Index
Entwicklung einer multimodale Sensorfusionsarchitektur für mobile Robotersysteme auf Basis von Transformer-basierten Mid-Level Fusionsarchitekturen
Ausgangssituation:
Moderne mobile Arbeitsmaschinen stellen durch hohe Antriebsleistungen und Einsatzgewichte besondere Anforderungen an eine sichere und robuste Automatisierungstechnik. Die langjährige Analyse physikalischer Effekte auf mechatronische Komponenten ermöglicht den Einsatz vielfältiger Sensorsysteme zur Erfassung von Umgebungsinformationen. Die Verarbeitung dieser umfangreichen Datenmengen erfolgt zunehmend durch künstliche neuronale Netze. Allerdings stehen aktuelle Technologien vor der Herausforderung, diese Netze robust, sicher und effizient zu gestalten.
Aufgabenschwerpunkte:
-
Einarbeitung in den Stand der Technik zu autonomen mobilen Systemen und künstlicher Intelligenz
-
Untersuchung und Evaluierung von bestehende Methoden zur Mid-Level Datenfusion
- Entwicklung einer modularen und skalierbaren Fusionsarchitektur
- Nutzung Tools und Frameworks zur Umsetzung dieser Methodik am Beispiel autonome Arbeitsmaschinen (ROS2, PyTorch)
-
Statistische Auswertung der Ergebnisse anhand branchenüblicher Metriken
-
Strukturierte Dokumentation und Präsentation der Ergebnisse
Vorkenntnisse:
- Interesse an autonomen Fahrzeugen und neuronalen Netzen
- Interesse an Datenauswertung und KI-Architekturen
- Grundlegende Programmierkenntnisse in Python, C++ und ROS2 von Vorteil
- 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)
BA/PA/MA: Robotics Foundation Modelle am Beispiel eines Open Source Roboterarms
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.
BA/PA/MA: Modellbildung, Systemanalyse und KI-Basierte Flugsicherheit für autonome Drohnen zum sicheren Sim2Real Transfer Agenten-basierter Systeme
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
Abschlussarbeit zu autonomen Drohnen
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
BA/MA: Reinforcement Learning basierte Navigation für autonome Drohnen
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
BA/PA/MA: Analyse und Vergleich von semantischem Scene-Graph-Mapping für autonome mobile Roboter
Moderne mobile Roboter benötigen semantisch reiche Umgebungsdarstellungen, um autonom und effizient agieren zu können. Semantische Scene Graphs bieten eine hierarchische Repräsentation, die Geometrie, Objekte und deren Beziehungen abbildet – ein Ansatz, der auch die Strukturierung simulierter Umgebungen erheblich verbessern kann. Ziel dieser Arbeit ist es, aktuelle Ansätze zum semantischen Scene-Graph-Mapping zu implementieren, systematisch zu vergleichen und Ergebnisse statistisch zu analysieren, um so Erkenntnisse für die Gestaltung realistischer Simulationsumgebungen zu gewinnen.
Aufgabenstellung
- Einarbeitung und Literaturrecherche
- Übersicht und Bewertung aktueller Ansätze zum semantischen Scene-Graph-Mapping (z. B. Hydra, Clio, ConceptGraphs)
- Ggf. Einarbeitung in ROS/ROS2 sowie in gängige Simulationsumgebungen (z. B. Isaac Sim, Blender)
- Implementierung und Vergleich
- Umsetzung ausgewählter Mapping-Methoden
- Vergleich der Methoden hinsichtlich Echtzeitfähigkeit, Genauigkeit, Skalierbarkeit und offener Semantik
- Statistische Analyse
- Extraktion und Auswertung typischer räumlicher und semantischer Muster aus den generierten Scene Graphs
- Ableitung von Kriterien zur strukturierten Gestaltung simulierter Umgebungen
- Ableitung neuer Konzepte (je nach Art der Arbeit)
- Entwicklung und Evaluierung von Verbesserungen oder neuen Ansätzen basierend auf den gewonnenen Analyseergebnissen
- Training neuer KI-Modelle zur Gestaltung simulierter Umgebungen
Vorkenntnisse
- Grundlegende Programmierkenntnisse
- Kenntnisse in mobiler Robotik und ROS2 von Vorteil, aber nicht zwingend 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).
