Skip to main content Skip to main navigation

Prof. Dr.-Ing. Hendrik Wöhrle

Publikationen

Hendrik Wöhrle; Felix Schneider; Fabian Schlenke; Denis Lebold; Mariela De Lucas Alvarez; Frank Kirchner; Michael Karagounis

In: IEEE Transactions on Circuits and Systems I: Regular Papers, Vol. 70, No. 1, Pages 40-53, IEEE, 1/2023.

Zur Publikation

Felix Wiebe; Shivesh Kumar; Daniel Harnack; Malte Langosz; Hendrik Wöhrle; Frank Kirchner

In: William Holderbaum; J. M. Selig (Hrsg.). 2nd IMA Conference on Mathematics of Robotics. IMA Conference on Mathematics of Robotics (IMA-2022), September 8-10, London, United Kingdom, Springer Proceedings in Advanced Robotics, ISBN 9783030913519, Springer International Publishing, 1/2022.

Zur Publikation

Hendrik Wöhrle; Mariela De Lucas Alvarez; Fabian Schlenke; Alexander Walsemann; Michael Karagounis; Frank Kirchner (Hrsg.)

IEEE International Midwest Symposium on Circuits and Systems (MWSCAS-2021), August 9-11, USA, IEEE, 8/2021.

Zur Publikation

Profil

Kurzbiografie

Prof. Dr.-Ing. Hendrik Wöhrle studierte Bioinformatik sowie Elektro- und Informationstechnik an der Freien Universität Berlin und der Fernuniversität in Hagen. Nach Tätigkeit in der Industrie als Software-Entwickler für Signalverarbeitung und numerische Algorithmen im Bereich der Biosignalanalyse wechselte er an das Robotics Innovation Center des Deutschen Forschungszentrums für Künstliche Intelligenz, wo er sich mit Signalverarbeitung und maschinelles Lernen für Brain Computer Interfaces, Datenfluss-Architekturen für rekonfigurierbare Hardware und Rehabilitationsrobotik befasste. 2017 promovierte er in der Informatik über anwendungsspezifische Rechnerarchitekturen für die Künstliche Intelligenz an der Universität Bremen. Seit 2019 ist er Professor für Intelligente Autonome Sensor- und Aktor-Systeme an der Fachhochschule Dortmund. Seine aktuellen Forschungsgebiete sind die Entwicklung von effizienten und energiesparsamen Rechnerarchitekturen für das maschinelle Lernen in miniaturisierten und eingebetteten Systemen, Robotik und Biomedizintechnik. Für den Entwurf und die Optimierung dieser Systeme kommen wiederum maschinelle Lernverfahren zum Einsatz. Seine Forschung beschäftigt sich ebenfalls mit der umgekehrten Perspektive, d.h. die Entwicklung und Anwendung von maschinellen Lernverfahren für die Optimierung von Signalverarbeitungsystemen, für Anwendungen im Bereich des Internets der Dinge und für den Entwurf von spezialisierten bzw. domänen- und anwendungsspezifischen Hardwarearchitekturen für maschinelles Lernen und Robotik.

  • Q-Rock

    Q-Rock - Modellbasierte Bestimmung und Validierung von wiederverwendbaren und übertragbaren Roboterverhalten.

    Das Ziel: Roboter lernen aus ihrer Hardware heraus ihre Fähigkeiten und im Zusammenspiel mit dem Menschen deliberatives Verhalten. Es gibt eine bidirektionale Abbildung von Hardware und Verhalten. Die…

    Q-Rock