frameworks für mobile Agenten, konkret am Beispiel der JAM: JavaScript Agent Processing Maschine, sowie SEJAM, einem MAS Simulator für die Simulation mit MAS und Simulation von MAS. Schließlich wird der Einsatz von MAS in heterogenen Umgebungen und Einsatzszenarien diskutiert: Sensornetzwerke, Crowd Sensing, Cloud-Computing, IoT, Produk- tion, Logistik. Abgerundet durch praktische Implementierungen eines MAS- basierten Crowd Sensing/Social Mining Systen.
Es sollen Grundlagen verteilter perzeptiver und reaktiver Systeme erworben werden. Das Grundverständnis von Agenten und deren Verhaltensmodellen vergleichend zu klassischen Verhaltensmodellen, deren Anwendung der Kom- munikation, Kooperation, und Kollaboration zwischen Agenten, soll durch prak- tische Übungen mit JavaScript Agenten und der JAM Platform eigenständig anhand kleiner Projekte erarbeitet werden.
Einblicke in die technologische Umsetzung von Multi-Agenten Systemen und Agentenplattformen rundet den theoretischen und praktischen Teil ab.

|PARSYS]
Parallele und verteilte eingebettete Systeme,
Stefan Bosse, Universität Bremen, VAK: 03-ME-712.06, V+Ü 4SWS, jesed SS
Diese Vertiefungsvorlesung soll die zunehmende Bedeutung der parallelen Datenverarbeitung in der Informatik und beim Hardware-Chip-Entwurf verdeut- lichen. Parallele Verarbeitungskonzepte sind in der Algorithmik und Software- Technik schon seit einigen Jahrzehnten bekannt. Dabei wird ein Algorithmus in Teilprozesse partitioniert die auf mehreren Prozessoren nebenläufig ausgeführt werden. Anwendungen von parallelen und verteilten Algorithmen lagen bisher aber häufig im Bereich der rechenintensiven Numerik. Die Entwicklung tendiert zu immer leistungsfähigeren Mikroprozessoren, mit der Folge zunehmender Komplexität und viel bedeutender mit einer Zunahme der elektrischen Lei- stungsaufnahme. Dabei kann man zeigen, dass die Zerlegung eines komplexen Systems in ein System kooperierender weniger komplexer Systeme bei gleicher gesamter Rechenleistung deutliche Vorteile hat.
Jedoch birgt der Entwurf von parallelen Systemen einige Fallstricke und Schwierigkeiten, es gibt zudem keine optimale generische Rechnerarchitektur für parallele Systeme, wie diese bei der sequenziellen Datenverarbeitung vor- handen ist. Skalierung, Synchronisation, Deadlocks, die Behandlung von Kon- kurrenz von Multi-Prozess basierter paralleler und verteilter Datenverarbeitung stellen hohe Anforderungen an das Verständnis von parallelen Systemen und deren Entwurf, das in der Veranstaltung sowohl theoretisch, an Beispielen, und praktisch in der Übung erworben und erlernt werden soll. Das Verständnis der Problematik von parallelen Systemen und deren Synchronisation wird mit Zustands-Raum Diagrammen und einem Simulator (CPV) eingeführt. Folgend wird die CSP basierte parallele Programmiersprache OCCAM mit Kompiler und Virtueller Maschine verwendet, und schließlich die Implementierung einfacher paralleler Datenverarbeitungssysteme auf einem FPGA praktisch vermittelt. Die Unterrichtsinhalte sind aufbauend gegliedert: Klassisches Multiprozess Modell mit kommunizierenden sequenziellen Prozessen, Diskussion der Syn- chronisation, Erweiterung des klassichen CSP Modells um Wettbewerb und glo- bale geteilten Ressourcen, Abbildunf dieses erweiterten CCSP Modells auf RT Architekturebene, und schließlich Diskussion der Eigenschaften von parellelen und verteilten Systemen.
Die Prüfungsleistung umfasst eine mündliche Abschlussprüfung.

