Im Auftrag des Landes Hessen unterstützt das House of Logistics & Mobility, HOLM, von 2021 bis 2023 sechs Entwicklungsprojekte. Unterstützt werden dabei Forschungs- und Entwicklungsvorhaben sowie Innovationen im Bereich Logistik und Mobilität der Zukunft. Gleichzeitig müssen sie sich mit Grundlagenforschung, industrieller Forschung oder experimenteller Entwicklung befassen. Die Zuwendung beträgt maximal 250.000 Euro pro Projekt.
Seit 2014 unterstützt die Innovationsförderung der House of Logistics and Mobility, HOLM, im Auftrag des Landes Hessen Projektvorhaben in den Bereichen Logistik und Mobilität. Die Förderung richtet sich an Hochschulen und Kooperationen aus Hochschulen und Unternehmen. Bis heute wurden bereits 180 Projektskizzen eingereicht. Rund 70 davon bekamen Förderungen mit einem Volumen von 5,4 Millionen Euro. Nun stehen die Vorhaben für die Periode 2021–2023 fest. Insgesamt sechs Innovationsprojekte von sechs beteiligten Hochschulen haben den Zuschlag für den neuen Förderzeitraum erhalten.
RadEffekt
„RadEffekt – Routenwahl und Emissionsreduktionspotenziale von Radvermietsystemen“ der Hochschule RheinMain verfolgt das Ziel, Daten zur Nutzung und den Potenzialen öffentlicher Fahrradverleihsysteme (ÖFVS) zu erheben, daraus Parameter zur Berücksichtigung in Verkehrsnachfragemodellen abzuleiten und eine Berechnungsgrundlage zur Beurteilung der Umweltbilanz und Nachhaltigkeitswirkung von ÖFVS zu schaffen.
AI Lab TRUST
„AI Lab TRUST. Mensch-KI-Systeme: Interaktionsgestaltung für Interieurs autonomer Fahrsysteme im ÖV“ Interaktionsgestaltung für Interieurs autonomer Fahrsysteme im ÖV“ ist ein Projekt der Hochschule für Gestaltung Offenbach in Kooperation mit der Goethe-Universität Frankfurt und dem Center For Cognition and Computation. Bei dem Projekt geht es in erster Linie um das Thema Vertrauen in der Interaktion zwischen Mensch und Künstlicher Intelligenz (KI), das bei der Nutzung von autonomen Transportsystemen im öffentlichen Verkehr eine zentrale Rolle für deren Akzeptanz spielt.
EmotDes
„EmotDes – Nutzerzentrierte Gestaltungsstrategien und emotive Einflussfaktoren“ ist ein Projekt der Hochschule für Gestaltung Offenbach in Kooperation mit der Goethe-Universität Frankfurt und dem Institut für Psychologie. Mithilfe von Virtual-Reality-Simulationen von S-Bahn-Stationen werden psycho-physiologische Parameter von Probanden in einer Wartesituation erfasst. Auf diese Weise lässt sich untersuchen, inwiefern sich Gestaltungsentscheidungen wie Lichtführung, Objektpositionierung und Oberflächengestaltung emotional auf Nutzende auswirken.
BioDroneSwarm
„BioDroneSwarm – Autonome Prüfung von kritischer Infrastruktur anhand von bioinspirierter Schwarmtechniken“ ist ein Projekt der Technischen Universität Darmstadt. Dessen Ziel ist die Durchführung von Grundlagenforschung im Bereich der bio-inspirierten Schwarm-Techniken mit zukünftigem Anwendungskontext der digitalen Vernetzung autonomer Systeme zur effizienten, autonomen Erfassung dreidimensionaler Zielobjekte und Umgebungsszenen durch einen Schwarm von Mikro-Quadrocoptern.
ClusterMobil
„ClusterMobil – Clustering von Kfz-Mobilitätsströmen mit Hilfe von Maschinellem Lernen“ ist ein Projekt der Frankfurt University of Applied Sciences. Es zielt darauf ab, Mobilitätsmuster mithilfe eines adaptiven Algorithmus-Modells basierend auf der Verschneidung von GPS[1]Verkehrsstromdaten und georäumlichen Informationen aus OpenStreetMap, auszuwerten. Das Modell soll zukünftig dabei helfen, Maßnahmen der Verkehrsplanung zielgerichteter zu gestalten.
InStaLog
„InStaLog – Intelligentes Stammdatenmanagement für die Logistik“ ist ein Projekt der Universität Siegen. Zur Planung und Steuerung logistischer Prozesse in produzierenden Unternehmen sind maßgeblich die Stammdaten aus dem Enterprise Resource Planning (ERP)-System relevant. Diese werden auch heute noch mit großem manuellem Aufwand angelegt und gepflegt, wobei die hohe Komplexität meist zu einer unvollständigen und fehlerbehafteten Pflege führt. Das übergeordnete Projektziel ist es, zu evaluieren, ob und in welcher Form die Anlage und Pflege von Stammdaten durch Machine Learning automatisiert werden kann.
