LOAD-ENCODE will Belastungsdaten aus Fahrzeugflotten so verdichten, dass Entwicklung und Erprobung ihre Auslegungs- und Testentscheidungen mit nachprüfbarer Herkunft treffen. Die Rohdaten bleiben dabei beim Dateninhaber.
Geplantes Verbundvorhaben zu domänenspezifischer KI für Auslegung und Absicherung landgebundener Fahrzeuge. Antragskoordination: Hochschule Esslingen.
Ihre Ansprechperson: Philip Döbler · philip.doebler@hs-esslingen.de
LOAD-ENCODE will Belastungsdaten aus Fahrzeugflotten so verdichten, dass Entwicklung und Erprobung ihre Auslegungs- und Testentscheidungen mit nachprüfbarer Herkunft treffen. Die Rohdaten bleiben dabei beim Dateninhaber.
Geplantes Verbundvorhaben zu domänenspezifischer KI für Auslegung und Absicherung landgebundener Fahrzeuge. Antragskoordination: Hochschule Esslingen.
Ihre Ansprechperson: Philip Döbler · philip.doebler@hs-esslingen.de
Im geplanten Verbund
Problem
Annahme, die das Vorhaben prüft: Je genauer die Nutzung bekannt ist, desto kleiner kann die Reserve ausfallen.
SchemaDie Beanspruchung, die ein Bauteil in der Kundennutzung erfährt, muss mit Abstand unter dem bleiben, was Werkstoff und Bauteil ertragen (Li et al., 2024). Die Belastbarkeit lässt sich im Labor gut bestimmen. Die Last hängt dagegen von Fahrweise, Fahrzeug und Umgebung ab und ist beim Auslegen nur ungenau bekannt. Diese Unsicherheit deckt ein Sicherheitsfaktor ab.
Wer die Nutzung nicht genau kennt, muss den Sicherheitsfaktor groß wählen und legt das Bauteil schwerer und teurer aus als nötig. LOAD-ENCODE geht von der Annahme aus, dass der Zuschlag kleiner ausfallen kann, wenn die Nutzung genauer bekannt ist, und prüft diese Annahme an realen Fällen.
An Daten über die Nutzung fehlt es selten. Steuergeräte und Erprobung zählen jede Belastungsgröße heute aber meist für sich, etwa zu Rainflow-Matrizen. Dabei geht verloren, welche Lasten gemeinsam auftreten und in welcher Folge. Zudem liegen die Daten verteilt bei mehreren Inhabern, und seltene, auslegungsrelevante Kombinationen sind darin schwach besetzt.
In einer Auswertung von Kundenkollektiven, die Steuergeräte selbst zählen, lagen rund 95 Prozent des Fahrbetriebs unter 130 km/h und zwischen −2 und 2 m/s²; Antriebe sind dennoch oft für seltene Spitzen ausgelegt (Mieth et al., 2022). In einem untersuchten Industriefall werden von 20 bis 30 Varianten eines Produkts drei bis vier gebaut und erprobt, und Zuverlässigkeitstests dauern Monate (Tahera et al., 2019). Eine bezifferte Einsparung durch kleinere Reserven nennt keine der zitierten Quellen; sie ist die Hypothese, die das Vorhaben prüft.
Problem
Was eine genauer beschriebene Nutzung wert ist, zeigt sich an drei Fragen, die Entwicklung und Erprobung heute meist mit Erfahrung und pauschalem Zuschlag beantworten.
Data-Driven EngineeringDie Antworten sollen sich auf die gemessene Nutzung der Flotte stützen statt auf einen pauschalen Zuschlag.
Je Erprobungslinie wird eine dieser Fragen zur Aufgabe, an der das Vorhaben seinen Nutzen misst. Vorab wird festgelegt, woran der Vorteil an zurückgehaltenen realen Fällen gemessen wird und ab welchem Gewinn sich die Entscheidung ändert; bleibt der Gewinn aus, gilt das heutige Verfahren weiter.
