Ereignisbasierte Vision und neuronale Netze neu denken
Ereignisbasierte Vision und neuronale Netze neu denken
Einleitung
Ereignisbasierte Vision beschreibt eine Form der Bildverarbeitung, bei der ein Bildsensor nicht in festen Frames vollständige Bilder ausgibt, sondern nur dann Daten sendet, wenn sich an einem einzelnen Pixel die Helligkeit deutlich verändert. Solche Sensoren heißen ereignisbasierte Bildsensoren, Eventkameras, Dynamic Vision Sensors oder neuromorphe Kameras. Sie orientieren sich an Grundideen der Retina: Nicht jede Information wird ständig neu übertragen, sondern vor allem Veränderung, Bewegung und Kontrast.
Das Thema Neuronale Netze neu denken fragt, was passiert, wenn Künstliche Intelligenz nicht mehr nur mit starren Bildfolgen arbeitet, sondern mit sehr schnellen, spärlichen und zeitlich präzisen Ereignisdaten. Dadurch entstehen neue Möglichkeiten für Robotik, Autonomes Fahren, Edge Computing, Augmented Reality, Industrie 4.0 und energieeffiziente maschinelle Lernsysteme. Gleichzeitig stellen Ereigniskameras klassische Convolutional Neural Networks, Trainingsdaten, Datenschutz und die Bewertung von KI-Systemen vor neue Herausforderungen.
{{#ev:youtube|https://www.youtube.com/watch?v=_BWtr3K7Zf4%7C500%7Ccenter}}
Das Video dient als Einstieg in die Frage, wie Sensorik, Architektur und neuromorphe Effizienz zusammenhängen. Du lernst in diesem aiMOOC, warum eine Ereigniskamera anders „sieht“ als eine klassische Kamera, wie aus Pixelereignissen verwertbare Informationen entstehen und weshalb spikende neuronale Netze für diese Daten besonders interessant sind.
Lernziele
- Grundprinzip: Du erklärst, wie eine Eventkamera Helligkeitsänderungen statt vollständiger Bilder verarbeitet.
- Datenstrom: Du beschreibst ein Pixelereignis mit Koordinate, Zeitstempel und Polarität.
- Vergleich: Du vergleichst framebasierte Kameras und ereignisbasierte Bildsensoren.
- Neuronale Netze: Du begründest, warum Ereignisdaten neue Netzarchitekturen erfordern.
- Transfer: Du entwickelst eigene Ideen für Anwendungen, Chancen und Risiken ereignisbasierter KI.
Grundlagen der ereignisbasierten Vision
Vom Bild zum Ereignis
Eine klassische Digitalkamera nimmt in festen Zeitabständen vollständige Bilder auf. Selbst wenn sich im Bild fast nichts verändert, werden alle Pixelwerte erneut gespeichert und verarbeitet. Eine Ereigniskamera arbeitet anders: Jeder Pixel beobachtet lokal, ob sich die Helligkeit relativ zu seinem vorherigen Zustand stark genug verändert. Wird ein Schwellwert überschritten, entsteht ein Ereignis. Bleibt die Szene unverändert, bleibt der Pixel still.
Ein Ereignis enthält typischerweise vier Informationen: die horizontale Bildkoordinate, die vertikale Bildkoordinate, den Zeitstempel und die Polarität. Die Polarität zeigt an, ob die Helligkeit zugenommen oder abgenommen hat. Dadurch entsteht ein Datenstrom, der nicht aus Bildern, sondern aus zeitlich geordneten Änderungen besteht.
Asynchrone Wahrnehmung
Der zentrale Unterschied liegt in der Asynchronität. Bei einer framebasierten Kamera werden alle Pixel gleichzeitig oder nahezu gleichzeitig zu festen Zeitpunkten ausgelesen. Bei einer Ereigniskamera meldet jeder Pixel unabhängig, wann bei ihm etwas Relevantes geschieht. Das macht Ereignisdaten besonders geeignet für schnelle Bewegungen, plötzliche Kontraste, starke Lichtunterschiede und Systeme, die direkt am Sensor reagieren sollen.
Diese Arbeitsweise ist ein Beispiel für Ereignisbasierte Verarbeitung. Sie vermeidet unnötige Daten, wenn nichts passiert, und konzentriert Rechenleistung auf Veränderung. In vielen Szenen führt das zu Sparsität, also zu einem dünn besetzten Datenstrom: Nur ein kleiner Teil der Pixel ist zu einem bestimmten Zeitpunkt aktiv.
