Index

Siemens Energy bietet aktuell eine Masterarbeit zur Analyse und Simulation einer Automatisierungslösung für die Blechbearbeitung zur Optimierung von Prozessen und Qualität an. Die Arbeit wird im Werk für Großtransformatoren in Nürnberg durchgeführt. Weitere Informationen unter:

https://jobs.siemens-energy.com/en_US/jobs/FolderDetail/292057

Hintergrund
Die Fertigung elektrischer Antriebe, wie etwa Hairpin-, Continuous-Hairpin- oder Axialflussmaschinen, erfordert eine präzise Kontrolle von Material und Prozess. Ein zentraler Schritt ist das Richten von Flachdraht, das bislang auf festen Parametern und Erfahrungswissen basiert. Dabei werden Schwankungen im Material nur unzureichend berücksichtigt. Das Ziel besteht darin, diesen Prozess mithilfe moderner Sensorik, Messtechnik und innovativer Regelungsansätze weiterzuentwickeln, um die Produktionsqualität effizient zu steigern.

 

Mögliche Aufgabenstellungen
Studentische Arbeiten können zu einem der folgenden Themen erarbeitet werden:

• Integration eines Interferometers zur Isolationsschichtdickenmessung
• Integration von Sensorik zur Überwachung der Abhaspeleinrichtung
• Erweiterung der prototypischen Versuchsanlage um Sicherheitstechnik
• Modellierung und Simulation des Richtprozesses
• Weiterentwicklung einer flexiblen, mechanischen Abisolierstation für Flachdraht
• SPS-Programmierung einer Schwenkbiege-Anlage zum 2D-Biegen von Flachdraht

Die detaillierten Inhalte und Aufgabenstellungen werden in einem persönlichen Gespräch besprochen.

 

Anforderungsprofil

• Interesse an der Produktion elektrischer Traktionsantriebe
• Je nach Themengebiet sind Grundkenntnisse in Konstruktion, Messtechnik, Programmierung, Datenanalyse (KI/ML) oder Regelungstechnik erforderlich.
• Freude an praktischer Arbeit (Versuchsreihen, Messtechnik, Anlagenaufbau)
• Analytisches, strukturiertes und selbstständiges Arbeiten
• Teamfähigkeit und Kommunikationsstärke
• Gute Deutsch- und Englischkenntnisse in Wort und Schrift

 

Bewerbung
Bitte senden Sie Ihre Bewerbung mit

• Lebenslauf
• Aktuellem Notenspiegel
• Angabe der bevorzugten Aufgabenstellung

per E-Mail an anja.preitschaft@faps.fau.de

Wichtig: Bewerbungen ohne konkrete Nennung eines Themenbereichs können leider nicht bearbeitet werden.

Motivation

Im Rahmen des Forschungsprojekts „ProTekt“ am FAPS arbeiten wir an der Automatisierung der Qualitätsprüfung von Schaltschränken. Ein wichtiger Baustein dabei ist die elektrische Prüfung. Damit ein Roboter elektrische Messungen automatisiert durchführen kann, müssen die passenden Prüfpunkte an den verbauten Komponenten zuverlässig erkannt und lokalisiert werden. Prüfpunkte sind die elektrischen Kontaktstellen an den Komponenten, über die einzelne Anschlüsse elektrisch ankontaktiert werden können. In der Praxis ist ihre Erkennung jedoch herausfordernd: Form, Lage, Größe und visuelle Erscheinung variieren stark zwischen unterschiedlichen Herstellern, Komponentenarten und Schaltschrankaufbauten.

Ziel der Arbeit

Ziel deiner Arbeit ist es, ein leichtgewichtiges Computer-Vision-Verfahren zur robusten Erkennung von Prüfpunkten zu entwickeln, zu bewerten und prototypisch umzusetzen. Im Zentrum steht dabei ein CNN-basiertes Modell, das Prüfpunkte als eigene Objektklasse erkennt und auch bei hoher Varianz der Komponenten zuverlässig funktioniert.