Ausgedachtes Beispiel, kein Ergebnis des Vorhabens.
Frage der Auslegung: „Welche Kühlleistung genügt dem gewählten Anteil unserer Kunden in jeder Nutzungsgruppe?“
Antwort: „Das Werkzeug Dimensionierung rechnet je Nutzungsgruppe mit dem Repräsentativkunden für den gewählten Anteil und gibt die Kühlleistung mit Vertrauensbereich aus. Ob der Sicherheitsfaktor kleiner ausfallen kann, entscheiden Sie.“
Nachweis: Datenbasis freigegebenes Teilprofil · geprüfte Modellversion · Unsicherheit als Intervall · gilt nur für erfasste Größen.
„Welche Nutzungsgruppen gibt es in unserer Flotte, und welche Varianten brauchen wir dafür?“
Märkte werden oft nach Ländern und Klima eingeteilt, Varianten nach Erfahrung.
Gruppen ähnlicher Nutzung bilden sich aus den Datensätzen der Flotte, und jede Gruppe erhält einen synthetischen Repräsentativkunden. Ob daraus eine Variante wird, entscheidet weiter die Fachabteilung.
„Welche Auslegung genügt einem gewählten Anteil unserer Kunden?“
Wer jede Größe für sich auf ein hohes Perzentil setzt, legt für einen Kunden aus, der in allen Größen zugleich kaum vorkommt.
Ein Fachwerkzeug rechnet mit einem Repräsentativkunden für das gewählte Perzentil, in dem die Kopplung der Größen erhalten bleibt, und nennt den Wert mit Vertrauensbereich.
„Welche Belastungskombinationen deckt unser Test noch nicht ab?“
Testprofile entstehen aus Standardzyklen und Erfahrung; welche realen Kombinationen sie abdecken, bleibt offen.
Das Testprogramm wird gegen die Betriebspunkte der Flotte geprüft, und fehlende Kombinationen werden als Testfall vorgeschlagen.
Lösung
Die Kette beginnt dort, wo die Daten entstehen, und endet bei der Entscheidung des Anwenders. Zwischen den Stationen liegen Vertrauensgrenzen, die nur freigegebene Profile überschreiten.
Closed-Loop EngineeringWas die Flotte im Betrieb erlebt, soll als Profil in Auslegung und Erprobung der nächsten Fahrzeuggeneration zurückfließen.
Wo Daten das Fahrzeug nicht verlassen dürfen oder können, wird im Fahrzeug verdichtet, sonst beim Dateninhaber, bei dem die Rohdaten über vorhandene Telemetrie schon vorliegen. Die Nutzung wird nach einer vorgegebenen Baumstruktur zu einem Datensatz je Fahrzeug verdichtet; trainiert wird dabei nicht. Das Vorhaben nutzt vorhandene Telemetrie und entwickelt keine eigene.
Auf dem Server des Dateninhabers ist jedes Fahrzeug ein Datensatz mit Herkunft und Revision; viele Datensätze bilden das Flottenmodell. Aus ihm entstehen Belastungen für Simulation und Prüfstand: ein synthetischer, repräsentativer Kunde für ein gewähltes Perzentil, Repräsentativkunden je Gruppe ähnlicher Nutzung und Testprofile aus realen Betriebspunkten.
Über eine weitere Vertrauensgrenze erhält der Anwender nur ein Teilprofil nach Need-to-know. Damit trifft er seine Auslegungs- oder Testentscheidung in den gewohnten Werkzeugen, und jede Antwort nennt Herkunft, Version, Unsicherheit und Gültigkeitsgrenze.
Erprobt werden soll zuerst mit vorhandenen Zeitreihen beim Dateninhaber, dann in einer Messkampagne, in der Steuergeräte die Datensätze erstmals selbst berechnen und die Rohdaten zum Vergleich parallel aufgezeichnet werden, zuletzt im seriennahen Einsatz über vorhandene Telemetrie. Ob das Steuergerät den Datensatz vollständig berechnen kann, ist Teil der ersten Forschungsfrage. Erprobt werden soll die Kette an einem zivilen Straßenfahrzeug und an einem landgebundenen Sonderfahrzeug. Eine Serienfreigabe folgt erst nach dem Vorhaben.
