Fortschritte in der künstlichen Intelligenz haben zur Entwicklung autonomer Agenten (Autos, Boote, Drohnen) geführt, die in einer dynamischen, offenen Umgebung agieren. Wie durch öffentlichkeits\-wirk\-same Unfälle deutlich wurde, bleibt es eine große Herausforderung, deren Sicherheit zu gewährleisten. In diesem Projekt schlagen wir eine zertifizierbare Sicherheitsebene vor, die Entscheidungen im Voraus überwacht und korrigiert. Der Ansatz basiert auf mathematisch rigorosen Techniken aus den formalen Methoden, einer Disziplin der Informatik, die in der Software-Industrie fest etabliert ist und auch in anderen Bereichen, wie z.B. bei cyber-physischen Systemen, immer mehr an Bedeutung gewinnt. Diese Überwachung verhindert nicht nur Unfälle, sondern führt auch zu schnelleren und sichereren Trainingszyklen, da sie zusätzliche Trainingsdaten aus automatisch generierten Familien von kritischen Trajektorien generieren kann. Verwandte Ansätze verwenden Optimierungsverfahren, die aufgrund von Erfüllbarkeitsproblemen, numerischen Fehlern oder hohen Rechenkosten möglicherweise keine gültige Lösung liefern. Im Gegensatz dazu kann unser Ansatz sowohl mathematisch als auch numerisch korrekt und mit vorhersagbaren, niedrigen Laufzeiten implementiert werden. Wir vergleichen unseren Ansatz mit verwandten State-of-the-Art-Ansätzen aus der modellprädiktiven Steuerung und der datenbasierten Vorhersage, indem wir rigorose statistische Tests an realen Systemen durchführen - darunter zwei verschiedene Arten von autonomen Autos, ein Boot und ein Manipulator. Um den Ansatz für zukünftige Generationen von Systemen zugänglich zu machen, bei denen es zunehmend schwieriger wird, Modelle zu erhalten, werden wir untersuchen, inwieweit datenbasierte Ansätze integriert werden können, ohne die Sicherheit und Leistung zu beeinträchtigen. Das vorgeschlagene dreijährige Programm ermöglicht es ENSTA und TUM, ihre wissenschaftliche Expertise und experimentellen Plattformen zu teilen und eine langfristige Zusammenarbeit auf Basis einer gemeinsamen Strategie für vertrauenswürdige Autonomie aufzubauen.

Observing the oceans in coastal and deep offshore zones nowadays relies on coordinated deployments of multiple types of platforms equipped with multiple types of sensors. The ‘multiplatform’ approach is now recognized as the most relevant and cost-effective way to fully describe spatial and temporal oceanic variability for the needs of marine research, ocean observing systems (OOSs) and for the blue economy. Observing and monitoring biological communities (from plankton to fish) is still very challenging, but it is essential to unveil complex ecological processes and ultimately allow adequate marine environmental protection measures and a sustainable exploitation of the ocean. Underwater gliders equipped with novel optical and acoustic imaging sensors have a significant potential to collect and deliver ecosystem data, in particular in extreme environments like the Arctic ocean. Most of the technological building blocks to meet this challenge are available: extremely low power sensors, gliders and software for control and analyses, such as artificial intelligence (AI) algorithms, have been integrated and operated in coordination with other observing platforms, and open new perspectives for comprehensive observations in coastal and deep seas. BIOGLIDER addresses this scientific and technological challenge with an innovative and unique 'bio glider' integrated solution. Three smart devices, a vision profiler, a scientific echosounder and an acoustic modem will be integrated on commerciallyavailable gliders to provide a ‘smart’ service for zooplankton and fish ecology applications. It will be tested in Nordic seas and the Arctic ocean, meeting the needs of a wide range of customers, from research to the energy and fishery sectors. BIOGLIDER will develop this innovative marine technology expertise in Europe through a strong, organized public-private collaboration, leading to the only commercialized solution for a glider-based ecosystem payload available worldwide.