Dazu gehört insbesondere:

• Einarbeitung in den Projektkontext und die Rolle elektrischer Prüfpunkte in der automatisierten Schaltschrankprüfung
• Analyse vorhandener Bilddaten sowie Einbezug und Bewertung geeigneter Online-Datensätze für Training und Validierung
• Optional: Anpassung einer bestehenden Pipeline zur Erzeugung synthetischer Daten, sodass diese auch für Prüfpunkte genutzt werden kann
• Entwicklung eines leichtgewichtigen CNN-basierten Ansatzes zur Detektion
• Untersuchung, welche Merkmale und Datenrepräsentationen für eine robuste Generalisierung über viele Komponenten hinweg geeignet sind
• Entwicklung einer geeigneten Methodik, um die Robustheit des Systems bei hoher Varianz nachvollziehbar nachzuweisen
• Durchführung einer sinnvollen Evaluierung mit unterschiedlichen Komponentenklassen, Ausprägungen und Schwierigkeitsgraden

Ziel ist ein Prüfpunkt-Detektionssystem, das nicht nur auf wenigen Einzelbeispielen funktioniert, sondern seine Robustheit auch über eine große Bandbreite realer Komponenten hinweg nachvollziehbar zeigt.

Anforderungen an den Studierenden

• Studium im Bereich Maschinenbau, Mechatronik, Wirtschaftsingenieurwesen oder vergleichbar
• Interesse an Computer Vision, Deep Learning und praxisnaher AI-Anwendung
• Erste Programmierkenntnisse, vorzugsweise in Python
• Selbstständige und strukturierte Arbeitsweise
• Sehr gute Deutsch oder Englisch Kenntnisse

Bewerbungen bitte per Mail mit Lebenslauf und aktuellem Notenspiegel an matthias.lang@faps.fau.de
Start: jederzeit möglich
Ort: Nürnberg am FAPS Standort „auf AEG“ – hybrid möglich

Motivation

Der Schaltschrankbau ist eine zentrale, aber wenig standardisierte Industriebranche mit hoher Varianz in Produkten, Anwendungen und Fertigungsprozessen. Gleichzeitig steigen die Anforderungen an Qualität, Dokumentation und Effizienz. Die Prüfung von Schaltschränken ist dabei ein kritischer Schritt, der heute noch stark manuell geprägt ist. Im Rahmen des Projekts „ProTekt“ am FAPS wird die Automatisierung dieser Prüfprozesse gezielt erforscht und weiterentwickelt.

Ziel der Arbeit

Ziel der Arbeit ist es, eine strukturierte Branchenübersicht des Schaltschrankbaus zu erarbeiten und daraus die Anforderungen, bestehende Lösungen sowie Potenziale für die Automatisierung der Qualitätsprüfung systematisch abzuleiten.

Dazu gehört insbesondere:

• Strukturierung der Branche anhand relevanter Dimensionen (z.B. Arten von Schaltschränken, Spannungsebenen und Leistungsbereiche, Einsatzbranchen, …)
• Analyse typischer Fertigungs- und Montageprozesse im Schaltschrankbau
• Untersuchung relevanter Normen und Richtlinien für die Prüfung (z. B. elektrische, visuelle und funktionale Prüfungen)
• Überblick über bestehende kommerzielle Prüflösungen, sowie Automatisierungslösungen mit Einfluss auf die Prüfung
• Systematische Ableitung von Anforderungen und Herausforderungen für die Prüfautomatisierung
• Identifikation von Dimensionen, die die Relevanz und das Potenzial von Automatisierung beeinflussen (z. B. Varianz, Stückzahlen, Komplexität, Sicherheitsanforderungen)
• Erarbeiten offener Fragen, die im Rahmen einer späteren Branchenumfrage adressiert werden können

Ziel ist ein klar strukturiertes Gesamtbild der Branche mit einem besonderen Augenmerk auf Qualitätsprüfung, das als Grundlage für weitere Forschungs- und Entwicklungsarbeiten dient.

