Annika Hagemann

Mich fasziniert, dass das Sehen für Menschen so einfach erscheint – die Umsetzung durch Algorithmen jedoch eine enorm hohe Komplexität mit sich bringt.

Ich bin Forschungsingenieurin am Bosch Computer Vision Lab und beschäftige mich mit 3D maschinellem Sehen, Deep Learning und Kamerakalibrierung. Ursprünglich habe ich Physik mit Fokus auf komplexen und neuronalen Systemen studiert, und 2020 mit Forschung im Bereich des maschinellen Sehens begonnen. Ziel unserer Forschung ist es, neue Algorithmen zu finden, die eine kamerabasierte 3D-Wahrnehmung ermöglichen – zum Beispiel für automatisiertes Fahren und Robotik.

Ausgewählte Publikationen

Erzählen Sie doch mal: was fasziniert Sie an der Forschung?
Bei unserer Forschung geht es darum, neue Algorithmen zu finden, die es Maschinen ermöglichen, ihre Umgebung zu „sehen“. Was mich fasziniert, ist, dass das Sehen für Menschen so einfach erscheint – die algorithmische Umsetzung jedoch eine enorm hohe Komplexität mit sich bringt. Obwohl die Fortschritte der letzten paar Jahre beeindruckend waren, gibt es immer noch so viele offene Fragen, die spannend zu untersuchen sind.

Was macht die Forschung bei Bosch besonders?
Die Verbindung von Forschung und praktischer Anwendung. Unsere Forschungsthemen haben meist einen klaren praktischen Hintergrund und es ist motivierend zu wissen, dass unsere Erkenntnisse in Zukunft von anderen genutzt werden können. Gleichzeitig können wir in völlig neue Themen eintauchen, die nicht immer direkt anwendbar sind, aber die Grundlage für zukünftige Anwendungen liefern könnten.

Woran forschen Sie bei Bosch?
Mein aktueller Forschungsschwerpunkt liegt im 3D maschinellen Sehen. Unser Ziel ist es, basierend auf Kameras eine hochgenaue 3D Umfeldwahrnehmung zu ermöglichen, um beispielsweise beim automatisierten Fahren Entfernungen zu anderen Objekten messen zu können. Ein konkretes Problem ist dabei beispielswiese die Kalibrierung, da 3D Umfeldwahrnehmung ein exaktes mathematisches Modell für die Projektion der Kamera erfordert. Daher entwickeln wir unter anderem Algorithmen, um hochgenaue Kalibrierung zu erzielen, und diese Genauigkeit auch während der Anwendung sicherzustellen.

Was sind die größten wissenschaftlichen Herausforderungen in Ihrem Forschungsfeld?
Eine der seit langem bestehenden Herausforderungen ist die Entwicklung zuverlässiger Algorithmen zur Kamera-Selbstkalibrierung, wobei Projektionsmodelle präzise während der Anwendung bestimmt werden sollen. Das ist wichtig, weil sich Kameraeigenschaften im Laufe der Zeit ändern können, was zu sicherheitskritischen Fehlern führen könnte. Im Gegensatz zu klassischen Kalibrieransätzen kann sich die Selbstkalibrierung nicht auf bekannte 3D-Strukturen stützen. Daher untersuchen wir Ansätze, die Deep Learning mit geometrischen Bedingungen verbinden.

Wie werden Ihre Forschungsergebnisse zu „Technik fürs Leben“?
Eine genaue Wahrnehmung der Umgebung ist nicht nur für automatisiertes Fahren unerlässlich, sondern auch für intelligente Roboter mit Anwendungen in verschiedensten Bereichen unseres Lebens. Indem wir Methoden zur Sicherstellung hochgenauer Kalibrierungen entwickeln, tragen wir zur Genauigkeit und Sicherheit dieser Systeme bei.