TinyAIoT: Ressource-efficient AI Models for IoT Sensors

Modern IoT applications often rely on sensors that run on microcontroller units and communicate via network protocols such as LoRaWAN or Bluetooth Low Energy. To operate autonomously for extended periods of time, application resource requirements must be minimized.

This master’s thesis investigates the development of resource-efficient IoT applications through the utilization of AI models. These models aim to save energy by reducing the computational load, camera resolution or data transmission, while maintaining the ability to perform specific tasks. You will develop, implement and compare different resource-efficient AI models with sensors such as cameras, distance sensors, vibration sensors and test your implementation in different application scenarios.

Ressourceneffiziente KI für IoT Anwendungen

Moderne IoT Anwendungen greifen häufig auf Sensoren zurück, die auf Mikrocontrollern laufen und über Netzwerkprotokolle wie LoRaWAN oder Bluetooth Low Energy kommunizieren. Damit die Sensoren über eine längere Zeit autark betrieben werden können, muss der Ressourcenbedarf der Anwendungen minimiert werden.

Die Bachelorarbeit beschäftigt sich mit der Frage, wie weit Ressourcen wie Rechnenleistung, Kameraauflösung, Datenübertragung minimiert werden können, um dennoch bestimmte Aufgaben wahrnehmen zu können. Es werden ressourceneffiziente KI-Modelle mit Sensoren (Kameras, Abstandssensoren, Vibrationssensoren) implementiert und in verschiedenen Anwendungsszenarien getestet.

Förderung der Navigational Map-Reading Kompetenz – in der Realität oder in VR

Die Fähigkeit, sich zu orientieren und Karten zu lesen, ist grundlegend für eine erfolgreiche Navigation in unbekannten Umgebungen. Es ist bekannt, dass sich die Kartenlesekompetenz von Person zu Person stark unterscheidet. Während zahlreiche Navigationssysteme entwickelt wurden, um uns beim Finden des Weges zu unterstützen, gibt es bisher nur wenige Ansätze, Geoinformationstechnologien gezielt zur Förderung von Orientierungs- und Kartenlesefähigkeiten einzusetzen und individuelle Unterschiede zu überwinden.

GeoGami ist ein ortsbezogenes Spiel, das digitale Karten nutzt, um systematisch die Kompetenz im navigationalen Kartenlesen zu vermitteln. Ziel der Arbeit ist es, Trainingskonzepte zu entwickeln, die diese Kompetenzen mit Hilfe digitaler Karten fördern. Erfolgreiches Kartenlesen setzt insbesondere die Fähigkeit voraus, die eigene Position auf der Karte zu bestimmen, Objekte auf der Karte zu lokalisieren und die Karte mit der realen Umgebung in Deckung zu bringen. Im Rahmen dieser Bachelorarbeit werden Sie Aufgaben entwerfen, die diese Teilkompetenzen auf unterschiedlichen Schwierigkeitsstufen trainieren. Die Trainings können sowohl in der realen Welt als auch in eigens dafür gestalteten virtuellen Umgebungen durchgeführt werden. Im Rahmen der Arbeit soll eine Studie durchgeführt werden, um die Trainings zu evaluieren und die effizientesten Ansätze zur Förderung der navigationalen Kartenlesekompetenz zu identifizieren.

Literaturhinweise:

  • Lobben, A. K. (2007). Navigational map reading: Predicting performance and identifying relative influence of map-related abilities. Annals of the Association of American Geographers, 97(1), 64–85. https://doi.org/10.1111/j.1467-8306.2007.00524.x

  • Bistron, J., & Schwering, A. (2023). Assessing navigational map reading competencies with the location-based GeoGame “GeoGami”. Journal of Geoscience Education, 72(1), 73–85. https://doi.org/10.1080/10899995.2023.2190830

Fostering Navigational Map Reading Competence

The ability to orient oneself and read maps is essential to successfully navigate in unfamiliar environments. It is well known that the ability to orient oneself with maps varies from person to person. While there are numerous navigation systems to help us find our way, very few efforts have been made to use GI technologies to promote orientation and map reading skills and overcome the individual differences. GeoGami is a location-based game using digital maps to systematically teach navigational map reading competence.

The thesis will investigate how to design trainings to promote people’s navigational map reading competence with digital maps. Successful map reading relies on the ability to localize yourself on the map, to localize objects on the map and to align the map with your environment. You will design tasks to practise these competences at different levels of difficulty. These trainings can be either conducted in the real world or in virtual worlds explicitly designed for these trainings. You will run a study testing your trainings to identify the most efficient ways to teach navigational map reading.

Literature:

Lobben, A. K. (2007). Navigational map reading: Predicting performance and   identifying relative influence of map-related abilities. Annals of the Association of American Geographers, 97(1), 64–85. https://doi.org/10.1111/j.1467-8306.2007.00524.x

J Bistron, A Schwering (2023): Assessing navigational map reading competencies with the location-based GeoGame “GeoGami”, Journal of Geoscience education 72 (1), 73-85, https://doi.org/10.1080/10899995.2023.2190830