Anforderungen an den Studierenden

• Studium im Bereich Maschinenbau, Mechatronik, Wirtschaftsingenieurwesen oder vergleichbar
• Interesse an industriellen Prozessen und technischen Systemen
• Fähigkeit, komplexe Themen strukturiert zu analysieren und aufzubereiten
• Selbstständige Literatur- und Internetrecherche

Bewerbungen bitte per Mail mit Lebenslauf und aktuellem Notenspiegel and matthias.lang@faps.fau.de

Start: jederzeit möglich
Ort: Nürnberg am FAPS Standort „auf AEG”
Die Durchführung der Arbeit ist remote möglich

Motivation
Sehnengetriebene Aktuationssysteme sind ein zentraler Ansatz moderner Robotik, insbesondere für humanoide und leichte, energieeffiziente Systeme. Durch die Entkopplung von Aktuator und bewegter Struktur lassen sich Massen reduzieren und komplexe Bewegungen realisieren. Für Entwicklung, Auslegung und spätere Steuerung solcher Systeme sind realitätsnahe Simulationen essenziell.
Unterschiedliche physikalische Modellierungsansätze für Seil- und Sehnenstrukturen (z. B. vereinfachte oder kontinuierliche Modelle) unterscheiden sich jedoch stark hinsichtlich Genauigkeit, Stabilität und Rechenaufwand. Diese Unterschiede wirken sich direkt auf die Nutzbarkeit in simulationsbasierten Entwicklungsprozessen und insbesondere auf Reinforcement-Learning-Anwendungen in NVIDIA Isaac Sim / Isaac Lab aus.

Ziel der Arbeit
Ziel der Arbeit ist die systematische Untersuchung und prototypische Implementierung ausgewählter Simulationsmethoden für Seil- und Sehnenstrukturen. Im Fokus steht die Frage, wie unterschiedliche physikalische Modellierungen praktisch umgesetzt werden können und welchen Einfluss sie auf das Verhalten der Simulation sowie auf die Trainingsstabilität und Performance von RL-Algorithmen haben.
Die Ergebnisse sollen vergleichbar aufbereitet und hinsichtlich ihrer Eignung für robotische Anwendungen bewertet werden.

Schwerpunkte

• Simulationsmethoden & Implementierung in Isaac Sim / Isaac Lab
• Vergleich & RL-basierte Bewertung

Weitere Informationen
Infos auf Anfrage. Bewerbung per E-Mail mit Lebenslauf und Notenübersicht.

Die Auslegung von Toroidalmagnetfeldern ist eine zentrale Grundlage für zahlreiche Anwendungen in der Energietechnik und Magnetentwicklung, insbesondere im Umfeld supraleitender Systeme und zukünftiger Fusionsanlagen. Dabei müssen Feldverteilungen, Geometrieeinflüsse, Randbedingungen und Auslegungsparameter in geeigneten Simulationsumgebungen zuverlässig abgebildet und bewertet werden. Insbesondere bei komplexen Spulengeometrien, gekrümmten Leiterverläufen und hohen Anforderungen an Feldqualität, Nachvollziehbarkeit und Modellgüte sind systematische Analyse und Validierung der verwendeten Simulationswerkzeuge von großer Bedeutung. Ziel dieser Arbeit ist die Analyse bestehender Simulationsumgebungen zur Auslegung von Toroidalmagnetfeldern. Der Fokus liegt auf dem strukturierten Verständnis der zugrunde liegenden Modelle, der Bewertung von Parametereinfluss und Aussagekraft sowie der Untersuchung der Eignung der Umgebung für die magnetische Auslegung und den späteren Einsatz im Forschungskontext.

Aufgabenstellung

• Einarbeitung in die bestehenden Simulationsumgebungen, die physikalischen Grundlagen von Toroidalmagnetfeldern und die relevanten Randbedingungen der magnetischen Auslegung
• Analyse des Aufbaus der Simulationsumgebung hinsichtlich Modellstruktur, Eingangsgrößen, Randbedingungen und Ergebnisdarstellung
• Untersuchung der zugrunde liegenden Annahmen, Vereinfachungen und Grenzen der verwendeten Modellierung
• Durchführung systematischer Simulationsstudien zur Bewertung des Einflusses wesentlicher Auslegungsparameter auf Feldverteilung und Feldcharakteristik
• Analyse der Sensitivität gegenüber geometrischen, elektrischen und magnetischen Eingangsgrößen
• Bewertung der Aussagekraft und Plausibilität der Simulationsergebnisse anhand physikalischer Zusammenhänge und gegebenenfalls verfügbarer Referenzdaten
• Identifikation möglicher Schwachstellen, Unsicherheiten oder Verbesserungspotenziale innerhalb der Simulationsumgebung
• Erarbeitung von Ansätzen zur strukturierten Nutzung, Erweiterung oder methodischen Verbesserung der Umgebung für zukünftige Auslegungsaufgaben
• Dokumentation der Ergebnisse sowie Aufbereitung der gewonnenen Erkenntnisse für die weitere Nutzung im Team

Anforderungen

• Gute Kenntnisse in Elektrotechnik, Mechatronik, Physik, Maschinenbau oder einem verwandten technischen Bereich
• Interesse an elektromagnetischen Fragestellungen, numerischer Simulation und physikalischer Modellbildung
• Grundkenntnisse in mathematischer Modellierung und technischer Auswertung
• Sehr gute Programmierkenntnisse, idealerweise in Python, C++, Matlab oder einer vergleichbaren Umgebung
• Erfahrungen mit Simulationstools oder elektromagnetischen Berechnungen
• Strukturierte, eigenständige und sorgfältige Arbeitsweise sowie Teamfähigkeit
• Sehr gute Deutsch und/oder Englischkenntnisse in Wort und Schrift

Weitere Informationen

Weitere Informationen und Details sind bei den genannten Mitarbeitern erhältlich. Eine Bearbeitung ist ab sofort möglich. Bewerbungen senden Sie bitte mit aktuellem Notenauszug, relevanten Zeugnissen, Sprach Level Nachweis bei nicht muttersprachlichem Deutsch oder Englisch sowie Lebenslauf per E Mail. Ich werde mich zeitnah rückmelden.

Kamera und KI gestützte Roboterprozesse eröffnen neue Möglichkeiten für die präzise und flexible Fertigungsprozesse. Insbesondere bei der Handhabung biegeschlaffer Bauteile, geometrischen Toleranzen und hohen Anforderungen an Prozesssicherheit, Wiederholgenauigkeit und Robustheit sind konventionelle, rein vorgeplante Abläufe nur eingeschränkt geeignet. Ziel dieser Arbeit ist die Entwicklung eines kamera und KI gestützten Roboterprozesses zur zuverlässigen Erkennung, Lagebewertung und automatisierten Einbringung paralleler Drähte in Statornuten. Der Fokus liegt auf der durchgängigen Verbindung von Bildverarbeitung, intelligenter Prozessentscheidung und robotischer Ausführung einschließlich geeigneter Schnittstellen, Validierungsstrategien und Bewertung der Prozessfähigkeit.

