Artificial Intelligence, Data and Robotics
Foundations, Transformations and Future Directions
- Open Access
- 2026
- Open Access
- Buch
- Herausgegeben von
- Edward Curry
- Philip Piatkiewicz
- Fredrik Heintz
- Heike Vornhagen
- Ahmed Nabil Belbachir
- Emanuela Girardi
- Marc Schoenauer
- Juha Röning
- Verlag
- Springer Nature Switzerland
Über dieses Buch
Dieses Open-Access-Buch untersucht die sich rasch entwickelnde Landschaft der künstlichen Intelligenz, Daten und Robotik (ADR) und beleuchtet ihre grundlegenden Prinzipien, transformativen Anwendungen und zukünftigen Richtungen. Unter Betonung ethischer Erwägungen, menschenzentrierter Gestaltung und Nachhaltigkeit schafft er die Voraussetzungen für das Verständnis, wie multidisziplinäre Zusammenarbeit und strategische Weitsicht entscheidend sind, um das volle Potenzial der alternativen Streitbeilegung bei der Schaffung einer wettbewerbsfähigen, inklusiven und widerstandsfähigen digitalen Gesellschaft zu erschließen. Die Kapitel sind in drei Teile gegliedert und bieten einen umfassenden Überblick über die wichtigsten Forschungsagenden, innovativen Rahmenwerke und den Einsatz in der realen Welt, die den aktuellen und sich herausbildenden Zustand der alternativen Streitbeilegung definieren. Erstens stellt Foundations die strategischen, technischen und konzeptionellen Grundlagen vor, die Europas alternatives Ökosystem untermauern. Gemeinsam bilden die Beiträge eine solide Grundlage, die strategisch von der Vision geleitet wird, die durch die Europäische Vereinigung für KI, Daten und Robotik aufgestellt wurde und praktisch durch neue Technologien und Methoden beeinflusst wird. Als nächstes untersuchen die Kapitel in Transformations die transformativen Auswirkungen von ADR-Technologien in unterschiedlichen industriellen und gesellschaftlichen Bereichen. Sie bieten eine umfassende und nuancierte Sicht der Art und Weise, wie alternative Streitbeilegungsverfahren Industrien, Infrastruktur und menschenzentrierte Anwendungen umgestalten und betonen die Bedeutung interdisziplinärer Ansätze, ethischer Überlegungen und technologischer Innovationen. Schließlich untersucht Future Directions die entscheidenden Wege zur Weiterentwicklung alternativer Streitbeilegungstechnologien durch strategische Planung, angewandte industrielle Innovationen und menschenzentrierte Ansätze. Die ausgewählten Kapitel präsentieren eine kohärente und zukunftsorientierte Erzählung: strategische Prioritäten zu setzen, sie in transformative industrielle Anwendungen umzusetzen und die nuancierten menschlichen Faktoren anzusprechen, die für den verantwortungsvollen und effektiven Einsatz von ADR-Technologien unverzichtbar sind. Das Buch untersucht bahnbrechende Theorien, Technologien, Methoden und Best Practices in Szenarien der Industrie und des öffentlichen Sektors und bietet Forschern, Fachleuten und politischen Entscheidungsträgern eine Grundlage für das Verständnis der wissenschaftlichen Grundlagen, des Transformationspotenzials und der zukünftigen Forschungsherausforderungen von AS-Technologien.
Mit KI übersetzt
Über dieses Buch
This open access book explores the rapidly evolving landscape of artificial intelligence, data and robotics (ADR), highlighting their foundational principles, transformative applications and future directions. Emphasising ethical considerations, human-centric design and sustainability, it sets the stage for understanding how multidisciplinary collaboration and strategic foresight are critical to unlocking the full potential of ADR in creating a competitive, inclusive and resilient digital society.
The chapters are organized in three parts and provide a comprehensive overview of the key research agendas, innovative frameworks and real-world deployments that define the current and emerging state of ADR. First, Foundations introduces the strategic, technical and conceptual foundations that underpin Europe’s ADR ecosystem. Collectively, the contributions establish a robust foundation strategically guided by the vision put forward through the European AI, Data and Robotics Association and practically informed by emerging technologies and methodologies. Next, the chapters in Transformations examine the transformative impact of ADR technologies across diverse industrial and societal domains. They provide a comprehensive and nuanced view of how ADR are reshaping industries, infrastructure and human-centred applications and emphasise the importance of interdisciplinary approaches, ethical considerations and technological innovation. Eventually, Future Directions explores the critical pathways for advancing ADR technologies through strategic planning, applied industrial innovation and human-centred approaches. The selected chapters present a coherent and forward-looking narrative: setting strategic priorities, translating them into transformative industrial applications and addressing the nuanced human factors essential for the responsible and effective deployment of ADR technologies.
By exploring cutting-edge theory, technologies, methodologies, and best practices within industrial and public sector scenarios, the book provides researchers, professionals and policy makers with a basis for understanding the scientific foundations, the transformation potential, and the future research challenges of ADR technologies.
Anzeige
Inhaltsverzeichnis
-
AI, Data, and Robotics: A Structured Overview of Contributions and Priorities
- Open Access
PDF-Version jetzt herunterladenDieses Kapitel befasst sich mit der sich rasch entwickelnden Landschaft der künstlichen Intelligenz (KI), Daten und Robotik (ADR) und beleuchtet ihre grundlegenden Prinzipien, transformativen Anwendungen und zukünftigen Richtungen. Es betont ethische Überlegungen, menschenzentriertes Design und Nachhaltigkeit und schafft die Voraussetzungen für das Verständnis, wie multidisziplinäre Zusammenarbeit und strategische Voraussicht entscheidend sind, um das volle Potenzial von KI, Daten und Robotik bei der Schaffung einer wettbewerbsfähigen, inklusiven und widerstandsfähigen digitalen Gesellschaft zu erschließen. Der Text untersucht die strategischen, technischen und konzeptionellen Grundlagen, die Europas alternatives Streitbeilegungssystem untermauern, wobei der Schwerpunkt auf der AI, Data, and Robotics Association (ADRA) und ihrer Rolle bei der Sicherstellung des technologischen Fortschritts liegt, die mit den europäischen Werten im Einklang steht. Außerdem werden die transformativen Auswirkungen von KI, Daten und Robotiktechnologien in verschiedenen industriellen und gesellschaftlichen Bereichen untersucht, die so organisiert sind, dass sie eine natürliche Entwicklung von grundlegenden industriellen Anwendungen hin zu fortschrittlichen, auf den Menschen ausgerichteten Systemen widerspiegeln. Das Kapitel schließt mit einem Blick auf die entscheidenden Wege zur Weiterentwicklung alternativer Streitbeilegungstechnologien durch strategische Planung, angewandte industrielle Innovationen und menschenzentrierte Ansätze und bietet eine umfassende und differenzierte Sicht darauf, wie KI, Daten und Robotik Industrien, Infrastruktur und menschenzentrierte Anwendungen umgestalten.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThis chapter provides a comprehensive overview of the rapidly evolving fields of artificial intelligence, data, and robotics (ADR), introducing the foundational concepts, transformative applications, and forward-looking frameworks that structure the book. Positioned within Europe’s broader digital innovation landscape, it highlights how ADR technologies are reshaping key sectors (including manufacturing, healthcare, mobility, and environmental sustainability) while underscoring the importance of ethical, human-centric, and sustainable approaches to their development. Organized around three core themes, Foundations, Transformations, and Future Directions, the chapter situates the contributions of each subsequent section, tracing current research priorities, emerging technological trajectories, and real-world deployments. By emphasizing multidisciplinary collaboration and strategic foresight, it outlines how integrating technical excellence with societal values can foster trustworthy, equitable, and resilient digital ecosystems. Serving as a roadmap for the chapters that follow, this overview aims to inspire coordinated efforts among researchers, industry leaders, policymakers, and citizens to harness the full potential of AI, data, and robotics for the benefit of society. -
Foundations
-
Frontmatter
-
Shaping Europe’s Future: The Convergence of AI, Data, and Robotics
- Open Access