Der Arbeitsumfang kann entsprechend der Art der Abschlussarbeit angepasst werden.
BA/PA: Entwicklung einer Pipeline zur automatisierten Sammlung von Luft- und Satellitenaufnahmen aus Onlinequellen
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.
BA/PA/MA: Nutzung generativer KI-Methoden zur Erhöhung der Robustheit bildverarbeitender KI-Modelle auf autonomen Drohnen
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.
BA/PA/MA: Entwicklung einer echtzeitfähigen XAI-Methodik für das autonome Fahren
Ausgangssituation:
Moderne mobile Arbeitsmaschinen stellen durch hohe Antriebsleistungen und Einsatzgewichte besondere Anforderungen an eine sichere und robuste Automatisierungstechnik. Die langjährige Analyse physikalischer Effekte auf mechatronische Komponenten ermöglicht den Einsatz vielfältiger Sensorsysteme zur Erfassung von Umgebungsinformationen. Die Verarbeitung dieser umfangreichen Datenmengen erfolgt zunehmend durch künstliche neuronale Netze. Allerdings stehen aktuelle Technologien vor der Herausforderung, diese Netze robust, sicher und effizient zu gestalten.
Aufgabenschwerpunkte:
-
Einarbeitung in den Stand der Technik zu autonomen mobilen Systemen und künstlicher Intelligenz
-
Untersuchung und Evaluierung von bestehende Methoden zur Steigerung von Robustheit und Transparenz
- Entwicklung einer echtzeitfähigen & leistungsfähigen Methodik
-
Nutzung Tools und Frameworks zur Umsetzung dieser Methodik am Beispiel autonome Arbeitsmaschinen (ROS2, PyTorch)
-
Statistische Auswertung der Ergebnisse anhand branchenüblicher Metriken
-
Strukturierte Dokumentation und Präsentation der Ergebnisse
Vorkenntnisse:
- Interesse an autonomen Fahrzeugen und neuronalen Netzen
- Interesse an Datenauswertung und KI-Architekturen
- Grundlegende Programmierkenntnisse in Python, C++ und ROS2 von Vorteil
- 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)
BA/PA/MA Reinforcement Learning for Industrial Optimization Problem
Problem Description:
Production planning plays a crucial role in improving efficiency and resource utilization in electronics production. Many production planning problems can be formulated as combinatorial optimization problems and solved using specialized solvers. However, in real-world industrial settings, the vast amount of data leads to extremely high-dimensional optimization problems, which are significant challenges for classical solvers. As a result, developing solvers handling high-dimensional optimization problems has become a popular research topic. In recent years, applying artificial intelligence algorithms, particularly reinforcement learning, to solve complex, high-dimensional combinatorial optimization problems has attracted considerable attention.
Some studies showed that reinforcement learning has potential in solving combinatorial optimization problems. However, it is not that reliable when dealing with large-scale industrial data. Traditional RL methods often struggle with extremely slow convergence and sometimes get stuck in local minima, making it hard to apply them in real-world industrial scenarios.
This thesis aims to explore new ways to improve the efficiency of reinforcement learning algorithms, so they can better handle high-dimensional optimization problems.
Research topics and Workplan:
– Implementing classical reinforcement learning algorithms using a current popular software framework to solve a pre-defined small-scale industrial optimization problem.
– Explore methods to integrate traditional reinforcement learning algorithms with stochastic optimization algorithms.
– Benchmarking the classical reinforcement learning algorithms against your methods.
– (Optional) Exploring the possibilities of quantum reinforcement learning for solving the pre-defined industrial optimization problem.
Your abilities:
– Programming skills in Python are necessary.
– Prior knowledge or experience on reinforcement learning and reinforcement learning framework (Pytorch, Tensorflow, Gym…).
– Good English or German skills.
– You can begin with your BA/PA/MA as soon as possible.
You can contact us via the emails below. Please make sure to attach your transcript and resume when applying, and include a brief motivation in the email. Your motivation must be relevant to the topics described above. We look forward to your participation in our research.