Biologische Inspiration
Neuromorphe Technik orientiert sich an Prinzipien biologischer Nervensysteme, ohne sie einfach zu kopieren. Die Retina im Auge verarbeitet bereits vor dem Gehirn wichtige Signale wie Kontrast, Bewegung und Änderung. Ereignisbasierte Sensoren greifen diese Idee technisch auf: Sie liefern nicht nur ein Bild, sondern eine Folge von Signalimpulsen, die besonders für dynamische Szenen relevant sind.
Der biologische Vergleich darf nicht missverstanden werden: Eine Ereigniskamera ist kein Auge und ein Spiking Neural Network ist kein Gehirn. Aber beide nutzen die Idee, dass Information in zeitlichen Aktivitätsmustern stecken kann. Genau hier beginnt das Umdenken bei neuronalen Netzen.
Sensorik und Datenströme
Dynamic Vision Sensor
Der Dynamic Vision Sensor ist eine wichtige Bauform ereignisbasierter Bildsensoren. Seine Pixel reagieren auf Änderungen der logarithmischen Lichtintensität. Dadurch können helle und dunkle Bildbereiche in derselben Szene besser verarbeitet werden als bei vielen klassischen Kameras. Die genaue Leistung hängt jedoch vom konkreten Sensor, der Szene, dem Objektiv, der Elektronik und der Auswertung ab.
Ein DVS produziert keinen regelmäßigen Videostrom. Stattdessen entsteht ein Ereignisstrom, der mathematisch häufig als Folge von Tupeln dargestellt wird: Ort, Zeit und Vorzeichen der Änderung. Für Lernende ist wichtig: Die Daten sind nicht einfach „weniger Bilder“, sondern eine andere Art von visueller Information.
Address Event Representation
In der Address Event Representation wird jedes Ereignis als Adresse im Sensorraum plus Zeitpunkt übertragen. Die Adresse benennt, welcher Pixel aktiv wurde. Diese Repräsentation ist für neuromorphe Hardware interessant, weil sie gut zu Systemen passt, die nur bei Aktivität rechnen. Rechnen, Speichern und Übertragen können dadurch enger an die tatsächlich auftretenden Ereignisse gekoppelt werden.
Die Robotik-Demonstration zeigt, warum geringe Latenz wichtig sein kann: Ein System, das schnell reagieren muss, profitiert davon, wenn relevante visuelle Änderungen unmittelbar eintreffen und nicht erst nach dem nächsten vollständigen Frame.
Vergleich: Framekamera und Ereigniskamera
| Merkmal | Framebasierte Kamera | Ereigniskamera |
|---|---|---|
| Ausgabe | Vollständige Bilder in festen Abständen | Asynchrone Ereignisse bei Helligkeitsänderungen |
| Zeitauflösung | Durch Bildrate begrenzt | Sehr hohe zeitliche Präzision möglich |
| Datenmenge | Auch bei statischen Szenen hoch | Bei wenig Veränderung oft deutlich geringer |
| Bewegungsunschärfe | Bei schnellen Bewegungen häufig problematisch | Durch Ereignisprinzip meist reduziert |
| Statische Szene | Gut geeignet | Weniger informativ, weil wenige Ereignisse entstehen |
| Algorithmus | Viele etablierte Verfahren vorhanden | Spezialisierte Verfahren nötig |
Stärken und Grenzen
Stärken ereignisbasierter Vision sind niedrige Latenz, hohe zeitliche Präzision, sparsamer Datenstrom bei dynamischen Szenen, robuste Wahrnehmung schneller Bewegungen und oft gute Nutzbarkeit bei starken Helligkeitsunterschieden. Grenzen sind Rauschen, schwierige Interpretation statischer Szenen, weniger standardisierte Datensätze, neue Anforderungen an Annotation, Training, Evaluation und die Integration in bestehende Computer-Vision-Systeme.
Eine sinnvolle technische Entscheidung lautet deshalb nicht: „Eventkamera ersetzt jede Kamera.“ Besser ist die Frage: „Für welche Aufgabe ist welcher Sensor geeignet?“ Häufig sind hybride Systeme besonders stark, bei denen RGB-Kamera, Tiefensensor, Inertialsensor und Eventkamera kombiniert werden.