Aufgabenstellung

• Einarbeitung in den bestehenden Versuchsaufbau, die Prozessanforderungen und die Randbedingungen der Drahteinbringung in Statornuten
• Analyse des Ist Zustands hinsichtlich Drahtlage, Toleranzen, relevanter Fehlerbilder und bisheriger Handhabungsstrategien
• Konzeption eines kamera gestützten Systems zur Erkennung und Bewertung der Drahtposition sowie der relevanten Prozessmerkmale
• Entwicklung geeigneter KI basierter Ansätze zur Detektion, Klassifikation oder Lagebewertung der Drähte und zur Unterstützung der Prozessentscheidung
• Auslegung und Implementierung eines robotergestützten Prozesses zur automatisierten Einbringung paralleler Drähte in Statornuten
• Entwicklung geeigneter Strategien zur Bahnplanung, Korrekturbewegung und robusten Prozessführung bei Abweichungen im realen Aufbau
• Integration der Bildverarbeitung und KI Verfahren in die bestehende Roboter und Steuerungsumgebung
• Inbetriebnahme und experimentelle Validierung des Gesamtsystems hinsichtlich Erkennungsqualität, Wiederholgenauigkeit, Prozessstabilität und Robustheit
• Dokumentation der Ergebnisse sowie Aufbereitung der entwickelten Methoden für die weitere Nutzung im Team

Anforderungen

• Gute Kenntnisse in Robotik, Automatisierung, Mechatronik oder einem verwandten technischen Bereich
• Interesse an Bildverarbeitung, maschinellem Lernen oder KI gestützten Verfahren in der Produktion
• Grundkenntnisse in Programmierung, idealerweise in Python oder C++
• Erfahrungen mit ROS, Kamera Systemen, Machine Vision oder der Verarbeitung von Sensordaten sind von Vorteil
• Strukturierte, eigenständige und sorgfältige Arbeitsweise sowie Teamfähigkeit
• Sehr gute Deutsch und/oder Englischkenntnisse in Wort und Schrift

Weitere Informationen

Weitere Informationen und Details sind bei den genannten Mitarbeitern erhältlich. Eine Bearbeitung ist ab sofort möglich. Bewerbungen senden Sie bitte mit aktuellem Notenauszug, relevanten Zeugnissen, Sprach Level Nachweis bei nicht muttersprachlichem Deutsch oder Englisch sowie Lebenslauf per E Mail. Wir werden uns zeitnah rückmelden.

Der Einsatz von Edge Computing gewinnt in vielen Bereichen an Bedeutung, da er die Datenverarbeitung näher an den Ort der Datenentstehung verlagert und damit Latenzen, Bandbreitenbedarf sowie Abhängigkeiten von Cloud-Verbindungen reduziert. Gleichzeitig steigen die Anforderungen an Automatisierung, Lifecycle Management und Fleet Operations, weil Edge-Knoten oft heterogen sind, in instabilen Netzen laufen und nur eingeschränkt an verteilten Ort gewartet werden können.

Ziel dieser studentischen Arbeit ist der Aufbau und die prototypische Evaluation einer self-managed Edge-Kubernetes-Referenzarchitektur (hub-and-spoke), die zunächst virtuelle Edge Devices (VMs auf Proxmox VE und/oder OpenStack) nutzt und später auf dedizierte Hardware übertragbar ist. Im Fokus steht eine reproduzierbare Day-0 Provisioning Pipeline via (i)PXE boot sowie first-boot configuration mit cloud-init und Ignition/Combustion (optional unter Nutzung von Matchbox). Darauf aufbauend sollen mehrere Linux- und Kubernetes-Cluster-Varianten automatisiert gestartet und zentral mit GitOps sowie Fleet-style Multi-Cluster Rollout verwaltet werden.

(Mögliche) Schwerpunkte der Arbeit:

