Index

Künstliche Intelligenz befähigt robotische Systeme, unterschiedlichste und komplexe Aufgaben flexibel zu bewältigen. Basis dafür sind moderne Foundation Models beziehungsweise Vision‑Language‑Action‑Modelle (VLAs) wie NVIDIA GR00T. Zugleich gewinnt die Open‑Source‑Gemeinschaft immer mehr an Bedeutung – Plattformen wie Huggingface fördern den offenen Austausch und die Demokratisierung von KI‑Werkzeugen.

Im Rahmen dieser studentischen Arbeit soll das LeRobot Framework am Beispiel des Open-Source-Roboterarms SO-100 in Betrieb genommen und evaluiert werden.

Aufgabenstellung

• Einarbeitung und Recherche
  • Recherche zu Vision‑Language‑Action‑Modellen und Imitation Learning
  • LeRobot Framework und SO‑100
• Konzeption und Umsetzung
  • Aufbau und Inbetriebnahme des SO‑100 in der Realität, ggf. auch in der Simulation
  • Erfassung und Vorverarbeitung von Demonstrationsdaten
  • Training von Imitation Learning Policies mit LeRobot
  • Finetuning von VLA‑Modellen auf den gesammelten Daten
• Evaluierung
  • Festlegung quantitativer Metriken
  • Robustheitstests unter variierenden Bedingungen
  • Ggf. Vergleich von Simulation und Realbetrieb

Vorkenntnisse

• Grundlegende Programmierkenntnisse (Python)
• Interesse an Robotik und KI
• Sehr gute Deutsch- und Englischkenntnisse
• Selbstständige, strukturierte Arbeitsweise

Weitere Informationen erhalten Sie gerne in einem persönlichen Gespräch.
Kontaktaufnahme bitte ausschließlich per E-Mail an christopher.may@faps.fau.de mit aussagekräftigen Unterlagen (Lebenslauf, vollständige Notenübersicht).
Generische oder KI-generierte Bewerbungen werden nicht berücksichtigt.

Der Arbeitsumfang wird an die Art der Arbeit angepasst.

Im Rahmen des Forschungsprojekts LLM-SE (Large Language Model unterstütztes Systems Engineering) erforschen wir am Lehrstuhl FAPS innovative Ansätze zur Teilautomatisierung des Engineerings mechatronischer Systeme mithilfe generativer KI. Ziel ist es, komplexe Entwicklungsprozesse – von der Anforderungsanalyse bis zur virtuellen Inbetriebnahme – durch KI-gestützte Assistenzsysteme effizienter und robuster zu gestalten.

Aufgabenbereiche

Wir suchen motivierte Studierende zur Unterstützung bei der Entwicklung eines Demonstrators, der die virtuelle Inbetriebnahme eines mechatronischen Systems ermöglicht. Der Fokus liegt auf der Integration generativer KI-Modelle (z. B. LLMs) zur Unterstützung von Engineering-Aufgaben.

1. Modellerstellung in Unity

   • Erstellung und Kinematisierung des mechatronischen Systems (am Beispiel einer CO2-Neutralen Produktionsanlage am FAPS)

   • Integration von Verhaltensmodellen zur Beschreibung von Sensoren und Aktoren

2. Anbindung der SPS mit Siemens TIA Portal

   • Entwicklung einer einfachen Steuerungslogik für das System

   • Anbindung der SPS an das Mechatronische Modell

3. Erstellung der ECAD-Verbindung

   • Extraktion relevanter Verbindungen zwischen SPS und der Produktionsanlage

   • Ableitung der IO-Strukturen

4. Integration generativer KI-Modelle

   • Anbindung eines LLM-Moduls zur teilautomatisierten Modell- oder Codegenerierung

   • Evaluation der KI-gestützten Assistenzfunktionen im Engineering-Prozess

Profil

• Studium in Maschinenbau, Elektrotechnik, Mechatronik, Informatik oder vergleichbar

• Kenntnisse in Unity (C#), TIA Portal oder EPLAN wünschenswert

• Interesse an KI, Automatisierung und virtueller Inbetriebnahme

• Selbstständige und strukturierte Arbeitsweise, Teamfähigkeit sowie gute Kommunikationsfähigkeiten

• Sehr gute Deutsch- und Englischkenntnisse in Wort und Schrift

Was wir bieten

• Einbindung in ein aktuelles öffentlich gefördertes Forschungsprojekt

• Hohe Zusammenarbeit mit regionalen Industriepartnern

Beginn

Ab sofort möglich. Die Position ist als Bachelor-, Projekt- oder Masterarbeit verfügbar.