PDF-Version jetzt herunterladenDieses Kapitel befasst sich mit der Gründung und strategischen Ausrichtung der AI, Data, and Robotics Association (ADRA), eines Schlüsselakteurs in Europas digitaler Innovationslandschaft. Es skizziert die Vision und Mission der ADRA, wettbewerbsfähigen, ethischen, inklusiven und nachhaltigen Fortschritt voranzutreiben, und untersucht die Struktur und Vielfalt der ADRA-Gemeinschaft, ihre Ziele und Kernaktivitäten. Besondere Aufmerksamkeit gilt der strategischen Agenda für Forschung, Innovation und Einsatz (SRIDA), die das Rückgrat der langfristigen ADRA-Roadmap bildet, und der sich abzeichnenden Konvergenz von generativer KI und Robotik, einer Grenze mit transformativem Potenzial und erheblichen gesellschaftlichen Implikationen. Das Kapitel diskutiert auch die Rolle der ADRA bei der Gestaltung einer vertrauenswürdigen und zukunftsorientierten Agenda für KI, Daten und Robotik und schließt mit einem Blick in die Zukunft der ADRA, in dem über mögliche Richtungen für Wachstum, Zusammenarbeit und Auswirkungen nachgedacht wird. Durch strategische Weitsicht und das Engagement von Interessengruppen will ADRA Europa helfen, eine führende Rolle bei der Entwicklung und dem Einsatz modernster Technologien zu spielen, die der Industrie und dem Gemeinwohl dienen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThis chapter explores the convergence of generative AI and robotics within the broader context of Europe’s AI, data, and robotics (ADR) strategy. It examines how these powerful general-purpose technologies are reshaping innovation across strategic sectors while also presenting complex challenges in safety, trustworthiness, and sustainability. The chapter highlights Europe’s distinct approach anchored in values-driven innovation, technological sovereignty, and strategic autonomy and outlines the role of the ADRA partnership in steering this transformation. Through initiatives such as the SRIDA, high-impact pilots, and challenge-based innovation, ADRA is fostering a resilient European ecosystem that supports responsible, human-centric development of GenAI and Robotics. The chapter concludes by emphasizing the need for coordinated investment, policy alignment, and bold action to ensure Europe remains at the forefront of this rapidly evolving technological landscape. -
SRIDA: Charting the Future of a Progressive, Inclusive, and Sustainable European ADR Ecosystem
- Open Access
PDF-Version jetzt herunterladenDas Kapitel befasst sich mit der Strategischen Agenda für Forschung, Innovation und Einsatz (SRIDA), einem gemeinschaftlichen Entwurf, der Europas Ambitionen in den Bereichen KI, Daten und Robotik (ADR) leitet. Er skizziert die Prioritäten, Herausforderungen und Rahmenbedingungen der SRIDA für Forschung und Innovationsentwicklung und betont ihre Übereinstimmung mit europäischen Werten, Vorschriften und industriellen Zielen. Der Text untersucht die verschiedenen Interessengruppen, die die SRIDA formen - von internen Beitragenden wie Forschern und politischen Entscheidungsträgern bis hin zu externen Organisationen - und betont die Bedeutung einer ausgewogenen Vertretung. Er beschreibt auch die Methodik der Zusammenarbeit, die der Entwicklung der SRIDA zugrunde liegt, um Transparenz und Inklusivität zu gewährleisten. Das Kapitel befasst sich mit den wichtigsten Herausforderungen bei der Gründung und Umsetzung der SRIDA, wie der Abstimmung unterschiedlicher Interessen und der Gewährleistung einer gerechten Vertretung. Er reflektiert die Auswirkungen der SRIDA auf Europas alternative Streitbeilegungsstrategie, fasst die gezogenen Lehren zusammen und skizziert die zukünftige Ausrichtung dieses entscheidenden Instruments zur Förderung verantwortungsvoller, innovativer und global wettbewerbsfähiger alternativer Streitbeilegungssysteme. Das SRIDA-Programm zielt darauf ab, verschiedene Interessengruppen zu mobilisieren und einen Konsens über gemeinsame Herausforderungen und Strategien zu schaffen, um Europa in die Lage zu versetzen, bei der ethischen und innovativen AS-Entwicklung an vorderster Front zu bleiben. Zu seinen primären Zielen gehören die Stärkung des europäischen AS-Ökosystems, die Verbesserung der globalen Wettbewerbsfähigkeit, die Förderung ethischer und vertrauenswürdiger AS und die Beschleunigung gesellschaftlicher und wirtschaftlicher Vorteile. Das Kapitel diskutiert auch die Ausrichtung der SRIDA an den europäischen Prioritäten, von der Politik bis zur Praxis, und ihre konzeptionelle Methodik, die Transparenz, Zusammenarbeit und Evolution sicherstellt. Es unterstreicht die Bedeutung der Einbeziehung unterrepräsentierter Interessengruppen wie KMU und Start-ups, um einen ausgewogenen und integrativen Fahrplan sicherzustellen. Abschließend reflektiert der Text die Auswirkungen der SRIDA und skizziert zukünftige Richtungen und betont die Notwendigkeit einer kontinuierlichen Anpassung, Transparenz und Inklusivität bei der Gestaltung der europäischen AS-Zukunft.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThe Strategic Research, Innovation, and Deployment Agenda (SRIDA) is a defining framework for the AI, Data, and Robotics Association (Adra) and a forward-looking roadmap for the advancement of AI, data, and robotics (ADR) in Europe. It aims to align ADR research and development efforts, address societal challenges, enhance economic competitiveness, and inform the European Commission’s Horizon Europe work program. This chapter outlines the SRIDA’s purpose and the stakeholders involved and proposes a collaborative methodology based on our practical experience preparing the SRIDA for the past 3 years. It describes the operational framework, including tools, contribution processes, development phases, and iterative updates that ensure the SRIDA evolves in alignment with diverse priorities and voices. The SRIDA’s dynamically evolving nature reflects its commitment to transparency, inclusivity, and balancing technical and non-technical goals. Building on previous SRIDA editions, the chapter examines constraints such as balancing agendas, fostering equitable representation within the ADR community, and aligning immediate objectives with long-term strategies. By addressing open challenges and providing actionable recommendations for future SRIDA iterations, this chapter demonstrates SRIDA’s potential as a driver of Europe’s ADR leadership, paving the way for sustainable innovation. -
Digital Twins in Europe: Driving Sustainable Innovation and Sovereignty
A Comprehensive Overview of Digital Twin Technologies, Strategic Applications, and Their Role in Europe’s Digital and Green Transitions- Open Access
PDF-Version jetzt herunterladenDigitale Zwillinge verändern die Industrie durch die Erstellung dynamischer virtueller Modelle physischer Systeme, die Echtzeitüberwachung, vorausschauende Analysen und szenariobasierte Simulationen ermöglichen. Dieses Kapitel untersucht den Stand der digitalen Zwillingstechnologie und beleuchtet ihre Auswirkungen auf die europäische Industrie und Gesellschaft. Sie untersucht das transformative Potenzial digitaler Zwillinge in Sektoren wie Fertigung, Logistik, Gesundheitswesen und Bauwesen und zeigt ihre Rolle bei der Förderung nachhaltiger Innovationen und der Stärkung der Wettbewerbsfähigkeit und digitalen Souveränität Europas. Das Kapitel enthält auch eine SWOT-Analyse der Position Europas im digitalen Zwillings-Ökosystem, in der Stärken, Schwächen, Chancen und Bedrohungen identifiziert werden. Darüber hinaus werden auf der Grundlage der SWOT-Analyse strategische Richtungen für Europa diskutiert, wobei die Notwendigkeit einheitlicher Strategien, erhöhter Investitionen, der Ausbildung von Arbeitskräften und verbesserter Rahmenbedingungen für die Cybersicherheit hervorgehoben wird. Das Kapitel schließt mit der Hervorhebung des Potenzials digitaler Zwillinge als unverzichtbare Schnittstelle zwischen dem digitalen und dem physischen Bereich, die neue Perspektiven für Innovation und operative Exzellenz in verschiedenen Sektoren eröffnet.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractDigital twins are emerging as a key technological enabler for Europe’s industrial future. As high-fidelity virtual replicas of physical systems, digital twins harness advances in artificial intelligence, connectivity, and the growing availability of data to enable real-time monitoring, simulation, and optimization. Their impact spans diverse domains, including manufacturing, healthcare, energy, logistics, and smart cities, playing a pivotal role in driving the green and digital transition.This chapter explores the foundational principles and strategic relevance for digital twins within the European context, with particular emphasis on the contributions of the AI, Data, and Robotics Association (ADRA). It outlines state-of-the-art technical approaches and highlights prominent use cases in this critical field. -
The Cross-Fertilization Between the Human-in-the-Loop Approach and the Explainable AI Techniques Toward Trustworthiness
- Open Access
