Studien- und Abschlussarbeiten

In dieser Bachelor-/Masterarbeit sollen die Fragen geklärt werden, ob es typische Offensivstrategien gibt und wie sie automatisch erkannt und extrahiert werden können. Zu diesem Zweck soll ein Verfahren entwickelt und implementiert werden, dass es ermöglicht, typische Verhaltensmuster der Spieler der beiden Teams während den entsprechenden Spielsituationen zu erkennen. Eine geeignete Visualisierung soll die gefundenen Strategien bestmöglich aufzeigen.

Je nach System ist es manchmal nicht möglich, Informationen über die Position des Balls zu erhalten. So kann ein Ball bspw. nur schwer mit einem GPS-Sensor ausgestattet werden, oder aber die genutzten Kameras sind auf Grund der Entfernung oder der Geschwindigkeit nicht in der Lage, den Ball zu detektieren. Ohne die aktuelle Ballposition sind viele aussagekräftige Analysen nicht durchführbar.

Das Ziel dieser Bachelor-/Masterarbeit soll daher die Entwicklung und Umsetzung einer Methodik sein, die es ermöglicht, auf Grund der Spielerbewegungen auf die aktuelle Ballposition zu schließen. Interessant hierbei ist auch die Frage, wie genau sich die Position des Balls ermitteln lässt. Hierzu sollen die aufgezeichneten Bewegungsdaten der Spieler analysiert werden. Eine geeignete Visualisierung soll die Ergebnisse darstellen.

Für viele weiterführende Analysen eines Fußballspiels (z.B. die Analyse des Verhaltens eines Teams in Offensiv- bzw. Defensivsituationen) ist nicht nur die Information über die jeweiligen Spieler (aktuelle Position, Geschwindigkeit, usw.) wichtig, sondern auch die Rollen, die die Spieler im Spiel bekleiden. So ist es bspw. aus taktischer Sicht von Bedeutung, wenn sich Spieler häufig in rollenfremden Regionen des Spielfelds bewegen (z.B. Verteidiger vor dem gegnerischen Tor, linker Mittelfeldspieler wechselt auf die rechte Seite des Feldes). Ebenso ist es interessant, ob während des Spiels Änderungen dieser Rollen auftreten. Diese Änderungen könnten ein Anzeichen für einen Taktikwechsel eines Teams sein.

Die Ermittlung der Rollen der Spieler während des Spiels soll daher das Ziel einer Bachelor-/Masterarbeit sein. Dabei soll auf unterschiedliche Methoden, z.B. auch aus dem Bereich Machine Learning bzw. Data Mining, zurückgegriffen werden. Das Ergebnis der Analyse soll in der Art visuell aufbereitet, so dass sowohl die Spielerrollen als auch deren mögliche Änderungen ersichtlich sind.

In dieser Abschlussarbeit soll ein Virtual Reality-System (VR-App für Smartphone/PC) entwickelt werden, mit dem ein Anwender in Lage versetzt wird, das Spiel aus der Sicht eines beteiligten Spielers oder Schiedsrichters zu erleben. Hierzu sollen aufgezeichnete Bewegungsdaten (Trajektorien) der Spieler, des Schiedsrichters und des Balls genutzt werden, um den Spielverlauf detailgetreu nachempfinden zu können. Zudem sollen auch in dieser Perspektive bereits unterschiedliche Analysen, wie z.B. Blickfeldanalysen, Passanalysen, usw., ermöglicht werden. Bei der Implementierung kann auf ein bereits existierendes Analyse-Framework zurückgegriffen werden.

Bei der Analyse von sich bewegenden Objekten spielt die Erkennung von typischen Bewegungen bzw. Bewegungsmustern eine wichtige Rolle. Dieses gilt auch bei der Analyse von Fußballspielen. Dort werden bspw. wiederkehrende, also typische, Bewegungen dazu genutzt, um Rückschlüsse auf die Taktik und auf die Eigenheiten der Spieler selbst ziehen zu können. Ein weiteres Anwendungsgebiet von Bewegungsmustern ergibt sich, wenn diese für das Tracking von Objekten genutzt werden sollen. Unter der Annahme, dass jeder Spieler individuelle Bewegungsmuster besitzt, können eben diese Muster umgekehrt auch Aussagen über die Identität des Spielers und somit einer Verbesserung des Trackings ermöglichen.

Das Ziel dieser Arbeit ist eine Untersuchung, inwieweit Bewegungen von Spielern Rückschlüsse auf deren Identität zu lassen. Zu diesem Zweck soll ein Verfahren entwickelt und implementiert werden, das eine Identifikation von Spielern anhand deren extrahierter typsicher Bewegungen (Bewegungsmuster) ermöglicht. Dabei soll auf Verfahren des Maschinellen Lernens zurückgegriffen werden.