Kontakt

Interessierte Studierende senden bitte ihre Bewerbungsunterlagen (kurzes Motivationsschreiben, Lebenslauf, Notenspiegel) per E-Mail an: martin.barth@faps.fau.de

Weitere Informationen zum Projekt LLM-SE:
 LLM-SE auf faps.fau.de

Drohnen werden in unterschiedlichsten Gebieten der Industrie eingesetzt, unter anderem zum Materialtransport in der Logistik oder zur photogrammetrischen Rekonstruktion von Gebäuden und Baustellen.

Für den effizienten und sicheren Einsatz ist es wünschenswert, dass die Drohnen ihre Aufgaben selbstständig erledigen, also autonom agieren. Dadurch wird es möglich mithilfe Agenten-basierter Navigation die Drohnen auf Basis von Reinforcement Learning Ansätzen hinsichtlich unterschiedlicher Kriterien zu optimieren. Die Agenten lernen dabei in modernen Simulatoren komplexe Verhaltensmuster.

Um die Übertragbarkeit eines in der Simulation trainierten Agenten auf die Realität problemlos zu ermöglichen, ist die Erforschung neuartiger Ansätze zur Überwindung der Kluft zwischen Simulation und Realität (Sim2Real-Transfer) notwendig.

Es gibt einige Abschlussarbeiten zum Thema Sim2Real Transfer zu vergeben. Darunter beispielsweise:

• Datenbasierte Modellbildung und Agententraining
• Systemanalyse und Quantifizierung der Sim2Real Gap
• KI-Basierte Flugsicherheit und Zustandsüberwachung

Weitere Informationen zu den einzelnen Themen erhalten Sie auf Anfrage.

 

Ziele und Arbeitsschritte

• Einarbeitung in ROS2 und die Programmierung autonomer Drohnen
• Anpassung der Simulationsumgebung und Training der Agenten
• Übertrag und Validierung auf realem System

Benefits

• Hands-On Erfahrung in der Entwicklung im Bereich Robotik
• Austausch mit anderen Studierenden am FAPS
• Einblicke in weitere Forschungsbereiche
• Anwendungsbezogene Arbeit für den Berufseinstieg
• Flexible Arbeitsweise

Hinweise zur Bewerbung

• Erste Erfahrung und Freude an der Programmierung
• Interesse am Robot Operating System (ROS2)
• Gute Englischkenntnisse erforderlich
• Sehr gute Deutscherkenntnisse erforderlich (mind. C1)
• Selbstständige Arbeitsweise
• Beginn jederzeit möglich

Drohnen werden in unterschiedlichsten Gebieten der Industrie eingesetzt, unter anderem zum Materialtransport in der Intralogistik oder zur Erfassung digitaler Lagebilder.

Für den effizienten und sicheren Einsatz ist es wünschenswert, dass die Drohnen ihre Aufgaben selbstständig erledigen, also autonom agieren. Durch den autonomen Betrieb wird es möglich mithilfe geeigneter Navigation die Drohnen beispielsweise hinsichtlich ihres Energieverbrauchs zu optimieren. Hierfür ist die Erforschung robotischer Infrastrukturen (Robot Operating System 2), Computer-Vision, neuartiger KI-Modelle und Reinforcement Learning erforderlich. Zudem sind Hardwareaspekte, wie ein stabiler Aufbau des Flugroboters sowie die Ausstattung mit entsprechender Sensorik zu beachten.

Am Flugfeld des Lehrstuhl FAPS sind verschiedene Themen für Bachelor- und Masterarbeiten in den oben genannten Bereichen zu vergeben. Voraussetzung ist die Motivation zur selbständigen Einarbeitung in die Programmierung von Flugrobotern. Weitere Informationen erhalten Sie auf Anfrage per E-Mail.

Hinweise zur Bewerbung

• Freude an der Programmierung
• Interesse am Robot Operating System
• Gute Englischkenntnisse erforderlich
• Sehr gute Deutscherkenntnisse erforderlich (mind. C1)
• Selbstständige Arbeitsweise
• Beginn jederzeit möglich

• Bewerbungen bitte per E-Mail mit aktueller Notenübersicht und Lebenslauf
• Bitte beachten Sie, dass unvollständige Bewerbungen nicht berücksichtigt werden

Drohnen werden in unterschiedlichsten Gebieten der Industrie eingesetzt, unter anderem zum Materialtransport in der Logistik oder zur Erfassung und photogrammetrischen Rekonstruktion von Gebäuden und Baustellen.