PDF-Version jetzt herunterladenDieses Kapitel untersucht den kritischen Schnittpunkt zwischen Human-in-the-loop-Ansätzen (HITL) und erklärbaren KI-Techniken (XAI) und betont deren kombiniertes Potenzial, vertrauenswürdige, zuverlässige und ethische KI-Systeme aufzubauen. Darin werden die Vorteile und Herausforderungen der Integration von HITL und XAI untersucht und gezeigt, wie diese Ansätze die Entscheidungsfindungsprozesse und -ergebnisse im Bereich der künstlichen Intelligenz verbessern können. Das Kapitel geht der Rolle von HITL bei der Gewährleistung fairer und transparenter Entscheidungsfindung nach sowie der Bedeutung von XAI bei der Verständlichkeit und Interpretation von KI-Systemen. Es untersucht auch das Potenzial der Kombination von HITL und XAI, um Risiken wie Verzerrungen, Fehler und Halluzinationen in KI-Systemen zu minimieren. Anhand hochrangiger Einsichten und branchenspezifischer Fallstudien in den Bereichen Gesundheitswesen, Fertigung, Robotik und Energie zeigt das Kapitel, wie diese Ansätze auf reale Szenarien angewendet werden können. Das Kapitel schließt mit der Betonung der Bedeutung einer kontinuierlichen Zusammenarbeit zwischen Mensch und Maschine, die von den Prinzipien Transparenz, Rechenschaftspflicht und ethischer Verantwortung geleitet wird, um das immense Potenzial künstlicher Intelligenz zu nutzen und gleichzeitig menschliche Werte zu schützen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractOne of the primary concerns related to the AI systems regards the potential for them to perpetuate biases and discriminatory practices, since they learn from historical data that may contain inherent prejudices. The human-in-the-loop (HITL) approach has emerged as a possible solution to tackle the risks of biased decision-making and related challenges associated with AI adoption. Such an approach relies on the assumption that AI decisions and actions should be supervised and, if necessary, modified or validated by humans: the machine can learn human knowledge and experience during the loop for improving the transparency, accountability, and performance of AI systems. On the other hand, the HITL approach is helpful for adapting and reconceptualizing the users’ role, valorizing their interaction with the learning system, as well as their provision of feedback, guidance, or input when needed. Although the HITL method brings several benefits, it might also convey some challenges. These include, for instance, the potential slowing down of decision-making processes and the risk of human error. The explainable AI (XAI) techniques facilitate a more informed and efficient HITL process, including human oversight. XAI is key to adopt an effective human-centered perspective and make the process more accessible and efficient. XAI gives rise to a bidirectional communication channel between human operators and the intelligent system. The users are prioritized as the primary driver of this interactive bi-directional process: they are empowered to collaborate with the system for enhancing the effectiveness of the interaction and the outcomes of the system itself, thereby contributing to adaptability. This chapter explores the HITL approach and the XAI techniques from a double perspective—technical and ethics driven—and outlines how they can be effectively combined with automation to make all AI models and their associated results transparent and ethically sound. On the other hand, the synergic use of the HITL approach and XAI can contribute to prevent or minimize the so-called hallucination effect. Such an effect occurs when AI systems generate inaccurate or logically inconsistent responses, outcomes, or data, relying on patterns learned during training, which can lead to incorrect or far-fetched conclusions. These kinds of conclusions are not acceptable, when it comes to accountability, e.g., ethical or contractual situations, for instance, in health or manufacturing applications. The chapter also outlines the initial expected outcomes of the validation of this cross-intersection of the HITL and XAI in different domain-specific demo cases, in alignment with the AI, Data, and Robotics Partnership. Once completed, such demo cases will demonstrate how this joint action of the HITL and XAI is expected to be paramount in different scenarios in view of prioritizing the role of humans toward fairness, accountability, and trustworthiness. All the demo cases will showcase high real-world relevance. For instance, the robotics demo case will showcase real-world relevance by using wearable sensors to provide real-time feedback, enhancing safety and efficiency through effective cognitive load management. -
Generative Artificial Intelligence to Tackle Visual Data Accessibility Challenges
- Open Access
PDF-Version jetzt herunterladenDieses Kapitel untersucht das transformative Potenzial generativer KI bei der Bewältigung von Herausforderungen im Bereich der Zugänglichkeit visueller Daten, wobei der Schwerpunkt auf autonomem Fahren und medizinischer Bildgebung liegt. Es untersucht die Evolution generativer Modelle, einschließlich GANs, VAEs und Diffusionsmodelle, und ihre Rolle bei der Erstellung synthetischer Daten, um die Beschränkungen der realen Welt anzugehen. Der Text hebt den Einsatz generativer KI bei der Erweiterung und Erweiterung von Datensätzen, der Überwindung von Langzeitszenarien und der Verringerung demografischer Verzerrungen hervor. Er diskutiert auch die Risiken und gegenwärtigen Grenzen synthetischer Daten und betont die Notwendigkeit von Qualitätskontrolle und Vertrauenswürdigkeit. Das Kapitel schließt mit einer Skizze zukünftiger Forschungsrichtungen, einschließlich der Integration multimodaler Lösungen und der Entwicklung hybrider Ansätze zur generativen Modellierung. Durch die Lektüre dieses Kapitels erhalten Fachleute Einblicke in die neuesten Fortschritte bei der generativen KI und ihren Anwendungen zur Bewältigung der Herausforderungen im Bereich der Datenzugänglichkeit in verschiedenen Branchen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractDeep neural networks, the cornerstone of the modern AI revolution, had their first breakthroughs in visual tasks (e.g., object recognition). This is not a coincidence given the high interest in such capabilities across industries (e.g., autonomous driving, medical imaging). However, to train, evaluate, and improve vision networks for specific applications, one needs extensive data. Transformative advances in generative AI (GenAI) have recently made it possible to synthesize highly realistic, complex visual data. Harnessing the power of synthetic data can overcome challenges faced with real-world data (e.g., scarcity, cost) and ultimately foster more visually capable machines. Here, we offer an overview of different types of visual GenAI and examine their adoption in real-world applications. We focus on autonomous driving (AD) and medical imaging applications because of their high societal impact and unique data challenges (e.g., privacy concerns for patient data, the long-tail challenge in AD). Finally, we discuss current limitations and promising future directions. -
Hybrid Intelligence: The Fusion of Science-Based and Machine Learning Models
- Open Access
PDF-Version jetzt herunterladenHybride Intelligenz kombiniert die Stärken wissenschaftsbasierter und maschineller Lernmodelle, um Präzision und Interpretierbarkeit zu verbessern. Dieses Kapitel untersucht die Prinzipien, Methoden und Anwendungen hybrider Intelligenz und hebt dabei drei Hauptstrategien hervor: wissenschaftsgestützte ML, ML-gestützte Wissenschaft und voll integrierte Hybridsysteme. Das wissenschaftsgestützte ML integriert wissenschaftliche Beschränkungen in ML-Modelle, um physikalisch konsistente Vorhersagen zu gewährleisten, während die ML-unterstützte Wissenschaft ML verwendet, um wissenschaftsbasierte Modelle durch Parameterkalibrierung und Quantifizierung der Unsicherheit zu verbessern. Voll integrierte Hybridsysteme vereinen beide Ansätze in einem eng verknüpften Rahmenwerk und ermöglichen durchgängige Optimierung und adaptive Echtzeitregelung. Das Kapitel behandelt auch reale Anwendungen in den Bereichen Energie, Robotik, Fertigung und Gesundheit und zeigt die Vorteile hybrider Ansätze auf. Darüber hinaus befasst sie sich mit Herausforderungen und zukünftigen Richtungen und konzentriert sich auf skalierbare, interpretierbare und domänenanpassbare Hybridrahmen. Durch die Integration theoriegetriebenen Wissens mit datengetriebener Anpassungsfähigkeit eröffnet die hybride Intelligenz neue Grenzen in Bezug auf Vorhersagegenauigkeit, Robustheit und Wissensentdeckung in wissenschaftlichen und technischen Bereichen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractProcess models and parameter estimation have long been fundamental tools in domains such as manufacturing, robotics, power plants, and biotechnology. Early modeling approaches relied on complex systems of mathematical differential and algebraic equations, known as science-based models, to capture process knowledge and scientific expertise. These models leverage physical and chemical properties, static and dynamic behaviors, and causal relationships among observed quantities to support predictive control and operational optimization. As white-box models, they provide transparency by uncovering the inner logic and decision-making steps of the process. However, the advent of Industry 4.0 has brought a surge in available data from industrial processes, driving the rapid growth of machine learning (ML) models. Those models excel at discovering patterns and nonlinear relationships in data, but often they are black-box models, i.e., they lack interpretability. To combine the strengths of science-based and ML models, hybrid models have emerged as a powerful solution. By integrating the transparency and domain knowledge of science-based approaches with the adaptability and predictive capabilities of ML, hybrid models enhance accuracy, robustness, and scalability. This chapter explores the foundations of hybrid models, their development, and applications, providing a comprehensive perspective on their transformative potential across various scientific and engineering domains. This work is done in the context of the AI-DAPT EU project. -
