In der modernen Robotik stoßen klassische Planungs- und Optimierungsverfahren bei mehreren physikalisch gekoppelten Agenten (z. B. Planarmover, verbunden durch flexible Kabel) schnell an Grenzen: Die Dynamik ist nichtlinear, Zustände sind hochdimensional, und relevante Nebenbedingungen (Kollisionen, Kabelspannung, Kontakt) sind schwer exakt zu modellieren.

World Models versprechen hier einen alternativen Zugang: Statt ausschließlich im „echten“ Simulator zu planen, wird ein gelerntes Dynamikmodell trainiert, das Zustandsübergänge und ggf. Kosten/Nebenbedingungen vorhersagt. Planung kann dann teilweise im Modell (imagination/planning-in-latent-space) erfolgen – effizienter und potenziell robuster gegenüber Störungen.

Im Rahmen dieser Arbeit soll eine bestehende MuJoCo-Simulationsumgebung für Planarmover genutzt und erweitert werden, um ein World Model zu trainieren und für die Pfad-/ Bewegungsplanung einzusetzen.

Zielsetzung:

Ziel der Arbeit ist die Entwicklung einer World-Model-basierten Erweiterung eines vorhandenen Planungsmoduls, das die koordinierte Bewegung mehrerer kabelgekoppelter Planarmover in MuJoCo steuert.

Das World Model soll dabei die Dynamik (Zustandsübergänge) der Planarmover-Kabel-Interaktion approximieren, latente Zustandsrepräsentationen lernen und als Grundlage für modellbasierte Planung dienen (z. B. MPC, CEM, Trajektorien-Optimierung, Suche im latenten Raum).

Mögliche Arbeitsinhalte:

• Einarbeitung in das bestehende Planungsmodul und die MuJoCo-Umgebung
• Recherche aktueller Arbeiten zum Einsatz von World Models
• Aufbau einer World-Model-Architektur (z.B. Dreamer V3)
• Planung im World Model
• Evaluation durch Vergleich mit anderen Lösungsansätzen (Such- oder Lernbasiert)

Was Du mitbringen sollest:

• Programmierkenntnisse in Python
• Kenntnisse im Bereich Reinforcement Learning

Sonstige Hinweise:

• Beginn ab sofort möglich
• Arbeitsumfang kann individuell und entsprechend der Interessen angepasst werden
• Bewerbungen bitte mit aktuellem Notenauszug und Lebenslauf

Kategorien:

Kontakt: