Standort entscheidet
Fallstudie: libgeo2pixel
Die Bibliothek libgeo2pixel enthält alle nötigen Referenz‑ und Koordinatensysteme sowie die drei Geolokalisierungs‑Algorithmen (Ray‑Marching, Ray‑Intersection, Gradient‑Descent). Sie ist in C geschrieben, sehr schnell und leicht zu portieren. Rotationen werden nur mit Quaternionen berechnet, sodass sie sich gut für Echtzeit‑Anwendungen eignen. Als einzige Abhängigkeiten gibt es die C‑Standardbibliothek und ein Interface zum gdalinfo-Tool, das DEM‑Daten (Geländemodelle) liest; sonst ist die Bibliothek komplett eigenständig. Damit kann sie auf Smartphones, Drohnen oder anderen Geräten verwendet werden.
CamTraps 2024 Paper
Fallstudie: Perceptomat
Der Videostream einer Drohne wird in Echtzeit von einer KI-gestützten Software analysiert. Über Prompt‑gestützte Objekterkennung werden potentielle Indikatoren (z. B. bestimmte Objekte, Spuren oder Muster) definiert. Identifizierte Indikatoren werden auf geographisch verortet und mit einem vorgelagerten kausalen Risikomodell (Riskomat) in Relation gebracht, um komplexe Szenarien zu erkennen, z.B. wenn Indikatoren für sich alleine unbedenklich sind, aber im räumlichen Zusammenspiel die Bedrohung steigt. Das System arbeitet ausschließlich mit handelsüblicher Hardware und verzichtet auf teure Spezialsensoren. Anwendungsfelder sind beispielsweise in Blaulichtorganisationen zu finden.
Präsentation: Geolokalisierung von Objekten (IKT Sicherheitskonferenz 2025)
Fallstudie: Gridomat (laufend)
Gridomat ist eine autarke, webbasierte Plattform, die Video‑Streams mehrerer Drohnen simultan verarbeitet. Im Gegensatz zu Perceptomat's Einzel‑Drohnen‑System aggregiert die Plattform Daten in Echtzeit, wendet dieselbe prompt‑gestützte Objekterkennung an und sammelt Belege für das kausale Risikomodell (Riskomat). Durch parallele Analyse entsteht ein umfassenderes Situationsbild, das schnelle, evidenzbasierte Risiko‑ und Räumungsentscheidungen ermöglicht. Die Lösung läuft komplett im Browser, benötigt keine spezielle Infrastruktur und skaliert flexibel mit der Anzahl verbundener Drohnen.
Fallstudie: jlens-agent
Der Prototyp jlens-agent ist eine Konzeptstudie für die Anwendung von Jacobian Lens (Anthropic, Juli 2026) als Introspektionsmethode für ein Large Language Model (LLM). In Kombination mit einem kausalen Modell in Riskomat versuchen wir damit, die Absichten eines KI-Agenten zu erkennen, zu unterbrechen und gegebenenfalls zu eskalieren, bevor sie ausgeführt werden. Aus einer vorgegebenen Policy werden zwei Sensoren generiert, die Jacobian-Lens-Daten verarbeiten und Alarme erzeugen. Die semantische Analyse von Alarmen wird durch ein zweites LLM durchgeführt. Im Falle einer Detektion wird der Alarm an das kausale Risiko- und Entscheidungsmodell in Riskomat propagiert.
Präsentation: Präkognition für KI-Agenten: Lassen sich gefährliche Absichten erkennen und stoppen? Youtube: Demo jlens-agent (IKT 2026)