Neuronale Netze neu denken
Warum klassische CNNs nicht ausreichen
CNNs wurden vor allem für regelmäßige Rasterdaten entwickelt: Bilder mit festen Pixelpositionen, Farbkanälen und Bildfolgen. Ereignisdaten sind dagegen zeitlich asynchron, spärlich und nicht automatisch als vollständiges Bild vorhanden. Man kann Ereignisse zwar in künstliche Frames, Voxelraster oder Zeitfenster umwandeln, aber dabei gehen häufig zeitliche Feinheiten verloren oder es entsteht wieder unnötiger Rechenaufwand.
Das Umdenken besteht darin, Zeit nicht als Nebeninformation zu behandeln, sondern als Teil der Repräsentation. Ein Objekt wird nicht nur an seiner Form erkannt, sondern auch an der Art, wie seine Kanten, Bewegungen und Helligkeitsänderungen über die Zeit Ereignisse erzeugen.
Repräsentationen für Ereignisdaten
Es gibt mehrere Wege, Ereignisdaten für Maschinelles Lernen nutzbar zu machen. Bei Event Frames werden Ereignisse in kurzen Zeitfenstern gesammelt und als Bild dargestellt. Bei Voxel Grids entsteht ein dreidimensionales Raster aus Raum und Zeit. Bei Graph Neural Networks können Ereignisse als Knoten in einem raumzeitlichen Graphen modelliert werden. Bei spikenden Netzen werden Ereignisse als zeitliche Impulse verarbeitet.
Keine Repräsentation ist immer überlegen. Die passende Wahl hängt von Aufgabe, Reaktionszeit, Energiebedarf, Trainingsdaten, Hardware und gewünschter Erklärbarkeit ab. Für Schule, Ausbildung und Studium ist besonders interessant, dass Datenformat und Netzarchitektur zusammen gedacht werden müssen.
Spiking Neural Networks
Spiking Neural Networks arbeiten mit Aktivitätsimpulsen, sogenannten Spikes. Ein Neuron sammelt Eingangssignale, erreicht einen Schwellwert und sendet dann selbst einen Spike. Das passt konzeptionell gut zu Ereigniskameras, weil beide zeitliche Einzelereignisse statt kontinuierlicher Werteflüsse betonen.
Spikende Netze können auf neuromorphen Chips besonders energieeffizient ausgeführt werden, wenn Hardware und Algorithmus zusammenpassen. Dennoch sind SNNs nicht automatisch besser als klassische Netze. Herausforderungen sind Training, Stabilität, Softwarewerkzeuge, Vergleichbarkeit und die Frage, wie man Genauigkeit, Energiebedarf und Latenz fair misst.
Neuromorphe Effizienz
Neuromorphe Effizienz meint nicht nur „weniger Strom“. Gemeint ist ein Zusammenspiel aus Sensor, Datenübertragung, Speicher, Rechenarchitektur und Lernverfahren. Effizienz entsteht, wenn möglichst wenig unnötige Information erzeugt, übertragen und verarbeitet wird. Ereignisbasierte Vision ist deshalb besonders spannend für Edge AI, also KI direkt auf kleinen Geräten, Robotern, Drohnen, mobilen Systemen oder eingebetteten Industrieanlagen.
{{#ev:youtube|https://www.youtube.com/watch?v=0wGBpgIrd9M%7C500%7Ccenter}}
Anwendungen
Robotik und Drohnen
In der Robotik zählen geringe Latenz, schnelle Bewegungserkennung und robuste Wahrnehmung. Eine Drohne, ein Greifarm oder ein mobiler Roboter muss Veränderungen sofort erkennen. Ereigniskameras können bei schneller Bewegung nützlich sein, weil sie Kanten, Bewegungsrichtungen und plötzliche Änderungen zeitlich fein auflösen. In Kombination mit Regelungstechnik und Reinforcement Learning entstehen Systeme, die auf Ereignisse reagieren statt nur periodisch Bilder auszuwerten.
Autonomes Fahren und Verkehr
Beim autonomen Fahren sind schwierige Lichtverhältnisse, Gegenlicht, Nacht, Tunnel, Regen, schnelle Objekte und kurze Reaktionszeiten zentrale Herausforderungen. Ereignisbasierte Sensorik kann in solchen Situationen ergänzende Informationen liefern. Sie ersetzt jedoch nicht automatisch Radar, Lidar, klassische Kameras oder sichere Entscheidungslogik. Für sicherheitskritische Systeme sind Tests, Redundanz, nachvollziehbare Bewertung und rechtliche Verantwortung entscheidend.