[PDL]
Entwurf eingebetteter Systeme mit Digitallogik,
Stefan Bosse, Universität Bremen, VAK: 03-ME-712.05, V+Ü 4SWS, jedes WS
Diese Veranstaltung bietet eine Einführung in den Hardware- und Systement- wurf von anwendungsspezifischen Digitallogiksystemen. Dabei steht die Regi- ster-Transfer Architektur, Zustandsautomaten, sowie die Zerlegung von programmgesteuerter Datenverarbeitung in Kontroll- und Datenpfade im Mit- telpunkt. Es soll die Schnittstelle zwischen der technischen Logik und sog. Pro- grammierbaren Digitallogiken (FPGA) zu der RTL Datenverarbeitungs- architektur geschaffen werden. Die Beschreibung eines Datenverarbeitungssy- stems erfolgt dabei mit einer Hardwarebeschreibungssprache (VHDL). Das Ver- ständnis der Semantik und der Verhaltensmodelle soll dabei sowohl theoretisch in der Vorlesung, an Beispielen, und praktischen Übungen im Tutorium vermit- telt werden.
Hardware-Synthese ist ein automatischer Prozess, um aus einer Verhaltens- und Strukturbeschreibung logische Schaltungen und Netzlisten zu erhalten, die direkt technologisch umsetzbar sind. Trotz des Automatismus müssen techno- logischen Randbedingungen wie metastabile Zustände, Hazards, und Laufzeit- probleme erkannt und verstanden werden, die in der Physik und Elektrotechnik begründet liegen. Die verwendete Hardware-Beschreibungssprache sollte dabei unabhängig von der Zieltechnologie sein. Beim Hardware-Entwurf spielen System-On-Chip Architektur und Modellierungsmethoden eine wesentliche Rolle.
In den Übungseinheiten werden eng verknüpft mit der Vorlesung anhand von beispielhaften Datenverarbeitungssystemen die Abbildung auf Digitallogiksy- steme zum einem mittels eines RTL Simulators (ReTRo) als auch mittels Gat- tersynthese und FPGA Entwicklungsboards erlernt. Die Prüfungsleistung umfasst eine mündliche Abschlussprüfung.

[MISS]
Material-integrierte Sensorische Systeme,
Stefan Bosse, Dirk Lehmhus, Universität Bremen, VAK: 04-M10-2-PT08, V+Ü 4SWS, jedes WS
Die Teilnahme an der Veranstaltung soll Studenten interdisziplinär einen system-orientierten Zugang zu der Modellierung, den Entwurf und die Anwen- dung von material-eingebetteten oder material-applizierten Sensorischen Systemen bieten, die aufgrund der technischen Realisierung und des Einsatzes spezielle Anforderungen an die Datenverarbeitung stellen und ein Verständnis des Gesamtsystems (inklusive Aspekte der Materialwissenschaften und Pro- zesstechnologien) voraussetzen. Diese neuen Sensorischen Materialen finden z. B. in der Robotik (Kognition) oder in der Produktionstechnik für die Material- überwachung Anwendung.
Folgende Kompetenzen sollen erworben werden:
- Grundverständnis des technischen Aufbaus und der Funktionsweise von Sen- sorischen Materialien: Elektronische Signalverarbeitung von Sensoren, Mecha- nisches Verhalten, Einfluss von Sensoren und Elektronik auf mechanische Eigenschaften des Trägermaterials
- Datenverarbeitung in Sensornetzwerken unter harten Randbedingungen wie limitierten Energieangebot, Rechenleistung und Speicher, Fehleranfälligkeit
- Parallele und verteilte Datenverarbeitung geeignet für low-resource Sensor- netzwerke: Architekturen, Kommunikation, Kooperation, Wettbewerb um Res- sourcen, Programmiermodelle, Einsatz von Multi-Agenten Systemen
- Grundlagen der Robustheit, Fehlernanalyse, und Redundanz in solchen Sensornetzwerken In praktischen Übungen werden Sensornetzwerke, deren Energiehaushalt, und die verteilte Datenverarbeitung mittels Multi-Agenten basierter Simulation mit dem SeSAm Simulationsprogramm modelliert, implementiert, und getestet.
Die Prüfungsleistung umfasst eine mündliche Abschlussprüfung.

