Student Publications / studentische Publikationen https://hdl.handle.net/20.500.12738/5 2026-06-22T08:10:20Z 2026-06-22T08:10:20Z Rastagar, Shabir https://hdl.handle.net/20.500.12738/19455 2026-06-21T00:11:54Z 2026-06-19T07:47:27Z

Title: Deep Reinforcement Learning und Bildverarbeitung zur generalisierbaren Steuerung physischer Labyrinthe Authors: Rastagar, Shabir Abstract: Diese Arbeit untersucht einen Reinforcement-Learning-Ansatz zur autonomen Steuerung eines physischen Kugellabyrinths. Ziel ist es, dass ein lernfähiger Agent eine Kugel über verschiedene Labyrinthmuster hinweg selbstständig vom Start- zum Zielpunkt navigiert. Aufbauend auf einem bestehenden Demonstrator wird ein kamerabasiertes Bildverarbeitungssystem genutzt, um den Systemzustand zu erfassen und als Eingabe für das lernbasierte Steuerungsverfahren bereitzustellen. Ein besonderer Fokus liegt auf dem Sim-to-Real-Transfer der trainierten Agenten.; This thesis investigates a reinforcement learning approach for the autonomous control of a physical marble maze. The goal is for a learning agent to independently navigate a ball from the start to the goal across various maze patterns. Building on an existing demonstrator, a camera-based image processing system is used to capture the system state and provide it as input to the learning-based control method. A particular focus lies on the sim-to-real transfer of the trained agents.

2026-06-19T07:47:27Z Rittmeister, Lars https://hdl.handle.net/20.500.12738/19454 2026-06-21T00:11:48Z 2026-06-19T07:31:40Z

Title: Aktualisierung und Modernisierung einesWorkshopkonzeptes zur digitalen Transformation Authors: Rittmeister, Lars Abstract: Diese Bachelorarbeit befasst sich mit einem Workshop, welcher Organisationen bei der digitalen Transformation unterstützen soll. Dafür werden die Digitalisierung, digitale Transformation, als auch die Didaktik und Methodik von Workshops vorgestellt. In der Arbeit wird ein Vergleich von standardisierten Abläufen dieser Gebiete zu dem Ablauf des vorliegenden Workshops gezogen. Mit Hilfe des Vergleichs werden Stärken und Schwächen des Workshops herausgearbeitet und im Abschluss der Arbeit versucht zu lösen. Dabei wird sowohl auf äußerliche Rahmenbedingungen als auch explizite Inhalte des Workshops eingegangen. Zudem werden die Inspirationskarten, diese sollen Technologien für die Teilnehmenden einfach darstellen, aktualisiert und Hinweise für zukünftige Aktualisierungen werden gegeben. Das Konzept dieser Karten wird zudem noch erweitert.; This bachelor thesis deals with a workshop designed to support organizations in their digital transformation. To this purpose, digitalization, digital transformation, as well as the didactics and methodology of workshops are presented. In the thesis, a comparison is made between standardized procedures in these areas and the procedure of this workshop. The comparison is used to identify the strengths and weaknesses of the workshop and an attempt is made to resolve them at the end of the work. Both the external parameters and the explicit content of the workshop are addressed. In addition the inspiration cards, which are intended to present technologies in a simple way for the participants are brought up to date and information for future updates will be provided. The concept of these cards will also be expanded.

2026-06-19T07:31:40Z Riefer, Philipp https://hdl.handle.net/20.500.12738/19453 2026-06-21T00:11:51Z 2026-06-19T07:14:11Z

Title: Verbesserung kontextbasierter KI-Tutoren im Hochschulbereich : Einsatz von Large Language Models zur Erkennung von Benutzerintentionen und Wissenslücken Authors: Riefer, Philipp Abstract: Diese Bachelorarbeit beschreibt die Entwicklung eines Prototyps für einen KI-basierten Tutor, der auf einem lokal betriebenen Large Language Model (LLM) aufsetzt und um eine automatische Skill-Erkennung sowie Bayesian Knowledge Tracing (BKT) erweitert wurde. Ziel war es, den Wissensstand von Studierenden während der Interaktion abzuschätzen und adaptiv darauf zu reagieren.; This bachelor thesis presents the development of a prototype for an AI-based tutoring system built on a locally hosted Large Language Model (LLM) and extended with automatic skill detection and Bayesian Knowledge Tracing (BKT). The aim was to estimate students’ knowledge states during interaction and adaptively respond to them.

2026-06-19T07:14:11Z Demski, Paul https://hdl.handle.net/20.500.12738/19452 2026-06-21T00:11:53Z 2026-06-19T06:55:53Z

Title: Kamerabasierte Lokalisierung durch Merkmalserkennung in Straßenumgebungen für die Miniaturautonomie Authors: Demski, Paul Abstract: Die Selbstlokalisierung in Bereichen wie Augmented Reality, Robotik oder autonomes Fahren gewinnt zunehmend an Bedeutung. Oftmals ist eine Lokalisierung mittels Positionierungssystemen nicht möglich oder zu ungenau. In dieser Arbeit wird die kamerabasierte Lokalisierung mittels eines Klassifikationsmodells, spezifisch YOLOv8, im Bereich der Miniaturautonomie untersucht. Als Testumgebung wurde das Mikrowunderland der HAW Hamburg verwendet, da es eine Vielzahl von Straßenumgebungsmerkmalen abbildet. Es wurde untersucht, wie genau das Modell seine Position auf der Strecke vorhersagen kann und wie viele Bilder pro Klasse benötigt werden. Es wurde auch analysiert, was das Modell sieht und was die Gründe für eine falsche Vorhersage sind. Es stellte sich heraus, dass bereits eine geringe Anzahl von Bildern im Training eine Vorhersagegenauigkeit von 2 Zentimetern liefern kann. Falsche Klassifizierungen waren in den meisten Fällen auf eine fehlerhafte Aufnahme der Bilder zurückzuführen und nicht auf die Fähigkeit des Modells, Unterschiede richtig zu erkennen.; Self-localization is becoming increasingly important in areas such as augmented reality, robotics and autonomous driving. Localization using positioning systems is often not possible or too imprecise. In this thesis, camera-based localization using a classification model, specifically YOLOv8, is investigated in the field of miniature autonomy. The HAW Hamburg’s Mikrowunderland was used as a test environment, as it depicts a large number of road environment features. It was investigated how accurately the model can predict its position on the route and how many images are required per class. It was also analyzed what the model sees and what the reasons for an incorrect prediction are. It turned out that even a small number of images in training can provide a prediction accuracy of 2 centimeters. In most cases, incorrect classifications were due to incorrect image acquisition and not to the model’s ability to correctly recognize differences.

2026-06-19T06:55:53Z