Industrie und Qualitätskontrolle
In der industriellen Bildverarbeitung können Ereigniskameras schnelle Bewegungen, Vibrationen, Funken, Rotationen oder Materialfehler sichtbar machen, die bei normalen Bildraten schwer zu erfassen sind. Besonders interessant sind Anwendungen, bei denen nur Veränderungen relevant sind: Sortieren, Zählen, Überwachen, Positionieren oder schnelle Oberflächenprüfung.
Medizin, Forschung und Barrierefreiheit
In Forschung und Medizin kann ereignisbasierte Vision für schnelle Bewegungsanalyse, mikroskopische Prozesse oder energiearme mobile Assistenzsysteme interessant sein. Gleichzeitig sind Datenschutz, Bias, medizinische Verantwortung und transparente Grenzen besonders wichtig. Ein Sensor, der weniger statische Bildinformation speichert, kann Datenschutz erleichtern, garantiert ihn aber nicht. Datenschutz entsteht durch das gesamte Systemdesign.
Datei:Real time face detection model on event streams.webm
Kritische Perspektiven
Chancen
Ereignisbasierte Vision kann helfen, KI reaktionsschneller, energiesparender und näher an realen physikalischen Prozessen zu gestalten. Sie zeigt, dass nicht jede Wahrnehmung mit immer größeren Datenmengen, größeren Modellen und höheren Bildraten gelöst werden muss. Manchmal ist die bessere Frage: Welche Information ist wirklich relevant?
Risiken und offene Fragen
Neue Sensorik löst nicht automatisch gesellschaftliche Probleme. Ereigniskameras können in Überwachung, militärischen Systemen oder undurchsichtigen Entscheidungsprozessen eingesetzt werden. Deshalb gehören Ethik, Transparenz, Datensparsamkeit, Sicherheit und Nachhaltigkeit zur technischen Bildung. Wer neuronale Netze neu denkt, muss auch neu darüber nachdenken, welche Systeme gebaut werden sollen und wer von ihnen betroffen ist.
Interaktive Aufgaben
Quiz: Teste Dein Wissen
Welche Aussage beschreibt eine Ereigniskamera am besten? (Sie sendet Daten vor allem bei lokalen Helligkeitsänderungen) (!Sie speichert immer ganze Farbbilder) (!Sie nimmt ausschließlich Toninformationen auf) (!Sie funktioniert nur ohne Bewegung)
Was enthält ein typisches Pixelereignis? (Koordinate Zeitstempel und Polarität) (!Farbe Objektname und Dateigröße) (!Passwort Adresse und Benutzername) (!Temperatur Gewicht und Lautstärke)
Was bedeutet asynchrone Verarbeitung bei Ereigniskameras? (Pixel melden Ereignisse unabhängig voneinander) (!Alle Pixel warten immer auf denselben Bildtakt) (!Die Kamera arbeitet nur offline) (!Das Bild wird zuerst ausgedruckt)
Warum können Ereignisdaten sparsamer sein als Videoframes? (Weil oft nur Veränderungen übertragen werden) (!Weil jeder Pixel immer mehrfach gespeichert wird) (!Weil alle Farben entfernt werden müssen) (!Weil Sensoren keine Zeitstempel nutzen)
Welche Herausforderung entsteht durch Ereignisdaten für klassische neuronale Netze? (Sie passen nicht direkt zu regelmäßigen Bildrastern) (!Sie enthalten niemals Zeitinformationen) (!Sie können keine Bewegung abbilden) (!Sie sind immer größer als normale Videos)
Was ist ein wichtiger Vorteil bei schnellen Bewegungen? (Geringere Bewegungsunschärfe) (!Höhere Papierqualität) (!Langsamere Reaktion) (!Weniger Lichtempfindlichkeit)
Welche Netzart passt konzeptionell besonders gut zu zeitlichen Impulsen? (Spiking Neural Network) (!Textverarbeitungssystem) (!Tabellenkalkulation) (!Suchmaschinenindex)
Was meint neuromorphe Effizienz in diesem Thema? (Weniger unnötige Datenverarbeitung durch ereignisnahe Architektur) (!Mehr Stromverbrauch durch größere Bilddateien) (!Ausschließlich höhere Bildschirmauflösung) (!Verzicht auf Sensoren und Algorithmen)