Frugal Machine Learning for Energy-Efficient and Resource-Aware Artificial Intelligence
- Open Access
PDF-Version jetzt herunterladenSparsames maschinelles Lernen (FML) ist ein Ansatz für KI, der sich darauf konzentriert, Modelle zu entwickeln, die effektiv auf Geräten mit begrenzter Rechenleistung, Daten, Speicher und Energie funktionieren. Dieses Kapitel untersucht die Ziele von FML, zu denen die Minimierung der Datengröße, die Verringerung der Rechenlast, die Minimierung des Energieverbrauchs, die Gewährleistung der Skalierbarkeit, die Optimierung der monetären Kosten, die Verringerung der Modellgröße und der Ausgleich zwischen diesen Zielen und der Leistung gehören. Der Text diskutiert auch die Unterschiede zwischen FML und TinyML und betont, dass FML breiter und kostenorientiert ist, während TinyML auf kleine, ressourcenbeschränkte Hardware-Plattformen spezialisiert ist. Schlüsseltechnologische Fortschritte wie Modellbeschneidung, Quantisierung und Wissensdestillation werden als Methoden untersucht, um Modellgröße und Schlüssellatenz bei gleichzeitiger Wahrung der Genauigkeit zu reduzieren. Das Kapitel geht auch auf die Anwendungsfälle und Anwendungen von FML ein, darunter IoT und Edge-KI, tragbare und mobile KI, autonome Systeme und Robotik, Gesundheitswesen und medizinische KI, Umgebungsintelligenz, bandbreitenbeschränkte Systeme, eingebettete KI für Unterhaltungselektronik und Cybersicherheit. Der Text schließt mit einer Diskussion über die offenen Herausforderungen und die zukünftige Ausrichtung von FML, wobei die Notwendigkeit standardisierter Benchmarks und Evaluierungsmetriken sowie die Wichtigkeit eines Gleichgewichts zwischen Interpretationsfähigkeit und Fairness des Modells und aggressiver Optimierung betont werden.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractFrugal machine learning (FML) refers to the practice of designing machine learning (ML) models that are efficient, cost-effective, and mindful of resource constraints. This field aims to achieve acceptable performance while minimizing the use of computational resources, time, energy, and data for both training and inference. FML strategies can be broadly categorized into input frugality, learning process frugality, and model frugality, each focusing on reducing resource consumption at different stages of the ML pipeline. This chapter explores recent advancements, applications, and open challenges in FML, emphasizing its importance for smart environments that incorporate edge computing and IoT devices, which often face strict limitations in bandwidth, energy, or latency. Technological enablers such as model compression, energy-efficient hardware, and data-efficient learning techniques are discussed, along with adaptive methods including parameter regularization, knowledge distillation, and dynamic architecture design that enable incremental model updates without full retraining. Furthermore, it provides a comprehensive taxonomy of frugal methods, discusses case studies across diverse domains, and identifies future research directions to drive innovation in this evolving field.
-
-
Transformations
-
Frontmatter
-
The Role of Digital Transformation in Manufacturing Under the Light of AI Integration
- Open Access
PDF-Version jetzt herunterladenDieses Kapitel geht der transformativen Rolle der KI im digitalen Wandel des Fertigungssektors nach und zeichnet die Entwicklung von Industrie 4.0 zum sich abzeichnenden Paradigma der Industrie 5.0 nach. Sie unterstreicht den Wandel hin zu einer menschenzentrierten, widerstandsfähigen und nachhaltigen Fertigung und betont die Integration künstlicher Intelligenz mit Technologien wie IoT, Cloud Computing und digitalen Zwillingen. Der Text untersucht Schlüsselbereiche wie dynamische Planung, vorausschauende Wartung und grüne Servitisierung und zeigt, wie KI-getriebene Lösungen die betriebliche Effizienz steigern, Ausfallzeiten reduzieren und Nachhaltigkeit fördern. Fallstudien aus der realen Welt veranschaulichen die praktischen Anwendungen dieser Technologien und zeigen ihre Auswirkungen auf Produktionsplanung, Wartungsarbeiten und vorausschauende Analysen. Das Kapitel befasst sich auch mit den Herausforderungen und Chancen in dieser sich entwickelnden Landschaft und bietet Einblicke in die strategische Roadmap für den digitalen Wandel und die Rolle der politischen Entscheidungsträger bei der Unterstützung dieses Übergangs. Durch die Integration künstlicher Intelligenz mit nachhaltigen Verfahren kann der Fertigungssektor eine höhere Produktivität, geringere Umweltauswirkungen und größere Widerstandsfähigkeit erreichen und so den Weg für ein anpassungsfähigeres und zukunftsfähigeres industrielles Ökosystem ebnen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractDigital transformation in manufacturing represents a strategic evolution beyond digitization and digitalization, aiming to redefine industrial processes through the integration of intelligent technologies, such as artificial intelligence (AI). This chapter explores how the integration of AI facilitates this transformation within the frameworks of Industry 4.0 and Industry 5.0 (I5.0). While the main theme of Industry 4.0 is the promotion of automation and smart manufacturing, in I5.0, emphasis is focused on human centricity, resilience, and sustainability, emerging new challenges over traditional implementations. Through critical literature review and the presentation of real-life industrial case studies, the organizational, operational, and technological aspects of digital transformation are examined, with special attention to challenges faced by small and medium-sized enterprises (SMEs). The analysis is framed within the Technology Organization Environment (TOE) model, addressing the need for adaptable and inclusive transition strategies. Furthermore, the contribution of this chapter extends to the provision of a roadmap for AI-enabled digital maturity, promoting resilient, low-carbon, and human-aligned manufacturing systems. The discussion aligns with the priorities of the AI, Data, and Robotics Partnership and supports the strategic objectives of Europe’s digital and green transitions. -
AI-Based Management Approaches for Production Processes: Identifying Requirements for Frameworks and Architectures
- Open Access
PDF-Version jetzt herunterladenDieses Kapitel geht auf das transformative Potenzial von KI in Produktionsprozessen ein und beleuchtet den Wandel hin zu domänenspezifischen KI-Modellen für mehr Effizienz und Zuverlässigkeit. Sie adressiert zentrale Herausforderungen bei der KI-Integration, wie Datenschutz, Erklärbarkeit und die Notwendigkeit eines verlässlichen Informationszugangs. Der Text untersucht das FAIRWork-Projekt, das darauf abzielt, die Entscheidungsfindung in Produktionsumgebungen durch Zusammenarbeit in den Bereichen KI und Robotik zu demokratisieren. Außerdem wird die Rolle von Mikroservices bei der KI-Bereitstellung und die Bedeutung vertrauenswürdiger KI-Rahmenwerke diskutiert. Das Kapitel schließt mit Einblicken in die Zukunft der KI in der Industrie, wobei die Notwendigkeit standardisierter Ansätze und das Potenzial von KI-Mustern als Richtschnur für zukünftige Entwicklungen betont wird.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractAmong the most prevalent challenges for organizations is the artificial intelligence (AI) integration including process transformation and organizational complexity reflecting management obstacles. Processes exist in various formats and formalizations such as textual documentation, graphical instructions, or the like. Here, appropriate combinations of AI can be effective to increase trustworthiness, provide reliable information, and reduce users’ effort. We propose an incremental approach considering early-stage experiments, prototypes, industrial scenario demonstrations, and exploitable results to introduce AI into industry. This is showcased by the European research project FAIRWork that applies hybrid AI-based management approaches to (a) improve information access supporting maintenance and information reliability, (b) validate document compliance, and (c) assist decision-making for worker allocation and production planning. Requirements for AI frameworks and architectures are identified, and the outlook presents a recap on how hybrid AI-based management approaches may entail a wider impact on AI-supported decision-making across domains. -
Data, AI, Robotics Transformative Power in Industry 5.0
New Applications and Pilot Cases for a More Sustainable and Circular Manufacturing- Open Access
PDF-Version jetzt herunterladenDieses Kapitel untersucht das transformative Potenzial von Daten, künstlicher Intelligenz und Robotik in der Industrie 5.0 und konzentriert sich dabei auf die menschenzentrierte, widerstandsfähige und nachhaltige Fertigung. Es untersucht die Integration dieser Technologien zur Unterstützung des Twin Transition (Digital-Green) und der Umsetzung von Prinzipien der Kreislaufwirtschaft. Das Kapitel beleuchtet die Rolle digitaler Zwillinge, künstlicher Entscheidungsfindung und kollaborativer Robotik bei der Optimierung von Fertigungsprozessen, der Verbesserung des Wohlbefindens von Arbeitnehmern und der Förderung ökologischer Nachhaltigkeit. Zu den Schlüsselthemen zählen der Einsatz von Datentechnologien zur Echtzeitüberwachung und vorausschauenden Wartung, die Anwendung von KI in der Logistik und im Supply Chain Management sowie der Einsatz von Robotertechnologien für die Zusammenarbeit zwischen Mensch und Roboter. Das Kapitel stellt außerdem mehrere von der EU finanzierte Projekte wie aerOS, SM4RTENANCE und Circular TwAIn vor, die die praktische Umsetzung dieser Technologien im industriellen Umfeld demonstrieren. Diese Projekte zeigen die Vorteile datengesteuerter Entscheidungsfindung, künstlicher Automatisierung und robotergesteuerter De-Manufacturing und Re-Manufacturing-Prozesse. Das Kapitel schließt mit der Betonung der Bedeutung dieser Technologien für die Weiterentwicklung der Prinzipien von Industrie 5.0 und die Schaffung eines nachhaltigeren und kreisförmigeren Produktionsökosystems.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractIndustry 5.0 (I5.0) is an evolution of the fourth Industrial Revolution (Industrie 4.0) aiming at a more human-centric, resilient, and sustainable manufacturing. This proposed chapter aims at illustrating the decisive contribution of ADR (AI Data Robotics) technologies in the development, implementation, and demonstration of Industry 5.0 principles and in particular of its sustainable and circular manufacturing pillar. In the domain of EC-funded projects (Horizon and Digital Europe programs, HEP and DEP), several initiatives have been recently addressing the I5.0 sustainability/circularity challenge from different viewpoints: the technology perspective in HEP ADRA partnership; the application perspective in HEP, Made in Europe (MiE) partnership; and the deployment perspective in DEP initiatives such as data spaces, AI TEFs (Testing Experimentation Facilities), and EDIH (European Digital Innovation Hubs). The analysis has been conducted along three main dimensions: a Technology dimension, where data, AI, and robotics convergence is enabling unprecedented innovations regarding sustainability and circularity for EU manufacturing industries; a Project dimension, to demonstrate the fundamental role of EU-funded research-innovation-deployment actions to create, nurture, and diffuse an Industry 5.0 mindset among researchers; a Pilot dimension, where significant industrial players are showing the improvement of their global competitiveness, thanks to Industry 5.0. Main conclusions regard (1) the fundamental role in Industry 5.0 of the robotics and automation physical world and the need for edge-to-cloud data and AI continuum; (2) the confidentiality and high strategic value of the data exchanged in Industry 5.0 value networks and the need for open, secure, and interoperable data infrastructures (data spaces); and (3) the competitiveness and resilience of manufacturing supply chains as a top priority for Europe and the need for integrated ADR technologies with methods and tools for environmental impact assessment and materials-components-products circularity promotion. The BDVA (Big Data Value Association) Smart Manufacturing Industry (SMI) group is a business-technology community that studies, analyzes, and promotes the impact of data spaces, AI, and digital twins to the manufacturing industry. It encompasses more than 130 experts representing more than 60 organizations involved in dozens of EC-funded projects. The content of this chapter originates from the last years of workshops, discussions, and webinars inside the SMI group, where experts, projects, and industrial pilots actively participated in the definition of the role of ADR technologies in the several different manufacturing business processes according to Industry 5.0 principles. -
Toward the Irish Mobility Data Space: Challenges, Opportunities, and Requirements
- Open Access
PDF-Version jetzt herunterladenDas Kapitel geht auf die Komplexität des Datenaustauschs im irischen Mobilitätssektor ein und unterstreicht die Notwendigkeit eines standardisierten, vertrauenswürdigen und regulierungskonformen Rahmens. Es untersucht die aktuelle Mobilitätslandschaft, einschließlich der Dominanz privater Fahrzeuge, infrastruktureller Ungleichheiten und der dringenden Notwendigkeit innovativer Mobilitätslösungen. Die Studie identifiziert zentrale Herausforderungen wie mangelndes Vertrauen, Standardisierung und Fragmentierung, die einen effektiven Datenaustausch behindern. Er skizziert auch die Möglichkeiten von Mobility-as-a-Service (MaaS), EV-Ladesystemen und nachfrageorientiertem Transit. Das Kapitel schlägt als Lösung die Einrichtung des Irish Mobility Data Space (IMDS) vor, in dem Architektur, Governance-Rahmen und technologische Komponenten detailliert beschrieben werden. Es betont die Bedeutung der Zusammenarbeit zwischen den Interessengruppen, der Interoperabilität der Daten und der Einhaltung der europäischen Vorschriften. Die Schlussfolgerung unterstreicht das transformative Potenzial des IMDS bei der Förderung des irischen Transportökosystems und seiner Positionierung als führender Anbieter intelligenter Mobilitätslösungen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThe rapid evolution of digital technologies is transforming the transportation sector in Ireland, with Mobility-as-a-Service (MaaS) emerging as a promising solution to enhance mobility efficiency and sustainability. However, the successful implementation of MaaS in Ireland faces significant barriers, primarily due to the lack of standardized, interoperable, and secure data-sharing frameworks. The mobility data spaces (MDSs) are potential solutions that provide a trusted and secure data sharing among stakeholders, an essential foundation for integrated mobility services. Yet the development of such data spaces in the Irish context is constrained by fragmented data ecosystems, a lack of coherent governance and technical infrastructure, and limited trust among stakeholders, particularly regarding data control and usage.This chapter presents and discusses the findings from a study conducted within the MaaS4IRL (A Trusted and Interoperable Mobility-as-a-Service Ecosystem for Ireland) project (https://universityofgalway.ie/dsi/maas4irl/), funded by the Sustainable Energy Authority of Ireland (https://www.seai.ie/). The study explores the challenges, opportunities, and requirements associated with mobility data sharing in the Irish context. Drawing on the structured workshops with key public and private stakeholders, it identifies critical technical, legal, organizational, and trust-related barriers to effective mobility data exchange. Based on these findings, the study proposes the establishment of the Irish Mobility Data Space (IMDS) as a framework to facilitate secure, standardized, and trustworthy data exchange among public and private mobility stakeholders. The proposed IMDS is intended to support critical areas such as MaaS, EV charging, and infrastructure planning, contributing to a more integrated and resilient mobility ecosystem in Ireland. -
Toward a Holistic Framework for Human-AI Collaboration in Safety-Critical Systems
- Open Access
PDF-Version jetzt herunterladenDieses Kapitel befasst sich mit der Entwicklung eines ganzheitlichen Rahmens für die Zusammenarbeit zwischen Mensch und KI in sicherheitskritischen Systemen, wobei der Schwerpunkt auf Stromnetzen, Eisenbahnnetzen und Flugverkehrsmanagement liegt. Es untersucht verschiedene Methoden zur Integration menschlichen Know-hows in KI-getriebene Prozesse, zur Förderung gegenseitiger Anpassung und gemeinsamer Entscheidungsfindung. Das Rahmenwerk umfasst KI-Algorithmen, digitale Umgebungen und sozio-technische Designprinzipien, um die nahtlose Zusammenarbeit zwischen Mensch und Maschine zu verbessern. Zu den Schlüsselthemen zählen KI-Rahmenwerke für den Betrieb von Stromnetzen, das Eisenbahnverkehrsmanagement und Luftverkehrsmanagementsysteme. In diesem Kapitel wird auch die Bedeutung vertrauenswürdiger KI-Rahmenwerke, Risikomanagement und Regulierungen diskutiert. Es schließt mit einem vorgeschlagenen konzeptionellen Rahmen, der darauf abzielt, sowohl die soziale als auch die technische Dimension der Systemleistung zu verbessern und wertvolle Erkenntnisse für Fachleute auf diesem Gebiet zu bieten.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThe integration of artificial intelligence (AI) into safety-critical systems, where human operators remain central to decision-making, introduces various challenges that existing AI frameworks struggle to address comprehensively. Key concerns involve designing a socio-technical system that balances AI transparency, trust, and explainability with the imperative for robust and reliable decision-making.Presently, while numerous sector-specific solutions exist, a holistic framework that effectively integrates human expertise with AI capabilities remains absent, leaving critical gaps in system design, deployment, and oversight. This chapter proposes a multidisciplinary conceptual framework to enhance human-AI collaboration in critical infrastructures such as power grids, railways, and air traffic management. The different design steps were guided by the requirements of these industrial domains. The framework combines key design principles that support human cognition, leveraging insights from decision theory, mathematics, and specialized engineering domains to optimize AI-assisted decision-making. Furthermore, it embeds trustworthiness and risk assessment methodologies, using tools such as the Assessment List for Trustworthy Artificial Intelligence (ALTAI) tool to ensure compliance with ethical and regulatory requirements. -
