Zentrales Ziel der Arbeiten an der Universität Rostock ist die probabilistische Modellierung des integrierten Lagebildes sowie die Entwicklung und prototypische Umsetzung echtzeitfähiger verteilter Inferenzmethoden. Das integrierte Lagebild umfasst dabei nicht einfach derzeitige kinematische Parameter, physiologische Messwerte oder Aktivitätslabels, sondern spiegelt je nach Anforderung der Anwendungen ein möglichst umfassendes Bild der Gesamtsituation des Menschen in seiner Umgebung wider. Es wird repräsentiert durch ein probabilistisches generatives Modell und kann etwa in Form eines Dynamischen Bayes'schen Netzes dargestellt werden. Das dazugehörende Observationsmodell ermöglicht die Integration heterogener multimodaler Sensordaten auf mehreren Ebenen. Mittels echtzeitfähiger approximativer Bayes'scher Inferenz in Kombination mit Maschinenlernalgorithmen kann der aktuelle Systemzustand inferiert als auch auf bevorstehende Ziele und kritische Situationen geschlossen werden. Aufgrund der Echtzeitanforderungen der Anwendungen ist es sinnvoll Teile der Inferenz so früh wie möglich auf die Sensorarchitektur zu verteilen. So kann Datenvolumen, Energieverbrauch und Rechenzeit reduziert, sowie die Latenz des Gesamtsystems reduziert werden. Hardwareseitig werden hierzu Ansätze zur Programmierung und sensornahen Detektion von Primitivgesten untersucht. Weiterhin werden Verfahren zur Synchronisation verteilter Sensorsysteme konzipiert und untersucht. Diese Erweiterungen der Hardware bilden eine Voraussetzung für eine echtzeitfähige verteilte Berechnung der Inferenzalgorithmen. Das probabilistische generative Modell des Lagebildes und Inferenz erlauben somit die zielorientierte kausale Prädiktion von Unterstützungsbedarf und Gefahrenzuständen und bilden die Grundlage für das Bereitstellen von Feedback und assistiver Interventionen zur Unterstützung von Personen mit Kognitiven Einschränkungen, als auch der Unterstützung bei motorischen Erkrankungen bzw. während der Rehabilitation.