Lösung
Das Netz soll lernen, die Werkzeuge sollen rechnen, der Agent soll erklären.
AI-Native Fleet IntelligenceSchon der Datensatz je Fahrzeug soll so gebaut sein, dass eine KI auf ihm lernen kann; aus vielen Datensätzen soll das Flottenmodell entstehen.
Decision Support SystemDie Kette soll Auslegungs- und Testentscheidungen vorbereiten, mit Datenbasis, Modellversion und Unsicherheit. Die Entscheidung treffen Ihre Fachleute.
Ein graphbasiertes neuronales Netz soll aus den Datensätzen der Flotte lernen, welche Fahrzeuge ähnlich genutzt werden. Es soll fehlende Profilteile ergänzen und Belastungskombinationen markieren, die kein Test abdeckt. Seine Ergebnisse sollen als Eingänge in die Fachwerkzeuge gehen.
Geprüfte Fachwerkzeuge sollen die Zahl rechnen, auf die es in der Entscheidung ankommt. Ein Generator soll Belastungen für die gewählte Kundengruppe erzeugen, und ein vortrainiertes Basismodell des Antriebsstrangs soll sie in die Beanspruchung der Bauteile übersetzen. Außerhalb ihrer Gültigkeitsgrenze sollen die Werkzeuge keine Zahl ausgeben.
Ein vorhandener Agent auf Basis großer Sprachmodelle soll die Frage aufnehmen, die Fachwerkzeuge aufrufen und das Ergebnis erklären. Er soll nicht selbst rechnen; jede Zahl seiner Erklärung soll mit der Rückgabe des Werkzeugs abgeglichen werden. Sprachmodelle entwickelt das Vorhaben nicht.
„Welche Kühlleistung genügt dem gewählten Anteil unserer Kunden in jeder Nutzungsgruppe?“
Das Werkzeug Dimensionierung rechnet je Nutzungsgruppe mit dem Repräsentativkunden für den gewählten Anteil und gibt die Kühlleistung mit Vertrauensbereich aus. Ob der Zuschlag kleiner werden kann, entscheiden Sie.
Einzelne Bausteine sind in der Literatur beschrieben: Copula-Modelle für Belastungskollektive, graphbasierte Netze als Ersatzmodelle in der Auslegung und Sprachmodelle, die Datenbanken abfragen oder mit Graphmodellen gekoppelt sind. Ein Verfahren, das die gemeinsame Abhängigkeit mehrerer Größen aus Flottenlastdaten im Steuergerät fortschreibt, über Dateninhaber hinweg zusammenführt und an einer benannten Auslegungs- oder Testentscheidung prüft, haben wir in der Literatur nicht gefunden. Diese Verbindung ist Gegenstand des Vorhabens.
Ob die Kette diesen Nutzen bringt, ist offen. Vier Forschungsfragen prüfen je ein Glied gegen faire, einfache Vergleichsverfahren:
Verglichen werden soll unter anderem mit Klassiermatrizen je Kanal und mit einem vortrainierten Zeitreihenmodell ohne Nachtraining. Ohne belastbaren Gewinn gilt der einfache Generator mit Gültigkeitsgrenze.
Ohne Gewinn sollen die Werkzeuge mit einem einfachen Parametervektor weiterrechnen.
Gemessen werden soll auch ohne Netz und Agent. Der Agent mit Fachwerkzeugen soll gegen denselben Agenten ohne sie, gegen den direkten Werkzeugaufruf und gegen den heutigen Ablauf antreten. Ohne Gewinn bleibt der heutige Ablauf.
Fehlt ein gemeinsamer Kern, bleiben lokale Bausteine mit belegter Grenze der Übertragbarkeit.