Für den effizienten und sicheren Einsatz ist es wünschenswert, dass die Drohnen ihre Aufgaben selbstständig erledigen, also autonom agieren. Dadurch wird es möglich mithilfe Agenten-basierter Navigation die Drohnen auf Basis von Reinforcement Learning Ansätzen hinsichtlich unterschiedlicher Kriterien zu optimieren.

In dieser Arbeit soll ein Agent in einer Simulationsumgebung trainiert werden, um optimierte Flugpfade zu erlernen. Bei ausreichender Robustheit soll die Performance des Agenten auf einem realen System validiert werden.

Ziele und Arbeitsschritte

• Einarbeitung in ROS2 und die Programmierung autonomer Drohnen
• Anpassung der Simulationsumgebung und Training der Agenten
• Übertrag und Validierung auf realem System

Benefits

• Hands-On Erfahrung in der Entwicklung im Bereich Robotik
• Austausch mit anderen Studierenden am FAPS
• Einblicke in weitere Forschungsbereiche
• Anwendungsbezogene Arbeit für den Berufseinstieg
• Flexible Arbeitsweise

Hinweise zur Bewerbung

• Erste Erfahrung und Freude an der Programmierung
• Interesse am Robot Operating System
• Gute Englischkenntnisse erforderlich
• Sehr gute Deutscherkenntnisse erforderlich (mind. C1)
• Selbstständige Arbeitsweise
• Beginn jederzeit möglich

Im Rahmen eines Forschungsprojekts zum Einsatz autonomer Flugroboter in Katastrophenszenarien erforscht der Lehrstuhl FAPS Ansätze zur Lokalisierung und Steuerung von Drohnen mittels künstlicher Intelligenz.
Eine Herausforderung ist dabei die Robustheit der KI-Modelle gegenüber Veränderungen in der Umgebung, etwa durch neue Infrastruktur oder unterschiedliche Jahreszeiten.

Ziel dieser studentischen Arbeit ist die Entwicklung einer automatisierten Pipeline, die reale oder simulierte Aufnahmen so anpasst, dass sie vielfältige Veränderungen realistisch abbildet.

Aufgabenstellung

• Einarbeitung
  • Literaturrecherche zu Diffusions- und GAN-Modellen für Bildtransformation
  • Analyse von Kontrollmechanismen (z. B. ControlNet, Inpainting)
• Konzeption und Umsetzung
  • Entwicklung einer Pipeline zur automatisierten Nachbearbeitung großer Bilddatensätze
  • Integration von Qualitätsprüfungen und Datenversionierung
• Evaluierung

Vorkenntnisse

• Grundlegende Programmierkenntnisse
• Interesse an generativer KI
• Sehr gute Deutsch- und Englischkenntnisse
• Motivation und eigenständige Arbeitsweise

Weitere Informationen erhalten Sie gerne in einem persönlichen Gespräch.
Kontaktaufnahme bitte ausschließlich per E-Mail an christopher.may@faps.fau.de mit aussagekräftigen Unterlagen (Lebenslauf, vollständige Notenübersicht).
Generische oder KI-generierte Bewerbungen werden nicht berücksichtigt.

Im Rahmen eines Forschungsprojekts zum Einsatz autonomer Flugroboter in Katastrophenszenarien erforscht der Lehrstuhl FAPS Methoden zur Lokalisierung und Steuerung von Drohnen mithilfe künstlicher Intelligenz.
Eine zentrale Herausforderung beim Training entsprechender KI-Modelle ist die Verfügbarkeit geeigneter Daten.

Im Rahmen dieser studentischen Arbeit sollen relevante Datenquellen identifiziert und Trainingsdatensätze aufgebaut werden. Dabei können sowohl kommerzielle Satellitendaten als auch öffentlich zugängliche Quellen genutzt werden.

Aufgabenstellung

• Einarbeitung
  • Recherche nach geeigneten Datenquellen (z. B. Satellitendaten)
  • Einarbeitung in zugehörige APIs
  • Bewertung und Auswahl vielversprechender Quellen
• Konzeption und Umsetzung der Datenextraktion
  • Entwicklung einer Pipeline zur automatisierten Extraktion
  • Evaluierung der extrahierten Daten hinsichtlich Qualität und Eignung

Vorkenntnisse

• Grundlegende Programmierkenntnisse
• Interesse an autonomen Flugrobotern
• Sehr gute Deutsch- und Englischkenntnisse
• Motivation und eigenständige Arbeitsweise

Weitere Informationen erhalten Sie gerne in einem persönlichen Gespräch.
Kontaktaufnahme bitte nur per E-Mail an christopher.may@faps.fau.de einschließlich aussagekräftiger Unterlagen (Lebenslauf, vollständige Notenübersicht).
Generische und KI-generierte Bewerbungen erhalten keine Rückmeldung.

Im Rahmen eines Forschungsprojekts zum Einsatz autonomer Flugroboter in Katastrophenszenarien erforscht der Lehrstuhl FAPS Ansätze zur Lokalisierung und Steuerung von Drohnen mittels künstlicher Intelligenz.
Eine zentrale Herausforderung für das Training der erforderlichen KI-Modelle ist die Verfügbarkeit geeigneter Daten.
Satellitenbilder sind eine naheliegende Option, jedoch teuer in der Beschaffung und nur begrenzt beeinflussbar. Simulationen bieten hingegen den Vorteil direkter Interaktivität und gezielter Steuerbarkeit.

Im Rahmen dieser studentischen Arbeit sollen mithilfe des MS Flight Simulator 2024 automatisiert Datensätze für das Training von KI-Modellen generiert werden.
Ein zentraler Aspekt ist die Extraktion georeferenzierter Bilddaten. Darüber hinaus soll die Einbindung von Umgebungseinflüssen wie Wetter oder Jahreszeiten untersucht werden.

Aufgabenstellung

• Einarbeitung
  • Einarbeitung in den MS Flight Simulator 2024
  • Einarbeitung in die API des MSFS zur automatisierten Interaktion
• Konzeption und Umsetzung der Datenextraktion
  • Konzeption einer Pipeline zur automatisierten Generierung von Trainingsdaten in einem definierten Gebiet
  • Berücksichtigung von Umgebungseinflüssen
  • Implementierung der Pipeline
• Evaluierung der generierten Datenqualität durch Vergleich mit Satellitendaten

Vorkenntnisse

• Grundlegende Programmierkenntnisse
• Interesse an Simulationen und autonomem Fliegen
• Erfahrungen mit dem MS Flight Simulator 2024 von Vorteil, aber nicht erforderlich
• Sehr gute Deutsch- und Englischkenntnisse
• Motivation und eigenständige Arbeitsweise

Weitere Informationen erhalten Sie gerne in einem persönlichen Gespräch.
Kontaktaufnahme bitte nur per E-Mail an christopher.may@faps.fau.de einschließlich aussagekräftiger Unterlagen (Lebenslauf, vollständige Notenübersicht).
Generische und KI-generierte Bewerbungen erhalten keine Rückmeldung.

Der Arbeitsumfang kann entsprechend der Art der Abschlussarbeit angepasst werden.

                                                                                                                 

Hast du Lust, echte Industrieprojekte mit moderner Robotik und Bildverarbeitung zu lösen?

Dann gestalte mit uns die Zukunft der automatisierten Qualitätssicherung im Schaltschrankbau!

Am FAPS arbeiten wir an einer roboterbasierten Lösung zur visuellen und elektrischen Endkontrolle von Schaltschränken. Im Zentrum steht ein kollaborativer Roboter mit montierten 2D- und 3D-Kameras, der automatisch verschiedene Merkmale eines fertig montierten Schaltschranks prüfen soll – etwa Position, Orientierung und Beschriftung von Komponenten. Eine besondere Herausforderung besteht dabei in der Erkennung und Bewertung von Bauteilen und Beschriftungen, die teilweise oder vollständig von Kabeln und Leitungen verdeckt werden.

Ziel der Arbeit

Ziel deiner Arbeit ist es, verschiedene Ansätze zum Umgang mit solchen Verdeckungen zu recherchieren, zu vergleichen und einen geeigneten Lösungsansatz prototypisch zu implementieren.

Denkbare Methoden sind beispielsweise:

• Segmentierung von Kabeln in 2D- oder 3D-Daten, etwa durch Machine Learning oder geometrische Verfahren
• Einsatz von Neural Radiance Fields (NeRF), bei denen störende Kabel gezielt ausgeblendet werden
• Kombination mehrerer Perspektiven und Rekonstruktion einer vollständigen 3D-Szene, um verdeckte Bereiche zu rekonstruieren oder freizustellen
• Abgleich der realen Aufnahme mit STEP-Modellen der Bauteile, um Abweichungen und überstehende Verkabelungen zu erkennen und zu entfernen
• Gezieltes Beiseiteschieben von Kabeln mit einem Manipulator am Roboter

Andere Ansätze und eigene Ideen sind ausdrücklich willkommen.

