OPPORTUNITY greift die ganz wesentlichen methodischen Grundlagen eines jeden Ambient Intelligence (AmI) Szenarios auf: das Erkennen (und Verstehen) von Kontext und Aktivität.

Es fehlen Methoden, um kontextabhängige Systeme zu entwerfen:
(1) die über lange Zeiträume hinweg trotz Änderungen in der Erfassungsinfrastruktur (Sensorausfälle, Degradation) funktionieren; (2) die dem Benutzer die Freiheit geben, die Platzierung von Wearables zu ändern; (3) die ohne benutzerspezifisches Training eingesetzt werden können. Dies schränkt den Einsatz von AmI-Systemen in der realen Welt ein.

Wir entwickeln opportunistische Systeme, die trotz fehlender statischer Annahmen über Sensorverfügbarkeit und -eigenschaften komplexe Aktivitäten/Kontexte erkennen. Sie basieren auf zielorientierten Sensoranordnungen, die spontan entstehen und sich selbst organisieren, um ein gemeinsames Aktivitäts-/Kontexterkennungsziel zu erreichen. Sie sind verkörpert und situiert und verlassen sich auf selbstüberwachtes Lernen, um einen autonomen Betrieb zu erreichen. Sie nutzen die verfügbaren Ressourcen optimal aus und arbeiten trotz - oder dank - Veränderungen in der Erfassungsumgebung weiter. Änderungen umfassen z.B. Platzierung, Modalität, Sensorparameter und können zur Laufzeit auftreten.

Vier Gruppen tragen zu diesem Ziel bei. Sie entwickeln: (1) intermediäre Merkmale, die den Einfluss der Variabilität von Sensorparametern reduzieren und die Erkennungskette von Sensorspezifika isolieren; (2) Klassifikator- und Klassifikatorfusionsmethoden, die für opportunistische Systeme geeignet sind und in der Lage sind, neues Wissen online zu integrieren, ihre eigene Leistung zu überwachen und dynamisch die am besten geeigneten Informationsquellen auszuwählen; (3) unüberwachte dynamische Adaption und autonome Evolutionsprinzipien, um mit kurzfristigen Änderungen und langfristigen Trends in der Sensorinfrastruktur zurechtzukommen; (4) zielorientierte kooperative Sensorensembles, um opportunistisch Daten über den Benutzer und seine Umgebung auf skalierbare Weise zu sammeln.

Die Methoden werden in komplexen opportunistischen Aktivitätserkennungsszenarien und an robusten opportunistischen EEG-basierten BCI-Systemen demonstriert.