CyclOps: Leveraging Semantic Technologies for AI and Data Life Cycle Management and Governance
- Open Access
PDF-Version jetzt herunterladenDas Kapitel stellt CyclOps vor, ein Rahmenwerk zur Automatisierung und Regelung des End-to-End-Daten- und KI-Lebenszyklus. Es adressiert Herausforderungen in den Bereichen Datenintegration, Qualität und Interoperabilität und bietet eine modulare, offene und leichte Lösung. Das Framework besteht aus vier miteinander verbundenen Ebenen: der Wissensschicht, der Benutzerabsichtsschicht, der Laufzeitschicht und der Interoperabilitätsschicht. Jede Ebene dient einem bestimmten Zweck und erleichtert nahtlose Arbeitsabläufe von der Datenexploration bis hin zur Governance. CyclOps nutzt semantische Technologien und Wissensdiagramme, um die Interoperabilität und Automatisierung der Daten zu verbessern. Es bietet Werkzeuge für Datenmanagement, verteilte Datenverarbeitung, KI-Tools und Interoperabilität mit Datenräumen. Das Kapitel stellt außerdem vier Anwendungsbeispiele in den Bereichen Tourismus, Klimawandel, öffentliches Beschaffungswesen und Fertigung vor, die die Vielseitigkeit und Anwendbarkeit des Rahmenwerks in verschiedenen Bereichen demonstrieren. Die Schlussfolgerung hebt das Potenzial von CyclOps hervor, die Entwicklung von KI-basierten datengestützten Anwendungen zu erleichtern, und seine laufende Entwicklung und Validierung innerhalb dieser Anwendungsfälle.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractArtificial intelligence (AI) and data-driven applications are transforming industry and research across domains. Despite research advances, the management of the AI and data life cycle in organizations remains largely manual and ad hoc. At the same time, data spaces initiatives are emerging, providing new data-sharing opportunities but posing new challenges for organizations seeking to leverage all their potential. Tackling these challenges, this chapter describes the new framework proposed by the CyclOps project, which aims to enable interoperable and trustworthy automatic management, governance, and maintenance of the entire data life cycle for large-scale volumes of data generated in heterogeneous distributed sources. This supports the development and deployment of AI-based applications across both business and research contexts. CyclOps operationalizes the end-to-end data life cycle, placing at its core knowledge graphs, an established semantic formalism to represent data and metadata adhering to the FAIR Principles, while capturing relevant information to improve reproducibility, traceability, and explainability of the AI results. This core layer is complemented with tools for the automation of data management tasks; distributed data processing; AI tools, algorithms, and models; data space interoperability; and a human-centric interface. The chapter presents the key innovative propositions of CyclOps and its underlying technologies and illustrates them through selected use cases that highlight the general applicability of the approach. -
Intelligent Underwater Perception: Current Trends and Future Directions
- Open Access
PDF-Version jetzt herunterladenDieses Kapitel geht den aktuellen Trends und zukünftigen Richtungen intelligenter Unterwasserwahrnehmung nach, einem entscheidenden Bereich für die Förderung der Unterwasserforschung und Robotik. Zunächst werden die enormen, unerforschten Tiefen der Ozeane und das wachsende Interesse an ozeanographischen Anwendungen hervorgehoben. Das Kapitel untersucht dann die Marktnachfrage nach verbesserten Unterwasser-Intelligenzsystemen, insbesondere in den Bereichen Unterwasser-Sensorik und Robotik, und das prognostizierte Wachstum des globalen Marktes für Unterwasser-Robotik. Er diskutiert die einzigartigen Herausforderungen der Unterwasserwahrnehmung, einschließlich Umweltfaktoren wie Biofouling, Korrosion und extreme Bedingungen, die robuste Sensortechnologien erfordern. Das Kapitel bietet auch einen Überblick über unbemannte Unterwasserfahrzeuge (UUVs) und ihre Kategorien, wie ferngesteuerte Fahrzeuge (ROVs) und autonome Unterwasserfahrzeuge (AUVs), sowie deren Hauptaspekte und Anwendungen. Weiterhin werden verschiedene Unterwassersensoren untersucht, darunter akustische, optische, elektromagnetische, quanten- / gravitations- und bionische Sensortechnologien, und ihre Rolle bei der Wahrnehmung unter Wasser. In diesem Kapitel werden auch aktuelle Open-Source-Unterwassersimulatoren untersucht, die für die Prüfung und Validierung neuer Sensoren und Aktormodelle unter kontrollierten Umgebungsbedingungen von entscheidender Bedeutung sind. Schließlich wird die Grenze der intelligenten Unterwasserwahrnehmung diskutiert, einschließlich des Potenzials der gegenseitigen Befruchtung mit dem Automobilsektor und der Entwicklung realistischerer und zuverlässigerer Unterwassersimulatoren. Dieses Kapitel bietet einen umfassenden Einblick in die Fortschritte und Zukunftsperspektiven intelligenter Unterwasserwahrnehmung und ist daher für Fachleute auf diesem Gebiet eine unverzichtbare Lektüre.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractUnderwater systems have witnessed an increasing demand for enhanced sensing technologies in a wide range of applications, ranging from pipes inspection and ground exploration to hull inspections and rescue operations. Meanwhile, recent technological advances in automation, robotics, and AI have set the stage for a new generation of autonomous underwater systems with increased levels of autonomy. However, compared to research on, for instance, terrestrial or aerial sensing and autonomous systems, remote underwater environments present additional unique challenges due to factors such as low-lighting conditions, constrained power resources, and limited connectivity. This chapter on intelligent underwater perception discusses an area with growing interest from both academia and industry. Building upon previous surveys, we consider state of the art from an academic and industry perspective, with the goal of bringing the views of AI, data, and sensing technologies into one overview. We find that the latest technological advancements in hardware substrates, alongside emergent AI pipelines and cross-fertilization from the neighboring automotive sector, are pointing toward a disruptive change in the underwater ecosystem and have the potential to deliver unprecedented levels of intelligence for next-generation underwater perception systems. -
Brain-to-Speech: Prosody Feature Engineering and Transformer-Based Reconstruction
- Open Access
PDF-Version jetzt herunterladenDieses Kapitel geht den Herausforderungen und Fortschritten in der Brain-to-Speech-Technologie (BTS) nach und konzentriert sich auf die Synthese natürlicher und verständlicher Sprache aus neuronaler Aktivität. Das vorgeschlagene Rahmenwerk integriert prosodiebewusste Funktionsextraktion, transformatorbasierte Spektrogrammvorhersage und iterative Rekonstruktion harmonischer Phasen, um zentrale Beschränkungen in aktuellen BTS-Systemen zu beheben. Die experimentellen Ergebnisse zeigen signifikante Verbesserungen der Sprachverständlichkeit, Natürlichkeit und spektralen Genauigkeit im Vergleich zu modernen Modellen. Das Kapitel diskutiert auch die möglichen Anwendungen dieser Technologie in der assistiven Kommunikation und die zukünftigen Forschungsrichtungen in diesem Bereich.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThis chapter presents a novel approach to brain-to-speech (BTS) synthesis from intracranial electroencephalography (iEEG) data, emphasizing prosody-aware feature engineering and advanced transformer-based models for high-fidelity speech reconstruction. Driven by the increasing interest in decoding speech directly from brain activity, this work integrates neuroscience, artificial intelligence, and signal processing to generate accurate and natural speech. We introduce a novel pipeline for extracting key prosodic features directly from complex brain iEEG signals, including intonation, pitch, and rhythm. To effectively utilize these crucial features for natural-sounding speech, we employ advanced deep learning models. Furthermore, this chapter introduces a novel transformer encoder architecture specifically designed for brain-to-speech tasks. Unlike conventional models, our architecture integrates the extracted prosodic features to significantly enhance speech reconstruction, resulting in generated speech with improved intelligibility and expressiveness. A detailed evaluation demonstrates superior performance over established baseline methods, such as traditional Griffin-Lim and CNN-based reconstruction, across both quantitative and perceptual metrics. By demonstrating these advancements in feature extraction and transformer-based learning, this chapter contributes to the growing field of AI-driven neuroprosthetics, paving the way for assistive technologies that restore communication for individuals with speech impairments. Finally, we discuss promising future research directions, including the integration of diffusion models and real-time inference systems. -