Die Grundlage für viele Analysen im Bereich der Fußballanalyse ist die Information über die Bewegungen der Spieler (und des Balls). Diese Bewegungen werden als Trajektorien, also einer zeitlichen Abfolge von Objektpositionen, modelliert. Die Erfassung der Trajektorien ist jedoch eine komplexe Problemstellung. Daher werden u.a. Tracking-Verfahren genutzt, die Spieler- und Ballpostionen in Bildern/Videos ermitteln. Viele Ansätze für das sogenannte Video-Tracking bedingen die Verwendung von statischen (fest installierten, nicht beweglichen) Kameras. Viele Aufnahmen, wie sie bspw. bei Übertragungen im TV zu sehen sind, nutzen jedoch mehrere nicht statische Kameras. Dies hat zur Folge, dass sich die Berechnung der Position der Spieler auf dem Spielfeld mit jeder Kamerabewegung ändert.

In dieser Masterarbeit soll eine Methodik entwickelt und implementiert werden, die eine Lokalisierung der Spieler (und des Balls) mit Hilfe verschiedener nicht-statischer Kameraperspektiven ermöglicht. Hierzu sollen die Spieler im Bild detektiert werden und deren Position in Spielfeld-Koordinaten berechnet werden. Eine entsprechende Visualisierung soll das Ergebnis abschließend darstellen.

...

Einführung und Ziel der Arbeit

Mittels Airborne Laserscanning können flächendeckende hochaufgelöste digitale Geländemodelle erstellt werden. Anders als manuell aufgenommene Daten sind diese Daten bis auf eine einfache Klassifikation in Boden und Vegetationspunkte nicht weiter interpretiert. Eine gezielte Interpretation von künstlich-historischen Geländestrukturen muss manuell durchgeführt und mittels Feldbegehung verifiziert werden.

In dieser Arbeit sollen durch den Einsatz von maschinellem Lernen am Beispiel von Burgenanlagen charakteristische Geländestrukturen angelernt und klassifiziert werden. Zu diesem Zweck stehen sowohl hochaufgelöste DGM aus Laserscanbefliegungen, als auch feintopographische Aufnahmen diverser Anlagen zur Verfügung. Die angelernten Klassifikatoren sollen schließlich zur automatisierten Identifikation von Geländestrukturen verwendet werden.

Aufgaben und zeitlicher Ablauf

1. Einarbeitung in Literatur und Software zum maschinellen Lernen
2. Sichtung der Datensätze, Erzeugung von Trainingsdaten
3. Trainieren markanter Geländeformen für Bodendenkmäler (Burgen, Hügelgräber, ...?)
4. Identifikation der trainierten Formen

This is a topic offered by the Human-Computer Interaction Group.

In previous projects the Human-Computer Interaction Group investigated a novel approach to control pedestrians' walking direction for navigation. We showed that controlling the direction with electrical muscle stimulation is possible in outdoornavigation scenarios. As a follow-up project we would like to explore - in a collaborative project with the Institute of Cartography and Geoinformatics (IKG) - how this approach can be used for obstacle avoidance in pedestrian navigation scenarios.

In this follow-up project we plan to investigate vision-based obstacle detection with depthcameras (e.g. Kinect 2 or stereo cameras) to create 3D point clouds. Features of the ROS(Robot Operating System) should be used to design and develop a navigation prototype that detects obstacles and steers a user around them. The prototype is going to be tested in outdoor navigation studies. You will get a deeper understanding of novel hapticfeedback methods, depth sensors, navigation algorithmic, mobile development,prototyping, and user study design.

This thesis consists of the following work packages:

1. Sensors

   • Understanding depth sensors and generating 3 D point clouds
   • Generating local maps based on point clouds

2. Actuated navigation with electrical muscle stimulation (EMS)

   • Understanding of a novel navigation approach using EMS
   • Implementing controller software for actuated navigation

3. Navigation

   • Collision avoidance using the ROS navigation stack (path planning)

4. User study

   • Designing and conducting a user study
   • Analyzing the results

...

Vehicle localization can be done by matching measurements of a laser scanner to a reference map. Therefore it is important to detect and exclude objects which are not suitable for localization tasks. Dynamic objects, like vehicles and pedestrians won’t always appear at the same position. Vegetation, e.g. trees, change their shape. One possibility to detect these dynamics is to use machine learning algorithms.

At the ikg we use a convolutional neural network to perform a semantic classification on range images of a laser scanner and detect these dynamic objects. The goal of this research project is to change the parameters of the existing network to improve the classification results. Students may work on a computer at the GIS laboratory equipped with a GPU and a TensorFlow installation.