Welche Anwendung profitiert besonders von niedriger Latenz? (Schnell reagierende Robotik) (!Langsame Archivsortierung) (!Manuelles Abschreiben) (!Reine Textformatierung)
Welche Aussage ist kritisch richtig? (Ereigniskameras ergänzen klassische Sensoren oft sinnvoll) (!Ereigniskameras ersetzen immer alle anderen Sensoren) (!Ereignisdaten brauchen niemals Algorithmen) (!Datenschutz ist automatisch vollständig gelöst)
Memory
| Eventkamera | Helligkeitsänderung |
| Pixelereignis | Zeitstempel |
| Polarität | Richtung der Änderung |
| Spiking Neural Network | Spike |
| Neuromorphe Hardware | Ereignisnahes Rechnen |
| Sparsität | Wenige aktive Datenpunkte |
Drag and Drop
| Ordne die richtigen Begriffe zu. | Thema |
|---|---|
| Framebasierte Kamera | Vollständiges Bild |
| Ereigniskamera | Lokale Veränderung |
| Pixelereignis | Ort und Zeit |
| Spiking Neural Network | Impulsverarbeitung |
| Edge AI | Rechnen am Gerät |
Kreuzworträtsel
| Ereignis | Wie heißt die Meldung, die ein Pixel bei einer Helligkeitsänderung sendet? |
| Helligkeit | Welche Eigenschaft der Szene wird lokal beobachtet? |
| Asynchron | Wie nennt man Verarbeitung ohne gemeinsamen Bildtakt? |
| Sparsitaet | Wie heißt die Eigenschaft, dass nur wenige Datenpunkte aktiv sind? |
| Latenz | Wie nennt man die Verzögerung zwischen Wahrnehmung und Reaktion? |
| Neuromorph | Wie heißt Technik, die sich am Nervensystem orientiert? |
LearningApps
Lückentext
Offene Aufgaben
Leicht
- Begriffsplakat: Erstelle ein Plakat mit den Begriffen Ereigniskamera, Pixelereignis, Zeitstempel, Polarität und Sparsität. Nutze eigene Beispiele und kurze Erklärungen.
- Alltagsvergleich: Vergleiche eine klassische Handy-Kamera mit einer Ereigniskamera. Beschreibe in eigenen Worten, was beide Systeme bei einer stillstehenden Szene und bei einer schnellen Bewegung liefern würden.
- Mini-Experiment: Beobachte eine bewegte Szene, zum Beispiel einen Ball, eine Handbewegung oder fahrende Fahrräder. Notiere, welche Bildbereiche sich verändern und welche gleich bleiben.
- Skizze: Zeichne eine einfache Szene mit fünf Pixeln, bei denen nur drei eine Helligkeitsänderung melden. Beschrifte die Ereignisse mit Ort, Zeit und Polarität.
Standard
- Datenmodell: Entwerfe eine kleine Tabelle mit zehn fiktiven Ereignissen. Jede Zeile enthält x-Koordinate, y-Koordinate, Zeitstempel und Polarität. Erkläre, welche Bewegung daraus erkennbar sein könnte.
- Systemvergleich: Erstelle eine Vergleichsgrafik zu framebasierter Kamera, Ereigniskamera und Hybridsensor. Bewerte die Systeme für Robotik, Überwachung, Forschung und Smartphone-Nutzung.
- Anwendungsfall: Entwickle ein Konzept für eine energiearme Edge-AI-Anwendung, die mit einer Ereigniskamera arbeitet. Beschreibe Sensor, Datenfluss, Modell, Ausgabe und Nutzen.
- Ethikdiskussion: Formuliere drei Chancen und drei Risiken ereignisbasierter Vision. Diskutiere, wie Datenschutz und Transparenz bereits beim Entwurf berücksichtigt werden können.
Schwer
- Netzarchitektur: Skizziere eine Pipeline, die Ereignisdaten zuerst in ein Voxelraster umwandelt und danach mit einem neuronalen Netz verarbeitet. Begründe jeden Schritt.
- SNN-Konzept: Beschreibe ein einfaches Spiking Neural Network, das erkennt, ob sich ein Objekt nach links oder rechts bewegt. Erkläre, welche Neuronen wann aktiv werden.
- Forschungsfrage: Entwickle eine eigene Forschungsfrage zur neuromorphen Effizienz. Formuliere Hypothese, Messgrößen, Versuchsaufbau und mögliche Störfaktoren.