A Companion Robot Platform for Exploring Technical and Ethical Aspects in Elderly Care
- Open Access
PDF-Version jetzt herunterladenDieses Kapitel untersucht das transformative Potenzial der Integration großer Sprachmodelle (LLMs) mit der Robotik, um die Altenpflege zu revolutionieren. Es beginnt mit einer kritischen Überprüfung aktueller Roboterplattformen, die sowohl technische als auch ethische Herausforderungen aufzeigt. Im Kern des Kapitels wird eine neuartige Roboterplattform vorgestellt, die diese Aspekte untersuchen soll. Sie verfügt über fortschrittliche KI-Tools, um die Interaktion zwischen älteren Erwachsenen und Robotern zu fördern. Die Systemarchitektur ist detailliert und zeigt die Integration humanoider Roboter NAO und PEPPER in das Sprachmodell GPT-4. Das Kapitel diskutiert auch die Umsetzung verschiedener Anwendungsszenarien und die Ergebnisse der technischen Validierung und demonstriert die Effizienz und Machbarkeit der vorgeschlagenen Lösung. Ethische Überlegungen werden gründlich untersucht, wobei die Bedeutung von Vertrauen, Akzeptanz und der Einfluss von Robotern auf die Lebensqualität älterer Menschen betont wird. Künftige Forschungsrichtungen werden skizziert, wobei der Schwerpunkt auf der Verbesserung technischer Fähigkeiten und der Berücksichtigung ethischer Belange liegt. Das Kapitel schließt mit der Hervorhebung des Potenzials von Begleitrobotern zur Neudefinition der Altenpflege, zur Förderung der Unabhängigkeit und zur Verbesserung des Wohlbefindens durch interdisziplinäre Zusammenarbeit und kontinuierliche Innovation.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractLarge language models (LLMs) are driving significant advancements across various sectors. Combined with robotics, they can lay the foundation for a new paradigm in healthcare, particularly in elderly care and companionship. For years, research has focused on the concept of carebots and robot companions. The latest capabilities of LLMs and robotics promise to address many challenges regarding interaction and personalized experience faced by earlier generations of companion robots. However, the potential of these emerging technologies is accompanied by significant ethical, technical, and social challenges. This chapter presents the design of an elderly care robot that exploits the capabilities of the latest generation of LLMs and considers the ethical, technical, and social implications for improving human-robot interaction capabilities. We report the technical design of a novel robotic platform for elderly care, detailing the devised interaction scenarios, a prototype implementation with NAO and PEPPER robots, and the results of a technical validation that shows the efficiency and feasibility of our system. This study serves as a guide to identify future needs, explore the impact of companion robots on older adults, and understand acceptance of these new approaches. -
Human-Centric and Intelligent Robotics in Healthcare: Integrating IoT, AI, and Beyond
- Open Access
PDF-Version jetzt herunterladenDieses Kapitel untersucht die transformativen Auswirkungen menschenzentrierter und intelligenter Robotik im Gesundheitswesen und konzentriert sich auf die Integration von IoT, KI und Deep Learning. Es hebt die Fortschritte in der chirurgischen Robotik hervor, wie etwa das da Vinci Surgical System, das überlegene Präzision und ein reduziertes Trauma der Patienten bietet. Der Text untersucht auch die Rolle von Rehabilitationsrobotern bei der Bereitstellung personalisierter Behandlungen und dem Einsatz von IoT und Deep Learning für Echtzeit-Datenerfassung und vorausschauende Analysen. Darüber hinaus befasst sie sich mit den Herausforderungen und ethischen Überlegungen in der Gesundheitsrobotik, einschließlich Datenschutz, Interoperabilität und der Notwendigkeit standardisierter Rahmenbedingungen. Das Kapitel schließt mit zukünftigen Forschungsrichtungen und dem Potenzial dieser Technologien, das patientenorientierte Gesundheitswesen zu revolutionieren.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractSince the integration of robotics into the field of healthcare, considerable potential has arisen to transform the delivery of medical care, making services more precise, efficient, and accessible. Robotics has begun making the surgical, rehabilitation, and patient care realms its own. With the arrival of IoT and deep learning, the potential of these hybrid systems is accentuated with seamless connectivity, real-time data analysis, and intelligent decision-making. While IoT allows robotic devices to interact with other healthcare systems, deep learning enables robots to process massive datasets and learn from experience to better their performance. These two fields together are setting the stage for smarter, adaptive, and highly efficient healthcare solutions.As the demand for healthcare increases, the solutions through robotics using IoT and deep learning algorithms solve problems ranging from the lack of healthcare resources for minimally invasive procedures to the management of chronic diseases. For example, an IoT-enabled robotic system could monitor patient conditions in real time while adapting robot functions based on predictive analytics, whereas deep learning can identify patterns from more intricate datasets that lead to swifter and more accurate diagnoses. By bringing together these recently developed technologies, healthcare robotics is in for a dramatic restructuring of the generally accepted practice of medicine, whereby new solutions will emerge to enhance patient outcomes and streamline clinical workflows.
-
-
Future Directions
-
Frontmatter
-
Roadmaps and Agendas for Research and Innovation in Artificial Intelligence, Data, and Robotics
- Open Access
PDF-Version jetzt herunterladenDieses Kapitel untersucht das transformative Potenzial von künstlicher Intelligenz (KI), Daten und Robotik und betont ihre Vernetzung und die Notwendigkeit koordinierter Forschungsanstrengungen. Sie vertieft sich in zentrale Forschungsschwerpunkte wie Datenverarbeitung, Erstellung synthetischer Daten, autonome Systeme, menschenzentrierte Robotik, erklärbare KI, Edge Computing und KI-gestützte Entscheidungsunterstützungssysteme. Das Kapitel befasst sich auch mit ethischen und gesellschaftlichen Erwägungen, einschließlich Voreingenommenheit, Fairness, Rechenschaftspflicht, Robustheit, Inklusivität, Sicherheit, Haftung und Nachhaltigkeit. Es betont die Bedeutung von Politik, Regulierung und Finanzierungsstrategien sowie von Kompetenz- und Alphabetisierungsentwicklung, um den verantwortungsvollen Einsatz dieser Technologien sicherzustellen. Das Kapitel schließt mit einer Skizze zukünftiger Richtungen für KI, Daten und Robotik und betont die Notwendigkeit eines ganzheitlichen Ansatzes, der Forschung, Innovation und ethische Überlegungen in allen drei Bereichen vorantreibt. Indem sie dieser strategischen Roadmap folgen, können KI, Daten und Robotik zu integralen Enablern wirtschaftlicher Widerstandsfähigkeit, gesellschaftlichen Wohlergehens und industrieller Wettbewerbsfähigkeit werden.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractArtificial intelligence (AI), data, and robotics are transformative technologies that drive innovation across industries and address critical societal challenges. This chapter outlines priority areas, including data processing for AI, synthetic data generation, autonomous systems, human-centric robotics, and explainable, science-guided, and adaptive AI, just to name a few. It emphasizes the need for robust frameworks to ensure ethical AI development, addressing concerns around bias, fairness, and accountability. The roadmaps and agendas will highlight cross-disciplinary collaboration, leveraging synergies among AI, big data analytics, and robotics. This chapter advocates foundational research in adaptive, explainable, science-guided AI while emphasizing applied research for real-world deployment. It provides a strategic vision to align public and private sector investments, strengthen Europe’s global competitiveness, and promote trust and inclusivity in AI, data, and robotics technologies. -