Tasks

• Get familiar with convolutional neural networks and TensorFlow.
• Use and improve the given network to detect dynamic objects in range images.
• Documentation of the results.

Resources

• A computer with a GPU in the GIS laboratory at the ikg.
• Training data with labelled dynamic objects.
• A convolutional neural network to detect dynamics.

Requirements

• Basic python skills

The research training group i.c.sens has produced large quantities of data to support scientific research in the context of autonomous driving. To this end, multiple cars have been equipped with complex sensor setups for self-localization and mapping, including multiple GNSS systems, stereo cameras and multiple LiDAR systems. In order to enable secondary usage of these data sets and to publish the data set at a later point in time, the data needs to be prepared using established sensor-specific data processing methods or manual data annotation processes (e.g. labeling of images or point clouds towards a reliable ground-truth). The range of possible activities (programming, using a GIS for analyses, manual editing/annotation of data using provided tools and many more) in this research project is wide and can support multiple students at the same time. However, there is a lot of flexibility in determining the specific tasks to carry out (in a meeting before starting the research project).

Tasks

• Get familiar with the data set and the required transformation/annotation techniques.
• Develop own tools or learn to use provided tools supporting the task.
• Apply the transformation/annotation techniques to the data. Find ways to improve the transformation/annotation processes and/or tools.
• Documentation of the applied transformation/annotation processes and the resulting data.

Ressources

• Raw data (images or ASCII CSV)
• Existing code/tools supporting the transformation/annotation process.
• Sensor-specific resources (documentation of data formats), documentation of experimental setups.

Requirements

• Sensor- and task-specific difficulties with different requirements (none, GIS knowledge, basic programming skills in any programming language). The specific tasks to carry out will be determined in a meeting before the start of the research project.

The national survey agency is responsible for generating nation-wide digital terrain and surface models (DTM and DSM). For this reason, they are gathering Airborne Laser Scanning (ALS) data of their area every three years, which have a rather coarse resolution of 4~10 points/m². At the same time, they derive point clouds from optical image data using a method called ‘Dense Image Matching’ (DIM) resulting in point clouds with a resolution of 100 points/m².

The goal of this project is to evaluate established software tools for both data types (ALS and DIM). The data sets have to be classified using ArcGIS software as well as an approach proposed by Maltezos and Ioannidis (2015). In this paper, they use a combination of cloud compare functions to calculate normal and roughness features of the point clouds as well as some written code, which utilizes those features for classification. Lastly, both classification methods on both data sets have to be evaluated using manually classified reference point clouds.

Tasks

1. Preparation of ground truth labels for a certain area within the data set into several classes using ArcGIS
2. Classification of ALS and DIM data using ArcGIS tools
3. Classification of ALS and DIM data using Cloud Compare tools and own code according to Maltezos and Ioannidis (2015)*
4. Evaluation of the obtained results with the ground truth (completeness, correctness, quality)
5. Optional: classification of ALS and DIM data using other software packages

*Maltezos, E. & Ioannidis, C., 2015: Automatic detection of building points from lidar and dense image matching point clouds. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences II-3/W5, p. 33-40.

Tools

• ArcGIS 10.4
• Cloud Compare

Requirements

• Knowledge in programming with Python or Matlab

In distinction to classic traffic designs which, in general, separately dedicate road resources to road users by time or space division, an alternative solution—shared space—has been proposed by traffic engineers. Pedestrians, cyclists, and vehicles interact with each other and self-organize to give or take right-of-way. The safety of shared spaces need to be thoroughly investigated, namely, how road users adapt their speed and/or orientation in the interactions with others in their vicinity to avoid collisions.

In order to extract the most relevant features that reflect how a road user adjust his/her motion to avoid potential collisions with others in shared spaces, real-world trajectories will be analysed using statistical and machine learning approaches. For instance, the safe distance may differ significantly across different types of road users. Can we quantify such differences and impacts? Currently, however, user attributes are not yet available in the dataset, which will be incorporated in future work.

Tasks

1. time step for each user. A python code running on a pre-processed dataset is already available.
2. Using statistical tests to quantitatively analyze the impacts of those features mentioned above.
3. Using probabilistic navigation function (S. Hacohen et al. 2018) or any feasible machine learning approach proposed by the applicant(s) to predict the critical point, where significant adjustments have been made by the ego-user to avoid any potential collision.

Basic terminologies of collision and probabilistic navigation function can be found in the following literature.
Hacohen, S., Shvalb, N. and Shoval, S., 2018. Dynamic model for pedestrian crossing in congested traffic based on probabilistic navigation function. Transportation Research Part C: Emerging Technologies, 86, pp.78-96.

Tools

• Python and R would be a plus

Requirements

• Basic knowledge of statistics and machine learning

...