- Kritische Bewertung: Analysiere einen sicherheitskritischen Einsatzbereich wie autonomes Fahren oder Drohnen. Erkläre, warum geringe Latenz allein nicht genügt und welche zusätzlichen Sicherheitsmechanismen nötig sind.
|
|
Lernkontrolle
- Transferaufgabe Sensorwahl: Du planst ein Robotersystem für eine helle Fabrikhalle mit sehr schnellen Bewegungen. Begründe, ob eine klassische Kamera, eine Ereigniskamera oder ein hybrides System sinnvoll wäre.
- Dateninterpretation: Erkläre anhand eines fiktiven Ereignisstroms, wie aus einzelnen Helligkeitsänderungen eine Bewegung rekonstruiert werden kann.
- Architekturentscheidung: Vergleiche drei Ansätze zur Verarbeitung von Ereignisdaten: Event Frames, Voxel Grids und Spiking Neural Networks. Bewerte sie nach Latenz, Informationsverlust und Implementierungsaufwand.
- Ethik und Technik: Entwickle Regeln für ein Schulprojekt mit Ereigniskamera, damit Datenschutz, Einwilligung und verantwortliche Datennutzung gewährleistet sind.
- Fehleranalyse: Ein System erkennt in einer dunklen, statischen Szene kaum Objekte. Erkläre, warum das bei Ereigniskameras auftreten kann und wie ein hybrider Ansatz helfen könnte.
- Nachhaltigkeitsanalyse: Beurteile, wann geringerer Energieverbrauch wirklich nachhaltig ist und wann zusätzliche Hardware, Trainingsaufwand oder Überwachungseffekte den Nutzen relativieren können.
Lernnachweis
Für einen gelungenen Lernnachweis zu diesem Thema solltest Du zeigen, dass Du nicht nur Begriffe wiedergeben kannst, sondern Zusammenhänge verstehst und anwenden kannst.
- Begriffssicherheit: Du erklärst die Begriffe Ereignis, Pixel, Zeitstempel, Polarität, Sparsität, Latenz und Neuromorphe Technik korrekt.
- Systemverständnis: Du stellst den Unterschied zwischen framebasierter Kamera und Ereigniskamera mit eigenen Beispielen dar.
- Datenkompetenz: Du interpretierst einen einfachen Ereignisstrom und leitest daraus eine mögliche Bewegung oder Änderung ab.
- KI-Kompetenz: Du begründest, warum klassische CNNs angepasst werden müssen und wann spikende Netze sinnvoll sein können.
- Transferleistung: Du entwickelst eine Anwendung und entscheidest begründet über Sensor, Datenformat, Netzarchitektur und Bewertungskriterien.
- Reflexion: Du bewertest Chancen, Grenzen, Risiken und ethische Fragen ereignisbasierter Vision.
OERs zum Thema
Weitere freie und offene Vertiefungen
- Wikipedia: Der Artikel Ereignisbasierter Bildsensor bietet einen kompakten Einstieg in Sensorprinzip und Abgrenzung zu klassischen Kameras.
- Wikimedia Commons: Die Dateien Faces in Event Streams.png, Real time face detection model on event streams.webm und Robotic-goalie-with-3-ms-reaction-time-at-4%-CPU-load-using-event-based-dynamic-vision-sensor-Movie1.ogv veranschaulichen Ereignisdaten und Anwendungen.
- Forschungsliteratur: Übersichtsarbeiten zu Event-based Vision erklären Sensorik, Algorithmen, Anwendungen und offene Forschungsfragen.
- Bildungsvideo: Das eingebettete Video zur Reihe Neuronale Netze neu denken verbindet Ereignisverarbeitung, Sensorarchitektur und neuromorphe Effizienz.
{{#ev:youtube|https://www.youtube.com/watch?v=aCojsbZYT94%7C500%7Ccenter}}
Links
aiMOOC-Projekte
Schulfach+
|
|
aiMOOCs
aiMOOC Projekte
|
|
THE MONKEY DANCE
{{#ev:youtube | https://youtu.be/rFhZlg38Zf8?si=9KdMNZYRkRD81YTo%7C 500 | center}}
|
{{#ev:youtube | https://youtu.be/Ob7etf9QuBo?si=t_NBA71bWg3Rq3LI%7C 500 | center}}
|
|