Was du mitbringen solltest

• Studium im Bereich Maschinenbau, Mechatronik, Automatisierung, Robotik, Informatik oder vergleichbar
• Interesse an Bildverarbeitung, Machine Learning und Robotik
• Erfahrung in der Programmierung (vorzugsweise Python)
• Eigeninitiative und Freude daran, neue Ansätze zu entwickeln
• Sehr gute Deutsch- oder Englischkenntnisse in Wort und Schrift

Was wir bieten

• Aktuelles Forschungsthema mit Industriebezug und hohem Zukunftspotenzial
• Zugang zu modernster Hardware (UR-Roboter, 3D-Kameras, Testumgebungen)
• Freiraum für deine Ideen und Schwerpunktsetzung
• Enge fachliche Betreuung und die Möglichkeit, deine Ergebnisse in ein größeres Forschungsprojekt einzubringen

Bewerbungen bitte mit aktuellem Notenauszug und Lebenslauf per E-Mail an die angegebene Mail-Adresse.

Start: jederzeit möglich

Ort: Nürnberg am FAPS Standort “auf AEG”

Aufgabenstellung:

Die zunehmende Komplexität von elektrischen Systemen in Automobilen, Flugzeugen oder industriellen Anlagen führt zu einem gestiegenen Bedarf an flexiblen und intelligenten Automatisierungslösungen im Bereich der Kabelbaum- bzw. Leitungssatzherstellung und -montage. Insbesondere bei kleinen Losgrößen und hoher Variantenvielfalt stoßen klassische Automatisierungsmethoden an ihre Grenzen. Die Manipulation von Kabelbäumen – aufgrund ihrer Flexibilität, Instabilität und komplexen Geometrie – stellt dabei eine besondere Herausforderung dar.

Mit dem Aufkommen von Foundation Models, großen, vortrainierten Modellen, die über eine Vielzahl von Aufgaben hinweg generalisieren können, entstehen neue Möglichkeiten im Bereich der Robotik. Eines dieser Modelle ist GROOT (Graph-based Robot Optimization for Object Tasks), ein multimodales Foundation Model für Robotermanipulation. GROOT wurde mit großen Mengen an Simulations- und Realweltdaten vortrainiert und ist ähnlich aufgebaut wie Sprachmodelle vom Typ GPT, jedoch speziell auf physikalische Interaktion, Sensorik, Bewegungsplanung und Objektmanipulation ausgerichtet. Wie ChatGPT im Sprachbereich erlaubt GROOT in der Robotik eine Form von „Prompting“, bei der durch die Angabe von Zielzuständen, Szenarien oder Beispieldemonstrationen komplexe Handlungsabfolgen generiert werden können – ohne explizites Programmieren oder klassische Planung.

 

Ziel der Masterarbeit:

Im Rahmen dieser Masterarbeit soll ein lernfähiger Roboter (Lerobot) aufgebaut und in Betrieb genommen werden, der mit Hilfe des KI-Frameworks GROOT in der Lage ist, manipulativ mit einem vereinfachten Kabelbaum umzugehen. GROOT erlaubt es diese komplexe Manipulationsaufgaben in unstrukturierten Umgebungen zu erlernen, die über klassische Planungsmethoden nicht lösbar sind.

 

Die Arbeit beinhaltet folgende Schwerpunkte:

• Einarbeitung in die Thematik der Kabelbaummanipulation und deren Herausforderungen
• Überblick über klassische Automatisierungsmethoden und deren Limitationen
• Einarbeitung in GROOT und die zugrundeliegenden Konzepte
• Aufbau und Integration in den LeRobot

 

Persönliche Voraussetzungen:

• Interesse an KI-gestützter Robotik und lernenden Systemen
• Erfahrung in der Programmierung mit Python/C++, sowie grundlegende Kenntnisse im Machine Learning
• Selbstständige, strukturierte und wissenschaftlich fundierte Arbeitsweise
• Deutsch oder Englisch in Wort und Schrift

Weitere Informationen und Details sind unter simon.lamprecht@faps.fau.de erhältlich.
Eine Bearbeitung ist ab sofort möglich. Bewerbungen senden Sie bitte mit Notenauszug und Lebenslauf per E-Mail an die genannte Kontaktperson.  KI-generierte, generische und fachlich unpassende Bewerbungen erhalten keine Rückmeldung.