• Design & Implementierung einer hub-and-spoke Referenzarchitektur für self-managed Edge Kubernetes (Management Cluster + Edge Spokes).
• Provisioning Pipeline: Klassisches (i)PXE, darauf aufbauendes Netboot mittels HTTPBoot via UEFI or U-Boot oder je nach BMC auch IPMI/Redfish, Profilverwaltung (optional Matchbox) und Konfiguration via Ignition/Combustion/cloud-init. Parallel dazu Lifecycle Management mittels Cluster API und entsprechendem Provider (z.B. CAPM3 (Metal³ im Falle OpenStack Ironic) oder CAPT (Tinkerbell im Falle von einfachem iPXE/Netboot))
• Definition von stabilen Cluster-Profilen (z.B. Talos Linux, openSUSE Leap Micro + k3s, Ubuntu + MicroK8s oder Debian + k0s) inkl. automatisiertem Bootstrap und Re-Provisioning (replaceable nodes).
• GitOps-gestützte Baseline: Standardisierte Installation von Add-ons (z. B. Longhorn, Ingress, Observability) über Argo CD oder Flux.
• Persistence & Registry Integration: Longhorn als persistence storage, Deployment-Pipeline über GitLab CI/CD, GitLab Container Registry, Harbor als Proxy Cache und Replication Bridge / Pull-Through Cache (ggf. zunächst lediglich GitLab Dependency Proxy für Docker Hub) und optional K3s Spegel.
• Dokumentation & Demonstrator: Nachvollziehbare Architektur-/Betriebsdokumentation, IaC/Automation in einem Git-Repository sowie eine Demo-Umgebung als Testbed für Forschung/Lehre.

Ausblick auf darauf aubauende Arbeiten:

• Erweiterung des Lifecycle Managements um Foreman und Katello.
• Fleet-style Multi-Cluster Rollout: Vergleich und Bewertung von Rancher Fleet, Argo CD ApplicationSet und Flux (optional Open Cluster Management (OCM) / Karmada) anhand definierter Kriterien (Drift, Skalierbarkeit, Multi-tenancy, Offline-Toleranz, Usability usw.).
• Integration und Reifegradbewertung von KubeEdge/OpenYurt oder LF Edge Komponenten (FIDO Device Onboard, EVE-OS, EdgeX Foundry) im Rahmen der bestehenden Architektur.

Wenn die ausgeschriebene Arbeit noch online ist, dann ist sie auch noch aktuell. Sollten Sie Interesse an der Arbeit haben, so kommen Sie bitte mittels einer E-Mail (in der Sie kurz Ihr Vorwissen darstellen) auf mich zu. Sollten Sie eine intrinsische Motivation für ein angrenzendes oder ähnlichen Thema haben, so stellen Sie in Ihrer Anfrage bitte den Bezug zu meiner Ausschreibung dar.

Bitte stellen Sie die komplette Anfrage in deutscher Sprache, auch wenn Sie die Ausarbeitung in Englisch verfassen werden. Hintergrund ist, dass Sie sich in laufende Forschungsprojekte einbringen mit den Unternehmen austauschen können sollen und von diesen wird mehrheitlich eine Kommunikation auf Deutsch gewünscht.

Weitere Informationen erhalten Sie auf Anfrage, der Arbeitsumfang kann entsprechend der Arbeit angepasst werden und die Bearbeitung weitestgehend im Home-Office stattfinden.

Der Einsatz von Edge Computing gewinnt in vielen Bereichen an Bedeutung, da er die Datenverarbeitung näher an den Ort der Datenentstehung verlagert und damit Latenzen, Bandbreitenbedarf sowie Abhängigkeiten von Cloud-Verbindungen reduziert. Ein Mixed-SBC-Cluster, der verschiedene Single Board Computer (SBC) wie Nvidia Jetson, Raspberry Pi und verschiedene Hardwareerweiterungen umfasst, bietet eine ausgezeichnete Plattform, um die Herausforderungen und Möglichkeiten des Edge Computings zu erproben und zu demonstrieren.

Ziel ist die Entwicklung eines Mixed-SBC-Clusters für die Edge, der als experimentelle Plattform in industrienaher Forschung und für Lehrzwecke im Automatisierungsumfeld dient. Dieser Cluster soll die Heterogenität realer OT-Infrastrukturen bedienen und das Sammeln praktischer Erfahrungen mit Cluster-Management, verteilten Speichersystemen und der Integration von Erweiterungsmodulen (z.B. Funkmodul, Neural Processing Unit und Field Programmable Gate Array) eröffnen.