Ein negativer Befund ist ein gültiges Ergebnis; dann bleibt das einfachere Verfahren.
Regeln
Rohdaten bleiben beim Dateninhaber, und einen zentralen Rohdatenpool gibt es nicht. Zum Anwender gelangen nur freigegebene Teilprofile; vor jeder Freigabe prüft der Dateninhaber Rechte, Schutzbedarf und Rückschlussrisiken. Die vereinbarten Nutzungsregeln setzen technische Konnektoren durch.
Collective IntelligenceDas Vorhaben untersucht, wie Modelle mehrerer Dateninhaber zusammenwirken können, ohne dass einer seine Rohdaten abgibt.
Kompakte Parameter sind nicht automatisch anonym. Schon die Statistik eines Bremspedalsignals kann Fahrer erkennbar machen (Enev et al., 2016). Das Vorhaben behandelt die Datensätze deshalb als pseudonyme Daten und prüft sie vor jeder Freigabe mit gezielten Angriffstests.
Die Zusammenarbeit im Verbund regelt eine Kooperationsvereinbarung, deren Grundzüge der Fördergeber vor der Förderentscheidung verlangt. Nach den Vorgaben des Fördergebers gehören Ergebnisse dem Partner, bei dem sie entstehen, und die Verbundpartner räumen einander für die Projektarbeit unentgeltliche Nutzungsrechte ein. Wettbewerbsspezifische Daten und Modelle der Partner bleiben getrennt.
Das Vorhaben plant, Kernbausteine wie das Profilschema, Referenzcode und synthetische Referenzdaten offen zu veröffentlichen; Rechte, Lizenz und Pflege werden je Ergebnis festgelegt.
Einzelfragen zu Daten und Rechten besprechen wir im Fachgespräch.
Partner
LOAD-ENCODE soll Unternehmen, die Auslegungs- und Testentscheidungen verantworten oder dafür Werkzeuge und Daten bereitstellen, mit Forschung zu Statistik, Fahrzeugtechnik und KI zusammenbringen. Die Hochschule Esslingen koordiniert den Antrag. Bis zur Einreichung am 1. November 2026 spricht das Antragsteam mit Unternehmen über ihre Rolle im Vorhaben. 5 Organisationen sind fest eingeplant; mit 22 weiteren laufen Gespräche.
Ihre Rolle fehlt? So wirken Sie mit →
| Logo | Organisation | Rolle im Verbund | Beteiligung |
|---|---|---|---|
| FKFS | Modellerstellung und Fahrzeugmodelle | Verbundpartner |
| Hochschule Esslingen | Antragskoordination, Statistik und domänenspezifische KI | Verbundpartner |
| TROUT | Datenlogger und Verdichtung an Bord | Verbundpartner |
| TWT | Anforderungen aus Nutzungsdaten | Verbundpartner |
| Wodivity | Adapter zwischen Formaten und Werkzeugen | Verbundpartner |
| Akkodis | Datenpipeline und Testintegration | Verbundpartner |
| BAAINBw | Bedarfsträger und Standardisierung | assoziierter Partner |
| Daimler Truck | Demonstrator Logistik- und Trägerfahrzeuge | Verbundpartner |
| e-mobil BW | Transfer in KMU und Start-ups | assoziierter Partner |
| FAU, Open-Source-Professur | offene Datenpipeline und Open Source | Forschungspartner |
| Hitachi Rail | Übertragung auf Schienenfahrzeuge | Verbundpartner |
| let's dev | Multi-Agenten-Systeme | Reserve |
| Mercedes-AMG | ziviler Hauptdemonstrator | Verbundpartner |
| prostep ivip | Standards, Industrie- und Breitentransfer | Verbundpartner |
| Spleenlab | eingebettete KI im unbemannten Landfahrzeug | Kandidat |
| Universität Stuttgart, IFS | physik- und strukturinformierte Modelle | Forschungspartner |
| Airbus Defence and Space | Transfer in die Luftfahrt | Beirat |
| AirRobot | Transfer auf kleine unbemannte Luftfahrzeuge | Transferpartner |