Recent Publications

2017

[j17.1]
S. Bosse, Incremental Distributed Learning with JavaScript Agents for Earthquake and Disaster Monitoring, International Journal of Distributed Systems and Technologies (IJDST), (2017), accepted, under publication
Abstract: Ubiquitous computing and The Internet-of-Things (IoT) emerge rapidly in today’s life and evolve to Self-organizing systems (SoS). A unified and scalable information processing and communication methodology is required. In this work mobile agents are used to merge the IoT with Mobile and Cloud environments seamlessly. A portable and scalable Agent Processing Platform (APP) provides an enabling technology that is central for the deployment of Multi-agent Systems (MAS) in strongly heterogeneous networks including the Internet. A large-scale use-case deploying Multi-agent systems in a distributed heterogeneous seismic sensor and geodetic network is used to demonstrate the suitability of the MAS and platform approach. The MAS is used for earthquake monitoring based on a new incremental distributed learning algorithm applied to regions of sensor data from stations of a seismic network with global ensemble voting. This network environment can be extended by ubiquitous sensing devices like smart phones. Different (mobile) agents perform sensor sensing, aggregation, local learning and prediction, global voting and decision making, and the application. The incremental distributed learning algorithm outperforms a prior developed non-incremental algorithm (Distributed Interval Decision Tree learner) and can be efficiently used in low-resource platform networks.

[c17.1]
D. Lehmhus, S. Bosse, M. Busse, Autonomous Property Change in Adaptive Composites: A Simulation-based study on Multi-Agent-Systems Approaches, DGM Verbundwerkstoffe Congress, 21. Symposium, 5. - 7. July 2017, Bremen, Germany
Abstract: Load-bearing structures are typically designed towards relevant load cases assuming static shape and fixed sets of materials properties decided upon during design and materials selection. Structures that could change local properties in service in response to load change could raise additional weight saving potentials , thus supporting lightweight design and sustainability. Materials with such capabilities must necessarily be composite in the sense of a heterogeneous build-up, exhibiting e. g. an architecture consisting of numerous active cells with sensing, signal and data processing and actuation/stimulation capability. One concern regarding active smart cellular structures is correlated control of cells’ responses, and the underlying informational organization providing robustness and real-time capabilities. We suggest a two-stage approach which combines machine learning with mobile and reactive Multi-agent Systems (MAS). In it, the MAS’ task is to analyse loading situations based on sensor data and negotiate matching spatial redistributions of material properties like elastic modulus to achieve higher-level optimization aims like a minimum of the total strain energy within the structure, or a reduction of peak stress levels. The associated machine learning approach would be employed to recognise loading situations already encountered in the past for which optimized solutions exist and in such cases bypass the MAS system to directly enforce the respective property distribution. In the present study, a proof of concept of the approach is presented which combines finite element method (FEM) and MAS simulation, with the former primarily taking the place of the physical structure. In addition, FEM simulations are used for off-line training of the MAS prior to its deployment in the real or simulated structure. The classification models learned this way represent a starting point which is constantly being updated at run-time during the service life of the structure using incremental learning techniques.

2016

[j16.1]
Stefan Bosse, Armin Lechleiter, A hybrid approach for Structural Monitoring with self-organizing multi-agent systems and inverse numerical methods in material-embedded sensor networks, Mechatronics, (2016), DOI:10.1016/j.mechatronics.2015.08.005.
Abstract: One of the major challenges in Structural Monitoring of mechanical structures is the derivation of meaningful information from sensor data. This work investigates a hybrid data processing approach for material-integrated Structural Health and Load Monitoring systems by using self-organizing mobile multi-agent systems (MAS), and inverse numerical methods providing the spatial resolved load information from a set of sensors embedded in the technical structure with low-resource agent processing platforms scalable to microchip level, enabling material-integrated real-time sensor systems. The MAS is deployed in a heterogeneous environment and offers event-based sensor preprocessing, distribution, and pre- computation. Inverse numerical approaches usually require a large amount of computational power and storage resources, not suitable for resource constrained sensor node implementations. Instead, the computation is partitioned into spatial off-line (outside the network) and on-line parts, with on-line sensor processing performed by the agent system. A unified multi-domain simulation framework is used to profile and validate the proposed approach.

