Index

BA/PA/MA: Weiterentwicklung eines Ansatzes zur Generierung von 3D-Szenen aus Textprompts mittels LLMs

Moderne, KI-basierte Roboter benötigen große Mengen realistischer Trainingsdaten. Diese werden zunehmend in Simulationen gewonnen.
Die Generierung geeigneter Trainingsumgebungen bleibt aber mit großem Aufwand verbunden.

Ein vielversprechender Ansatz ist die Generierung simulierter 3D-Szenen mittels generativer KI aus Textprompts.
Im Rahmen einer vorangegangenen studentischen Arbeit wurde ein Ansatz entwickelt, der (Wohn-)räume aus Textbeschreibungen erzeugt. Diese Arbeit soll fortgeführt und erweitert werden.

Aufgabenstellung

  • Einarbeitung und Recherche
    • Text-zu-Szene-Generierung mit LLMs (Szenengraph, Regeln, Layoutmethoden)
    • Asset-Beschaffung/-Normalisierung und Exportformate (z. B. USD/GLTF)
  • Konzeption und Umsetzung (mögliche Schwerpunkte)
    • Erweiterung auf weitere Raumtypen (insbesondere industrieller Kontext) und vollständige Gebäude
    • Transfer auf Außenbereiche
    • Integration einer Pipeline zur bedarfsgerechten Generierung/Selektion von 3D-Modellen mit generativer KI
    • Validierung generierter Szenen mittels Vision-Language Modellen
  • Evaluierung
    • Festlegen von Metriken (z. B. physische Validität/Kollisionen, Navigierbarkeit/Erreichbarkeit, Diversität, Laufzeit/Speicher)
    • Vergleich über mehrere Szenekategorien; Reproduzierbarkeit durch Skripte und Konfigurationen
    • Funktionsprüfung in Simulation

Vorkenntnisse

  • Grundkenntnisse in Python
  • Interesse an 3D-Vision/Simulation und LLM-basierten Methoden; Erfahrung mit PyTorch/Blender/Isaac Sim ist hilfreich
  • 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 , inklusive aussagekräftiger Unterlagen (inkl. Lebenslauf und vollständiger Notenübersicht).

BA/PA/MA: KI-basierte Methoden zur Umgebungsrekonstruktion für mobile Roboter

Künstliche Intelligenz ermöglicht robotischen Systemen – vom Bodenroboter bis zur Drohne – reale Umgebungen präzise zu erfassen und in Simulationen weiterzuverwenden (Real→Sim).
Im Rahmen dieser studentischen Arbeit sollen die beiden Ansätze MapAnything und Gaussian Splatting auf Realdaten implementiert, verglichen und die Ergebnisse sim-tauglich exportiert werden (z. B. für Isaac Sim).

Weiterführende Infos:
MapAnything (Paper) · MapAnything (HF-Space) · 3DGRuT (Gaussian Splatting) · Omniverse: Neural Rendering

Aufgabenstellung

  • Einarbeitung und Recherche
    • Überblick zu dichter 3D-Rekonstruktion (MapAnything, Gaussian Splatting) und typischen Fehlerbildern
    • Realdaten-Setups
  • Konzeption und Umsetzung
    • Implementierung beider Verfahren auf denselben Realdaten
    • Real→Sim-Export der Rekonstruktionen
  • Evaluierung
    • Festlegen roboterrelevanter Metriken (z. B. Geometrieabweichung/Chamfer, Vollständigkeit, Laufzeit/VRAM)
    • Vergleich auf 2–3 Szenentypen (Indoor/Outdoor), z. B. für bodengebundene Roboter und Drohnen

Optionale Vertiefungen (insb. für Masterarbeiten)

  • Semantische Kartierung (Segmentierung → Semantik auf Mesh/Splats)
  • Rekonstruktion einzelner 3D-Objekte

Vorkenntnisse

  • Grundkenntnisse in Python
  • Interesse an 3D-Vision/Robotik; Erfahrung mit PyTorch/Isaac Sim/ROS 2 ist hilfreich
  • 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 , inklusive aussagekräftiger Unterlagen (inkl. Lebenslauf und vollständiger 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: Optimierung der Roboterpose mit Hilfe von Quantencomputern

Ausgangssituation und Beschreibung

In der industriellen Robotik entscheidet die Wahl der Roboterpose über Energieverbrauch, Präzision und Kollisionsfreiheit. Mit steigender Komplexität stoßen klassische Optimierer zunehmend an Grenzen, da die Lösungsräume teils exponentiell anwachsen und die Integration zahlreicher Nebenbedingungen oft zu Rechenengpässen auf klassischer Hardware führt. Quantenbasierte Optimierungsverfahren (z. B. QAOA, VQE oder Quantum Annealing) bieten hier neue Möglichkeiten, die Pose durch einen Quantenschaltkreis darzustellen und anschließend effizienter zu lösen.