| ARX Robotics | Felddaten unbemannter Landfahrzeuge | Kandidat |
| ASAM | Messdatenformate | Verbundpartner |
| Bertrandt | Software- und Systemintegration | Kandidat |
| Diehl Defence | Qualifikation langlebiger Systeme | Reserve |
| EDI | Daten- und Wissensbrücke zur Entwicklung | Kandidat |
| Helsing / Grob Aircraft | Transfer und Erprobung | assoziierter Partner |
| KNDS Deutschland | Demonstrator Kettenfahrzeuge | Kandidat |
| Mercedes-Benz | Koordination, ziviler Demonstrator | Verbundpartner |
| tracetronic | Agentenadapter und Testautomatisierung | Verbundpartner |
Die Hochschule Esslingen bringt Vorarbeiten aus industriell geförderten Vorhaben der Jahre 2021 bis 2025 ein, die Simulation und Versuch für Entwicklung, Absicherung und Kalibrierung von Triebstrang-Betriebsstrategien verbinden. In der zugehörigen Dissertation von Tim Martini (Universität Stuttgart, 2026) wurden 2.900 Kilometer Serienbetrieb durch 189 Fahrten abgebildet und ausgewählte simulierte Eigenschaften im Straßenversuch bestätigt.
Diese Arbeiten belegen die Aufbereitung realer Betriebsdaten mit Markov-Verfahren und deren Validierung; die gemeinsame Verteilung mehrerer Größen, das Lernen auf den Datensätzen und der Nachweis einer besseren Entscheidung sind im Vorhaben zu erbringen. Die Abbildungen der simulierten Beispielflotte auf dieser Seite stammen aus einem eigenen Visualisierungswerkzeug.
LOAD-ENCODE will Belastungsdaten aus Fahrzeugflotten so verdichten, dass Auslegungs- und Testentscheidungen nachprüfbar werden; die Rohdaten bleiben beim Dateninhaber. Von vorn lesen ↑
Das Förderverfahren hat zwei Stufen: Nach der Auswahl der Projektskizzen, voraussichtlich bis Februar 2027, folgt auf Aufforderung ein förmlicher Antrag. Bis zu diesem Antrag ist eine Beteiligung als Partner möglich; danach sieht die Förderrichtlinie eine Erweiterung erst für eine mögliche zweite Phase vor. Ein Fachgespräch dauert etwa 45 Minuten und verpflichtet zu nichts; eine Rolle schlagen wir erst danach vor.
Verbundpartner arbeiten mit eigenem Arbeitsanteil im Vorhaben und erhalten eine eigene Zuwendung. Die Förderrichtlinie erwartet von Unternehmen substanzielle Beiträge, etwa die Verantwortung für ein Arbeitspaket, Daten oder Test- und Erprobungsumgebungen. Unternehmen tragen einen Eigenanteil.
Assoziierte Partner wirken ohne eigene Zuwendung mit, etwa mit Daten für die Validierung, einem Anwendungskontext oder dem Transfer in die Breite der Branche. Ihre Beteiligung dokumentiert eine formlose Absichtserklärung. Kleine und mittlere Unternehmen können sich als assoziierte Pilotanwender beteiligen.
Die Förderrichtlinie verlangt einen Beirat, der paritätisch mit Wissenschaft und Wirtschaft besetzt ist und die Glieder der Wertschöpfungskette abdeckt. Er gibt dem Vorhaben Rückmeldung aus der Praxis und berät, ohne bindende Beschlüsse zu fassen.
Für assoziierte Partner und den Beirat genügen die Schritte 1 bis 4.
Fachgespräch anfragenKosten
Kostet nichts und verpflichtet zu nichts.
Keine Förderung und kein Eigenanteil. Ihre Arbeitszeit tragen Sie selbst.
Förderung der Projektkosten nach den Regeln der Richtlinie, für Unternehmen in der Regel bis zu 50 Prozent, für kleine und mittlere Unternehmen mit Zuschlägen. Den übrigen Teil tragen Sie als Eigenanteil.