[c16.1]
Stefan Bosse, Industrial Agents and Distributed Agent-based Learning, 3rd International Electronic Conference on Sensors and Applications . 15-30 Nov. 2016, MDPI, 2016, DOI:10.3390/ecsa-3-S2004.
Abstract: Today sensor data processing and information mining become more and more complex concerning the amount of sensor data to be processed, the data dimension, the data quality, and the relationship between derived information and input data. This is the case especially in large-scale sensing and measuring processes embedded in Cloud environments. Measuring uncertainties, calibration errors, and unreliability of sensors have a significant impact on the derivation quality of suitable information. In the technical and industrial context the raising complexity and distribution of data processing is a special issue. Commonly, information is derived from raw input data by using some kind of mathematical model and functions, but often being incomplete or unknown. If reasoning of statements is primarily desired, Machine Learning can be an alternative. Traditionally, sensor data is acquired and delivered to and processed by a central processing unit. In this paper, the deployment of distributed Machine Learning using mobile Agents forming self-organizing and self-adaptive systems (self-X) is discussed and posing the benefit for the enhancement of the sensor and data processing in technical and industrial systems. This also addresses the quality of the computed statements, e.g., an accurate prediction of run-time parameters like mechanical loads or health conditions, the efficiency, and the reliability in the presence of partial system failures.

[c16.2]
Dirk Lehmhus, Stefan Bosse, Self-adaptive Smart Materials: A new Agent-based Approach, 3rd International Electronic Conference on Sensors and Applications . 15-30 Nov. 2016, MDPI, 2016, DOI:10.3390/ecsa-3-S2005.
Abstract: Load-bearing engineering structures typically have a static shape fixed during design based on expected usage and associated load cases. But neither can all possible loading situations be foreseen, nor could this large set of conditions be reflected in a practical design methodology— and even if either was possible, the result could only be the best compromise and thus deviate significantly from the optimum solution for any specific load case. In contrast, a structure that could change its local properties in service based on the identified loading situation could potentially raise additional weight saving potentials and thus support lightweight design, and in consequence, sustainability. Materials of this kind would necessarily exhibit a cellular architecture consisting of active cells with sensing and actuation capabilities. Suitable control mechanisms both in terms of algorithms and hardware units would form an integral part of these. A major issue in this context is correlated control of actuators and informational organization meeting real-time and and robustness requirements. In this respect, the present study discusses a two-stage approach combining mobile & reactive Multi-agent Systems (MAS) and Machine Learning. While MAS will negotiate property redistribution, machine learning shall recognise known load cases and suggest matching property fields directly.

[c16.3]
Stefan Bosse, Distributed Machine Learning with Self-organizing Mobile Agents for Earthquake Monitoring, IEEE 1st International Workshops on Foundations and Applications of Self Systems (FASW), SASO Conference, DSS Workshop, 12 September 2016, Augsburg, Germany, 2016, 2016, DOI:10.1109/FAS-W.2016.38.
Abstract: Ubiquitous computing and The Internet-of-Things (IoT) raises rapidly in today's life and is becoming part of self-organizing systems (SoS). A unified and scalable information processing and communication methodology using mobile agents is presented to merge the IoT with Mobile and Cloud environments seamless. A portable and scalable Agent Processing Platform (APP) is an enabling technology that is central for the deployment of Multi-agent Systems (MAS) in strong heterogeneous networks including the Internet. A large-scale distributed heterogeneous seismic sensor and geodetic network used for earthquake analysis is one example, which can be extended by ubiquitous sensing devices like smart phones. To simplify the development and deployment of MAS in the Internet domain agents are directly implemented in JavaScript (JS). The proposed JS Agent Machine (JAM) is an enabling technology. It is capable to execute AgentJS agents in a sandbox environment with full run-time protection, low-resource requirements, and Machine Learning as a service. A simulation of a seismic network and real earthquake data demonstrates the deployment of the JAM platform. Different (mobile) agents perform sensor sensing, aggregation, local learning and prediction, global voting, and the application.

