AI-REEFSHIELD
Al-driven Robotic Ecosystem Exploration Framework for Securing Habitat Integrity and Life Diversity
Das Projekt „AI-REEFSHIELD“ zielt auf die Entwicklung eines KI-gestützten Lern- und Robotiksystems zur Überwachung mariner Renaturierungsflächen, insbesondere zur Wiederansiedlung der Europäischen Auster in der Nordsee. Durch ein autonomes Unterwasserfahrzeug (AUV), ausgestattet mit Hochleistungskameras und KI-Algorithmen, sollen großflächige Riffbereiche präzise, effizient und mit weniger menschlichem Eingreifen erfasst werden. Dies soll die bisherigen kosten- und emissionsintensiven Monitoringmethoden ablösen. Der innovative Ansatz umfasst einen erklärbaren Active-Vision-Ansatz für das gezielte autonome Monitoring und vereint somit Ansätze des maschinellen Sehens, des Reinforcement Learnings, der erklärbaren KI (XAI) sowie modellbasierte Lernverfahren. Neben Umwelt- und Klimaschutzzielen verfolgt das Projekt auch die Verbesserung der Biodiversitätsüberwachung. Das System wird im Pilotgebiet der Austernriffe im Naturschutzgebiet Borkum Riffgrund validiert und soll auf andere Umweltanwendungen übertragbar sein.
Projektdetails
Das Vorhaben AI-REEFSHIELD zielt auf die Entwicklung eines KI-gestützten robotischen Überwachungssystems für marine Ökosysteme, insbesondere im Kontext von Renaturierungsprojekten wie der Wiederansiedlung der Europäischen Auster (Ostrea edulis) in der Nordsee. Diese Austernriffe gelten als stark gefährdet und spielen eine zentrale Rolle als Kohlenstoffspeicher in flachen Küstengewässern. Durch ihre Filterleistung tragen sie zur Verbesserung der Wasserqualität bei und leisten einen wertvollen Beitrag zum natürlichen Klimaschutz.
Das Projektkonsortium besteht aus dem Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI), dem Alfred-Wegener-Institut (AWI) und der Universität Bremen. Im Fokus steht der Einsatz autonomer Unterwasserfahrzeuge (AUVs), die mit Hochleistungssensorik und KI-Algorithmen ausgestattet sind. Diese AUVs sollen großflächig Bilddaten erheben, autonom navigieren und Umgebungsbedingungen in Echtzeit analysieren, um den Zustand von Riffstrukturen kontinuierlich zu überwachen.
Zur Steuerung der AUVs wird ein Multi-Task-Reinforcement-Learning-Framework entwickelt, ergänzt durch modellbasiertes Lernen (Model-Based RL) und erklärbare KI (XAI). Die gewonnenen Bilddaten werden über Citizen-Science-Plattformen annotiert und auf offenen Datenplattformen öffentlich zugänglich gemacht.
Die Validierung des Systems erfolgt im Pilotgebiet für Austernriffe im Naturschutzgebiet Borkum Riffgrund. Die entwickelte Lösung soll kostenintensive und emissionsreiche Schiffseinsätze ersetzen und dabei helfen, empfindliche marine Lebensräume effizient und nachhaltig zu schützen. Ferner lässt sich das System leicht auf andere Umweltanwendungen übertragen – etwa zur Überwachung weiterer gefährdeter Ökosysteme oder Renaturierungsmaßnahmen.