Im Zuge dieses Projekts sollen zunächst etablierte Methoden zur Quantenoptimierung der Roboterpose untersucht, praktisch erprobt, verglichen und anschließend erweitert werden (neue/größere Anwendungsfälle, weitere Algorithmen, …). Ziel ist es, zu untersuchen, inwieweit Quantenverfahren zu einer effizienteren und robusteren Auswahl von Posen beitragen können und ob dadurch qualitativ bessere Ergebnisse im Vergleich zu klassischen Methoden erzielt werden. Zudem ist die Erstellung einer wiederverwendbaren und modular erweiterbaren Anwendung, die als Grundlage für künftige Forschungs- und Industrieprojekte dienen kann wichtig.

Vorkenntnisse und Anforderungen

  • Sehr gute Deutsch- oder Englischkenntnisse

  • Selbstständige, strukturierte Arbeitsweise und sichere Literaturrecherche

  • Gute Python-Skills

  • Grundkenntnisse in Optimierung/OR oder Robotik von Vorteil

  • (Optional, vorteilhaft) Erfahrung mit Quantencomputing

Bewerbung

Bitte senden Sie Ihre aussagekräftigen Unterlagen (Lebenslauf und vollständige Notenübersicht) per E-Mail ein.

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.

Ziel dieser Abschlussarbeit ist die Entwicklung einer strukturierten Methode, die eine echtzeitfähige Analyse und Überwachung von KI-Anwendungen ermöglicht. Hierfür sollen Methoden aus dem Bereich “explainable AI” zum Einsatz kommen, um die Transparenz & Robustheit dieser KI-Anwendungen zu steigern.

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 von Tools und Frameworks zur Umsetzung dieser Methodik in einem mobilen Robotersystem (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: 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.

Im Rahmen des Forschungsprojekts POV.OS wird hierfür eine innovative Automatisierungsplattform mit offener Hardware- und Softwarearchitektur entwickelt, die den Einsatz und die Funktionalisierung mobiler Arbeitsmaschinen erleichtert. Ziel dieser Abschlussarbeit ist, die Entwicklung einer multimodalen Sensorfusionsarchitektur auf Basis von Transformer-basierten Mid-Level Datenfusionsarchitekturen. Hierfür sollen verschiedene Attention-Konzepte kombiniert werden, sodass die Integration verschiedener Sensorik (Kamera, Lidar, Radar) durch einen lernenden Ansatz ermöglicht wird.

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: 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/PA/MA: Nutzung von Quantenalgorithmen zur Unterstützung der (Material-)Simulation

Ausgangssituation und Beschreibung

In den Ingenieur- und Materialwissenschaften spielt die Nutzung von Simulationen als digitaler Zwilling eine zentrale Rolle. Mit zunehmender Systemkomplexität stoßen klassische Rechnerarchitekturen jedoch an ihre Leistungsgrenzen.

Quantenalgorithmen können hier neue Wege eröffnen. Durch ihre grundlegend andere Art, Rechenprobleme zu bearbeiten, ermöglichen sie innovative Ansätze für die Simulation hochkomplexer Systeme. Ziel ist es daher, das Potenzial quantenbasierter Verfahren zur Unterstützung und Erweiterung klassischer Simulationsmethoden zu untersuchen.

Dieser Forschungsrahmen soll im Rahmen verschiedener Abschlussarbeiten (BA/PA/MA) vertieft werden. Die genaue thematische Ausrichtung der Arbeiten wird nach einer kurzen Einarbeitungsphase festgelegt und orientiert sich an der Anwendung von Quantenalgorithmen in der Simulation, z. B. bei Optimierungsproblemen oder Materialmodellierungen.

 

Vorkenntnisse und Anforderungen

  • sehr gute Deutsch- oder Englischkenntnisse
  • selbstständige Arbeitsweise
  • Erfahrung mit Literaturrecherchen
  • gute Programmierkenntnisse in Python
  • (optional aber Vorteilhaft) Vorkenntnisse zum Thema Quantencomputing, Materialwissenschaft oder Simulation

 

Bewerbung
Bitte senden Sie Ihre aussagekräftigen Unterlagen (Lebenslauf und vollständige Notenübersicht) per E-Mail ein.

Modellbildung und Abstraktion der Flugdynamik einer autonomen Drohne

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 hinsichtlich unterschiedlicher Kriterien zu optimieren.

In dieser Arbeit soll eine Modellbildung erfolgen, um die Dynamik eines Demonstrators (Hexacopter) vereinfacht in einer Simulation abbilden zu können und somit das Agententraining zu verbessern.

Ziele und Arbeitsschritte

  • Einarbeitung in ROS2 und die Programmierung autonomer Drohnen
  • Aufnahme von Daten mit realer Drohne und in der Simulation
  • Modellbildung mittels neuartiger Modellbildungs-Ansätze

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

  • Programmiererfahrung in Python und/oder C++
  • Vorkenntnisse mit dem ROS2, Reinforcement Learning oder Regelungstechnik sind von Vorteil
  • Gute Englischkenntnisse sind erforderlich
  • Beginn jederzeit möglich
  • Bewerbungen bitte per E-Mail mit aktueller Notenübersicht und Lebenslauf