The Future of Digital Twins in Europe
Emerging Trends, Strategic Foresight, and Innovation Pathways- Open Access
PDF-Version jetzt herunterladenDieses Kapitel geht auf das transformative Potenzial digitaler Zwillinge in Europa ein und beleuchtet ihre Rolle bei der Förderung des digitalen und grünen Wandels in der EU. Darin wird untersucht, wie DTs Echtzeitdaten, künstliche Intelligenz und fortschrittliche Analysen integrieren können, um anpassungsfähigere, nachhaltigere und widerstandsfähigere Infrastrukturen zu unterstützen. Der Text skizziert die zentralen Herausforderungen und strategischen Fähigkeiten, die erforderlich sind, um Europa als Vorreiter im Bereich der DT-Innovation zu positionieren, und betont die Notwendigkeit einer ethischen, nachhaltigen Regierungsführung. Sie enthält auch umsetzbare Empfehlungen zur Förderung sicherer, interoperabler und inklusiver DT-Ökosysteme. Darüber hinaus schlägt das Kapitel eine technologische Roadmap mit kurz-, mittel- und langfristigen Zielen vor, die Europas Bemühungen hin zu einer vertrauenswürdigen, wertorientierten digitalen Transformation leiten soll. Die Schlussfolgerung unterstreicht die Bedeutung koordinierter Maßnahmen auf technologischer, struktureller und strategischer Ebene, um das volle Potenzial der DTs im Einklang mit Europas umfassenderen strategischen Zielen zu nutzen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThis chapter explores the future of digital twin (DT) technologies in Europe, identifying emerging trends, strategic challenges, and innovation pathways toward 2030 and beyond. Building on the foundational work of the AI, Data and Robotics Association (ADRA) Digital Twin Topic Group, it provides a forward-looking analysis of how DTs can transform European industry and society. The chapter highlights Europe’s unique opportunity to lead in ethical, sustainable, and value-driven DT adoption, distinct from the investment-heavy approaches of global competitors. Key enablers such as AI integration, data governance, frugal computing, talent development, and regulatory alignment are discussed in depth. A multi-phase technology roadmap is proposed, outlining short-, mid-, and long-term priorities, including DTs’ convergence with mechatronics, AR/VR, and predictive intelligence. Finally, the chapter calls for coordinated European action to foster open innovation ecosystems and establish Europe as a global reference in trusted, human-centric digital twin technologies. -
Advancing Industrial Collaboration: The Next Generation of Human-Robot Interaction
- Open Access
PDF-Version jetzt herunterladenDieses Kapitel befasst sich mit den Fortschritten der Mensch-Roboter-Interaktion (HRI) in industriellen Umgebungen, wobei der Schwerpunkt auf kooperativen Robotern und KI-getriebenen Lösungen liegt. Darin wird untersucht, wie Projekte wie ARISE, JARVIS und FORTIS die Grenzen der Zusammenarbeit zwischen Mensch und Roboter erweitern und Sicherheit, Produktivität und Effizienz in der Fertigung und darüber hinaus verbessern. Der Text hebt die wichtigsten technologischen Fortschritte wie multimodale Interaktion, adaptive Intelligenz und menschenzentriertes Design hervor, die für eine nahtlose und effektive Zusammenarbeit von entscheidender Bedeutung sind. Außerdem wird die Bedeutung von Interoperabilität und Standardisierung diskutiert, um sicherzustellen, dass Robotersysteme über unterschiedliche industrielle Umgebungen hinweg kommunizieren und sich integrieren können. Das Kapitel schließt mit Einblicken in die Zukunft des HRI und betont die Notwendigkeit fortgesetzter Innovation, Standardisierung und Zusammenarbeit, um die industrielle Übernahme und Transformation voranzutreiben.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThis chapter examines the transformative impact of artificial intelligence (AI), data, and robotics on human-centric manufacturing, in alignment with the European Union’s Horizon Europe objectives of digital competitiveness and sustainability. It presents the contributions of three EU-funded projects (ARISE, FORTIS, and JARVIS) focused on advancing industrial human-robot interaction (HRI) through technological innovation and cross-sector collaboration. ARISE introduces an open-source middleware integrating FIWARE and ROS2, designed to enhance industrial interoperability, scalability, and AI-driven decision-making. The project validates its solutions through Testing and Experimentation Facilities (TEFs) and an FSTP program supporting SMEs in deploying HRI applications. FORTIS emphasizes adaptive robotic systems that enhance multimodal human-robot interaction, leveraging AI-driven cognition, digital twins, and predictive maintenance to optimize industrial workflows. JARVIS advances intuitive human-robot interaction by implementing cognitive mechatronics, AI-enhanced multi-modal interfaces for human-centric social collaboration, and advanced digital twins. The JARVIS toolset will be demonstrated in four large-scale industrial pilots across the energy, automotive, and aeronautics sectors, addressing diverse challenges in HRI for complex tasks. Together, these projects extend the frontiers of HRI, fostering safer, more efficient, and adaptable robotics solutions. By validating AI, data, and robotics integration at scale, they contribute to the evolution of Industry 5.0, ensuring that robotics systems complement human labor while promoting trust, safety, and sustainability in industrial environments. -
Human-AI Interaction and Visualization Perspectives on ADR
- Open Access
PDF-Version jetzt herunterladenDieses Kapitel geht der entscheidenden Rolle menschenzentrierter Methoden bei der Entwicklung und dem Einsatz von KI, Daten und Robotik (ADR) -Systemen nach. Zunächst werden die grundlegenden Konzepte der Mensch-Computer-Interaktion und Informationsvisualisierung skizziert und ihre Relevanz für alternative Streitbeilegung betont. Anschließend untersucht der Text drei Schlüsselthemen: Mensch-Computer-Interaktion und Visualisierung für erklärbare KI, gemeinsame Mensch-KI-Steuerung und Evaluierung für Mensch-KI-Entscheidungsunterstützungssysteme. Jedes Thema wird durch praktische Beispiele und Fallstudien veranschaulicht, die zeigen, wie menschenzentrierte Methoden die Benutzerfreundlichkeit, Transparenz und Vertrauenswürdigkeit von ADR-Systemen verbessern können. Das Kapitel schließt mit einer Diskussion zukünftiger Chancen und Herausforderungen, in der die Notwendigkeit einer interdisziplinären Zusammenarbeit und die Bedeutung gesellschaftlicher und ethischer Überlegungen hervorgehoben werden. Durch die Integration menschenzentrierter Methoden in die alternative Streitbeilegung können Forscher und Praktiker effektivere, benutzerfreundlichere und sozial verantwortlichere Technologien entwickeln.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractRecent advances in artificial intelligence (AI), data, and robotics (ADR) have pushed the boundaries of the benchmark performance of the respective methods and have already started to change the landscape in various application domains. Some of these domains are mission critical, with control activity that must match running processes. For those domains, a number of questions and challenges related to safety, robustness, and trustworthiness of AI and ADR methods and models still remain open, especially in the scenarios involving human operators. In this chapter, we provide an overview of human-centered perspectives on ADR with an emphasis on human-AI interaction, interactive visualization, and visual analytics. We explain the relationship of these fields to the related disciplines and fields, including human factors and human-computer interaction. We introduce the readers to basic concepts from these fields and discuss how the prior work fits with ADR principles, focusing on examples in visualization for explainable AI, cognitive systems engineering for joint human-AI control, and evaluation approaches for human-AI decision support systems. We argue that the techniques and frameworks proposed in these human-centered fields can and should be integrated with ADR methods.
-
- Titel
- Artificial Intelligence, Data and Robotics
- Herausgegeben von
-
Edward Curry
Philip Piatkiewicz
Fredrik Heintz
Heike Vornhagen
Ahmed Nabil Belbachir
Emanuela Girardi
Marc Schoenauer
Juha Röning
- Copyright-Jahr
- 2026
- Verlag
- Springer Nature Switzerland
- Electronic ISBN
- 978-3-032-10561-5
- Print ISBN
- 978-3-032-10560-8
- DOI
- https://doi.org/10.1007/978-3-032-10561-5
Die PDF-Dateien dieses Buches wurden gemäß dem PDF/UA-1-Standard erstellt, um die Barrierefreiheit zu verbessern. Dazu gehören Bildschirmlesegeräte, beschriebene nicht-textuelle Inhalte (Bilder, Grafiken), Lesezeichen für eine einfache Navigation, tastaturfreundliche Links und Formulare sowie durchsuchbarer und auswählbarer Text. Wir sind uns der Bedeutung von Barrierefreiheit bewusst und freuen uns über Anfragen zur Barrierefreiheit unserer Produkte. Bei Fragen oder Bedarf an Barrierefreiheit kontaktieren Sie uns bitte unter accessibilitysupport@springernature.com.