(Mögliche) Schwerpunkte der Arbeit:

• Aufbau und Konfiguration eines heterogenen SBC-Clusters für Edge Computing Szenarien.
• Einsatz eines Cluster-Management-Systems und Implementierung eines Service Mesh.
• Einsatz von Automatisierungswerkzeugen und Infrastruktur-as-Code (IaC) zur effizienten Verwaltung und Konfiguration.
• Implementierung eines Lifecycle-Managements des Betriebs bestehend aus Monitoring, Sicherung, Wartung und Aktualisierung.
• Integration von Storage-Lösungen und spezifischen Erweiterungsmodulen für verschiedene Anwendungsfälle.
• Integration in Anwendungsfälle der Automatisierungstechnik in industriellen Produktionsanlagen, der Gebäudeautomatisierung und insbesondere des Energiemanagements.
• Beitrag zum Transfer in die Lehre als Praktikumsversuch oder Übungseinheit

Wenn die ausgeschriebene Arbeit noch online ist, dann ist sie auch noch aktuell. Sollten Sie Interesse an der Arbeit haben, so kommen Sie bitte mittels einer E-Mail (in der Sie kurz Ihr Vorwissen darstellen) auf mich zu. Sollten Sie eine intrinsische Motivation für ein angrenzendes oder ähnlichen Thema haben, so stellen Sie in Ihrer Anfrage bitte den Bezug zu meiner Ausschreibung dar.

Bitte stellen Sie die komplette Anfrage in deutscher Sprache, auch wenn Sie die Ausarbeitung in Englisch verfassen werden. Hintergrund ist, dass Sie sich in laufende Forschungsprojekte einbringen mit den Unternehmen austauschen können sollen und von diesen wird mehrheitlich eine Kommunikation auf Deutsch gewünscht.

Weitere Informationen erhalten Sie auf Anfrage, der Arbeitsumfang kann entsprechend der Arbeit angepasst werden und die Bearbeitung weitestgehend im Home-Office stattfinden.

Ausgangssituation:

Vision Language Action (VLA)-Modell- und World-Modell-basierte Ansätze versprechen einen Paradigmenwechsel beim Training von Robotersystemen für komplexe Manipulationsaufgaben mit variablen Randbedingungen. Eine wesentliche Herausforderung ist jedoch der enorme Datenbedarf, insbesondere die Generierung hochwertiger Trainingsdaten. Die oft als optimal angesehene Datenerfassung durch direkte Teleoperation des Endsystems ist extrem zeit- und kostenintensiv sowie durch menschliche Fähigkeiten limitiert. Simulationsbasierte Daten leiden wiederum oft unter mangelnder Übertragbarkeit auf reale Systeme. Es besteht ein dringender Bedarf, effizientere Wege zur Trainingsdatenerfassung für VLA-basierte Systeme im industriellen Umfeld zu finden und zu evaluieren.

Zielsetzung:

Ziel dieser Arbeit ist die Entwicklung einer Methodik zur effizienten Generierung von Trainingsdaten für VLA-basierte Robotersysteme in einem industriellen Fertigungsumfeld. Im Rahmen der Arbeit sollen verschiedene Ansätze zur Datengenerierung wie simulationsbasierte Daten, Lernen aus First-Person-View-Videos und Mischformen implementiert, analysiert und deren Einsetzbarkeit sowie Effektivität bewertet werden. Hieraus soll abschließend eine Methodik abgeleitet werden, die die effiziente Datenerzeugung für industrialisierbare VLA-basierte Ansätze ermöglicht.

Vorkenntnisse:

• Interesse an industrieller Robotik und künstlicher Intelligenz
• Grundlegende Programmierkenntnisse in Python von Vorteil, aber nicht erforderlich
• Sehr gute Deutsch- und Englisch-Kenntnisse

Der Arbeitsumfang kann entsprechend der Art der Abschlussarbeit angepasst werden.

Bewerbungen ausschließlich per E-Mail mit aussagekräftigen Unterlagen (Lebenslauf, vollständige Notenübersicht)