[c16.4]
Stefan Bosse, Mobile Multi-Agent Systems for the Internet-of-Things and Clouds using the JavaScript Agent Machine Platform and Machine Learning as a Service, The IEEE 4th International Conference on Future Internet of Things and Cloud , 22-24 August 2016, Vienna, Austria, 2016, 2016, DOI:10.1109/FiCloud.2016.43.
Abstract: The Internet-of-Things (IoT) gets real in today's life and is becoming part of pervasive and ubiquitous computing networks offering distributed and transparent services. A unified and common data processing and communication methodology is required to merge the IoT, sensor networks, and Cloud-based environments seamless, which can be fulfilled by the mobile agent-based computing paradigm, discussed in this work. Currently, portability, resource constraints, security, and scalability of Agent Processing Platforms (APP) are essential issues for the deployment of Multi-agent Systems (MAS) in strong heterogeneous networks including the Internet, addressed in this work. To simplify the development and deployment of MAS it would be desirable to implement agents directly in JavaScript, which is a well known and public widespread used programming language, and JS VMs are available on all host platforms including WEB browsers. The novel proposed JS Agent Machine (JAM) is capable to execute AgentJS agents in a sandbox environment with full run-time protection and Machine learning as a service. Agents can migrate between different JAM nodes seamless preserving their data and control state by using a on-the-fly code-to-text transformation in an extended JSON+ format. A Distributed Organization System (DOS) layer provides JAM node connectivity and security in the Internet, completed by a Directory-Name Service offering an organizational graph structure. Agent authorization and platform security is ensured with capability-based access and different agent privilege levels.

[c16.5]
Stefan Bosse, Structural Monitoring with Distributed-Regional and Event-based NN-Decision Tree Learning using Mobile Multi-Agent Systems and common JavaScript platforms, Procedia Technology, 3rd International Conference on System-Integrated Intelligence: New Challenges for Product and Production Engineering, June 13th (Mon.) - 15th (Wed.) 2016: Paderborn, Germany, 2016, DOI:10.1016/j.protcy.2016.08.063.
Abstract: Among the Internet-of-Things, one major field of application deploying agent-based sensor and information processing is Structural Load and Structural Health Monitoring (SLM/SHM) of mechanical structures. This work investigates a data processing approach for material-integrated and mobile ubiquitous SHM and SLM systems by using self-organizing mobile multi-agent systems (MAS), executed on a highly portable JavaScript-based Agent Processing Platform (APP), and optimized Machine Learning (ML) methods providing load class recognition from a set of sensors embedded in the technical structure. Machine learning approaches usually require a large amount of computational power and storage resources and ML is commonly performed off-line, not suitable for resource constrained sensor network implementations. Instead, a novel distributed-regional on-line learning is applied, with on-line distributed sensor processing and learning performed by the agent system. The APP provides ML as a service, and the agent itself only collects training and analysis data passed to the APP, finally returning a learned model that is saved by the agent in a compact format (and is available on any other location). A case study shows that the learning algorithm is suitable (stable) for noisy and time varying sensor data. Spatial global learning is reduced and mapped on local region learning with global voting.

[c16.6]
Stefan Bosse, Armin Lechleiter, Dirk Lehmhus, Data evaluation in smart sensor networks using inverse methods and artificial intelligence (AI): Towards real-time capability and enhanced flexibility, Proc. of the CIMTEC, - 7th Forum on New Materials, Perugia, Italy, June 5 to 9, 2016, 5th International Conference “Smart and Multifunctional Materials, Structures and Systems, 2016, 2016, DOI:10.4028/www.scientific.net/AST.101.55.
Abstract: Data evaluation is crucial for gaining information from sensor networks. Main challenges include processing speed and adaptivity to system change, both prerequisites for SHM-based weight reduction via relaxed safety factors. Our study looks at soft real time solutions providing feedback within defined but flexible, application-controlled intervals. These can rely on minimizing computation/communication latencies e.g. by parallel computation. Strategies towards this aim can be model-based, including inverse FEM, or model-free, including machine learning, which in practice bases training on a defined system state, too, hence also facing challenges at state changes. We thus introduce hybrid data evaluation combining multi-agent based systems (MAS) with inverse FEM, mainly relying on matrix operations that can be partially distributed: The MAS perform sensor data acquisition, aggregation, pre-computation, and finally application (the LM/SHM itself and higher information processing and visualization layers, i.e., WEB interfaces). System capabilities are evaluated against a virtual test case, demonstrating enhanced stability and reliability. Besides, we analyze system performance under conditions of in-service change and discuss system layouts suited to improve coverage of this issue.







zurück  

Zuletzt geändert durch sbosse am 16.11.2017



Seitenanfang  -  Impressum Zuletzt geändert durch: SIXmin [b]   15.12.2017 Admin-Login