Schnittstelle zwischen Elektronik und Natur
Die neuen Möglichkeiten der "Disappearing Computer" (verschwindende Computer) werden bereits bei vielen Anwendungen umfassend einsetzt, insbesondere in geschlossenen Umgebungen wie Häusern, Büros oder Laboren. Bisher wurden jedoch kaum Anstrengungen unternommen, Umgebungsintelligenz in offene Räume, d.h. näher zur Natur, zu portieren. Aus diesem Grund wurden Schnittstellen mit der Natur bisher nicht umfassend entwickelt und man ging davon aus, dass Pflanzen und andere lebende Organismen träge mit ihrer Umgebung reagieren. Hiervon motiviert hat sich das PLANTS-Projekt auf die Entwicklung von Synergien zwischen lebenden Organismen (außer Menschen) und Systemen der Umgebung konzentriert. Beschränkt auf pflanzliche Organismen hat das Projekt Methoden und fortschrittliche Technologien für die Entwicklung geeigneter Schnittstellen zwischen Pflanzen und Artefakten untersucht. Die Projektergebnisse ermöglichen unter Umständen die Bildung gemischter, interagierender Gemeinschaften. Eines der wichtigsten Projektergebnisse war die Entwicklung des PLANTS-Ontologiewerkzeugs für die Organisation des PLANTS-Systemwissens. Die Architektur des Werkzeugs umfasst die PLANTS Core Ontology für die Codierung allgemeinen Wissens und die PLANTS Higher Ontology für die Codierung anwendungsspezifischen Wissens. Das Wissen kann in Hauptthemen eingeteilt werden, unter anderem Konzeptualisierung der bioGadgetWorlds (bioGWs), Bestimmung von Pflanzen und Sensor/Stellglied-Systemen sowie Definition von Regeln. bioGadgetWorlds ist eine gemischte Gemeinschaft mit verwalteter Kommunikation zwischen Pflanzen und Artefakten. Von der Entwicklung des bioGadgetWorlds-Wissens können auch andere Systeme profitieren. Die Merkmale des PLANTS Ontology-Konzeptes garantieren semantische Kompatibilität zwischen unterschiedlichen Einheiten und unterstützen Mechanismen zur Diensterkennung. Weiterhin unterstützt das Tool den Entscheidungsprozess, eines der wichtigsten Merkmale des PLANTS-Systems. Es wurden besondere Vorkehrungen getroffen, um sicherzustellen, dass das Werkzeug mittels detaillierter Spezifikationen eines maschinellen Lernprozesses neues Wissen sammeln kann. Wissen über den Photosynthesevorgang einer Pflanze beispielsweise ermöglichte die Bestimmung optimaler Wachstumsbedingungen.