Beiträge oder Gebühren an den Verbund gibt es nicht.
Den Aufwand bis zur Förderentscheidung trägt jede Organisation selbst; wird das Vorhaben nicht gefördert, entstehen aus einer Absichtserklärung keine Pflichten. Was eine Beteiligung für Ihr Unternehmen bedeutet, besprechen wir im Fachgespräch.
Die Termine nach dem 1. November 2026 nennt der Projektträger als voraussichtlich; ein Anspruch auf Förderung besteht nicht. Die erste Phase dauert bis zu drei Jahre. Nach etwa zwei Jahren bewertet der Fördergeber die Meilensteine und kann zu einer zweiten Phase von bis zu zwei Jahren auffordern.
Die Projektskizze ist in Vorbereitung; die Frist endet am 1. November 2026. Wir sprechen mit Unternehmen, Verbänden und Forschungseinrichtungen über eine mögliche Rolle im Vorhaben. Wer dabei ist, steht im Abschnitt Partner.
Fördergeber der Richtlinie. Diese Seite ist kein Angebot des Ministeriums; eine Förderung ist nicht bewilligt.
Fragen zum Verfahren beantwortet der Projektträger unter domaenenspezifische-KI@vdivde-it.de. Was eine Beteiligung an LOAD-ENCODE bedeutet, klären wir im Fachgespräch.
Wer schon dabei ist, was eine Beteiligung kostet und welche Regeln gelten, steht offen in den Abschnitten Partner, Kosten und Regeln.
Nein. LOAD-ENCODE ist ein geplantes Verbundvorhaben, dessen Projektskizze für die Förderrichtlinie des BMFTR vorbereitet wird; die Frist endet am 1. November 2026. Über die Auswahl entscheidet der Fördergeber voraussichtlich bis Februar 2027; ein Anspruch auf Förderung besteht nicht.
Nach dem Plan des Vorhabens verdichtet die Statistik die Daten, und die KI soll auf drei Ebenen darüber arbeiten. Ein graphbasiertes Netz lernt aus den Datensätzen der Flotte, geprüfte Fachwerkzeuge rechnen die Auslegungsgröße, und ein Agent erklärt das Ergebnis in den Werkzeugen der Anwender. Jede Ebene muss gegen ein einfaches Verfahren zeigen, dass sie etwas beiträgt; sonst bleibt das einfache Verfahren.
Der geplante Agent soll Fragen aufnehmen und Ergebnisse erklären, aber nicht selbst rechnen. Jede Zahl stammt aus einem geprüften Fachwerkzeug mit festgelegten Ein- und Ausgaben, und jede Antwort nennt Herkunft, Version, Unsicherheit und Gültigkeitsgrenze. Eine Antwortprüfung gleicht jede Zahl der Erklärung mit der Rückgabe des Werkzeugs ab.
Das Vorhaben will die gemeinsame Abhängigkeit mehrerer Größen samt seltener gemeinsamer Extremwerte erhalten, im Fahrzeug oder beim Dateninhaber fortschreiben und über Dateninhaber hinweg nutzbar machen. Nach der Recherche des Antragsteams ist kein Verfahren beschrieben, das diese Verbindung an einer Auslegungsentscheidung prüft. Klassiermatrizen je Kanal sind die heutige Praxis und zugleich Vergleichsverfahren: Die neue Darstellung muss an derselben Aufgabe zeigen, dass sie mehr erhält. Ob ein Steuergerät die Abhängigkeit vollständig fortschreiben kann und ob sich Modelle mehrerer Dateninhaber geschützt zusammenführen lassen, ist offen; für beide Fälle ist ein Rückfall festgelegt.
Eine Eigenentwicklung ist möglich, denn die Einzelmethoden sind veröffentlicht und können in jedem Haus eingesetzt werden. Ein einzelnes Haus stößt an Grenzen, wo Nutzungsdaten bei mehreren Inhabern liegen und nicht zusammengeführt werden dürfen oder wo Zulieferer ohne Rohdaten arbeiten sollen. Darauf ist das Vorhaben angelegt; ob die Zusammenführung über mehrere Inhaber einen Vorteil bringt, prüft es. Wer nur die allgemeine Methode nutzen will, kann auf die Ergebnisse warten, die das Vorhaben offen veröffentlichen will.
Nein. LOAD-ENCODE ist ein geplantes Verbundvorhaben. Es will Bausteine erarbeiten, an die vorhandene Test- und Simulationswerkzeuge über einen festen Aufrufvertrag und ein kompatibles Profil anschließen können. Neu gegenüber heutigen Verfahren soll die gemeinsame Abhängigkeit mehrerer Größen über Dateninhaber hinweg sein; ob das einen Vorteil bringt, prüft das Vorhaben gegen einfache Vergleichsverfahren.
Nach der geplanten Architektur nicht. Rohdaten bleiben beim Dateninhaber; weitergegeben werden nur freigegebene Teilprofile, über deren Freigabe der Dateninhaber entscheidet. Auch Rohdaten, die zum Vergleich aufgezeichnet werden, bleiben in der Vertrauenszone ihres Inhabers.
Nicht automatisch. Auch aggregierte Statistiken können verraten, ob ein Einzelner beteiligt ist (Homer et al., 2008), und schon die Statistik eines Bremspedalsignals kann Fahrer erkennbar machen (Enev et al., 2016). Das Vorhaben behandelt die Datensätze deshalb als pseudonyme Daten und prüft vor jeder Freigabe mit Angriffstests, ob sie Rückschlüsse zulassen. Wie sich Flottenmodelle mehrerer Dateninhaber geschützt zusammenführen lassen, ist Forschungsgegenstand.
Nach den Vorgaben des Fördergebers gehören Ergebnisse dem Zuwendungsempfänger, bei dem sie entstehen. Verbundpartner räumen einander für die Projektarbeit unentgeltliche Nutzungsrechte ein; eine Nutzung über das Projekt hinaus wird zu marktüblichen Bedingungen vereinbart. Kernbausteine sollen offen veröffentlicht werden, mit Rechten, Lizenz und Pflege je Ergebnis. Wie assoziierte Partner Ergebnisse nutzen, klären wir im Fachgespräch.
Dann bleibt das einfachere Verfahren, und der Befund wird berichtet. Jede Forschungsfrage hat eine vorab festgelegte Rückfallebene: Ohne Gewinn des Netzes rechnen die Werkzeuge mit einem einfachen Parametervektor, ohne Gewinn der ganzen Kette bleibt der heutige Ablauf.
Das Fachgespräch ist keine Zusage. Eine Absichtserklärung dokumentiert Ihr Interesse für den Antrag. Vor der Förderentscheidung schließen die Verbundpartner eine grundsätzliche Übereinkunft über ihre Zusammenarbeit; die Pflichten im Projekt regeln Zuwendungsbescheid und Kooperationsvereinbarung.
Nach dem Plan des Vorhabens nicht: Seine Kernergebnisse sollen offen nutzbar werden. Eine Beteiligung lohnt sich, wenn Sie eine eigene Auslegungs- oder Testentscheidung einbringen, eigene Daten oder Prüfstände nutzen oder Ihre Werkzeuge an das Profil anbinden wollen. Dann wird das Vorhaben an Ihrer Entscheidung gemessen.
Dann entstehen aus der Absichtserklärung keine Pflichten, und den Aufwand bis dahin trägt jede Organisation selbst. Ein Anspruch auf Förderung besteht nicht. Ob es eine weitere Einreichungsrunde gibt, ist nicht bekannt.
Kontakt
Ein Fachgespräch dauert etwa 45 Minuten. Wir klären, welche Auslegungs- oder Testentscheidung in Ihrem Haus zählt und welche Form der Beteiligung zu Ihnen passt.
