Index

Ausgangssituation:

Autonome Systeme gewinnen in komplexen Einsatzbereichen wie der Baurobotik und Landwirtschaft zunehmend an Bedeutung. In diesen Einsatzbereichen müssen solche Systeme in der Lage sein, ihre Umgebung zuverlässig wahrzunehmen, um sicher und intelligent mit ihr zu interagieren. Hierfür kommen KI-basierte Computer-Vision-Systeme zum Einsatz, die Sensordaten aus multimodalen Quellen durch komplexe Transformer-Architekturen auswerten.

Insbesondere die Kombination von Kamera, Radar und LiDAR ermöglicht eine robuste Umgebungswahrnehmung auch unter schwierigen Umweltbedingungen wie Staub, Regen oder schlechten Lichtverhältnissen. Für die Entwicklung dieser komplexen KI Modelle sind große und hochqualitative Trainingsdatensätze erforderlich.

In diesen multimodalen Anwendungen fehlen jedoch effiziente Prozesse zur systematischen Aufnahme, Synchronisation und Aufbereitung der Sensordaten. Ziel dieser Arbeit ist daher die Entwicklung einer Dataset Pipeline, mit der ein strukturierter Datensatz mit etwa 10.000 multimodalen Trainingsbeispielen mit geringem menschlichen Aufwand erzeugt werden kann.

Vorkenntnisse:

• Interesse an autonomen Systemen, neuronalen Netzen und künstlicher Intelligenz
• Grundlegende Programmierkenntnisse in Python und ROS2 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)

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)

Humanoide Roboter werden zunehmend für vielfältige Anwendungen in Industrie, Service und Forschung eingesetzt. Zur Bewegung der Gelenke kommen derzeit überwiegend Getriebemotoren zum Einsatz. Diese stoßen jedoch bei den für humanoide Systeme typischen dynamischen Belastungen an ihre Grenzen. Insbesondere die beim Laufen auftretenden Stoßbelastungen führen dazu, dass konventionelle Gelenkgetriebe nur bedingt dauerhaft geeignet sind. In der Praxis resultiert dies in erhöhtem Verschleiß und häufigen Austauschzyklen der Getriebe, was wiederum unerwünschte Stillstandszeiten verursacht.
Am FAPS wird daher ein alternatives Bein für humanoide Roboter entwickelt, das auf Seilen basiert. Im Fokus stehen Tensegrity-Strukturen, die aufgrund ihrer nachgiebigen und lastverteilenden Eigenschaften in der Lage sind, Kraftspitzen bei Stoßbelastungen signifikant zu reduzieren und so die mechanischen Komponenten des Roboters zu schützen.
Ziel ist es, einen funktionsfähigen Beitrag zur Entwicklung eines robusteren, stoßtoleranten Beinmoduls für humanoide Roboter zu leisten und damit die Betriebssicherheit sowie die Lebensdauer der Systeme zu erhöhen.

Mögliche Aufgabenstellungen
Im Rahmen einer studentischen Arbeit können unter anderem folgende Themen bearbeitet werden:

• Aufbau und Inbetriebnahme eines Demonstrators
• Entwicklung und Integration der Aktorik
• Konzeption und Implementierung der Steuerung
• Konstruktive Weiterentwicklung des Systems, insbesondere
  • Geometrieoptimierung
  • Auslegung und Dimensionierung
  • Festigkeits- und Strukturanalysen

Anforderungsprofil

• Engagement und Initiative bei der Umsetzung von Aufgaben
• Gute Kenntnisse in Mechanik und Maschinenbau
• Erfahrung in Konstruktion und Umgang mit CAD
• Interesse an Tensegrity-Strukturen, seilbasierten Systemen und Robotik
• Selbstständige, strukturierte und sorgfältige Arbeitsweise
• Sehr gute Deutsch- und Englischkenntnisse

Hinweise zur Bewerbung

• Beginn ist jederzeit möglich
• Bewerbungen bitte per E-Mail mit aktuellem Lebenslauf und Notenübersicht senden (unvollständige Bewerbungen werden nicht berücksichtigt)
• BA/PA/MA möglich

Ausgangssituation:

In der diskreten Fertigung ist die Teileandienung für automatisierte Prozesse oft sehr starr und erfordert spezielle Zuführsysteme oder manuelles Vorsortieren. Dies beeinträchtigt die Wirtschaftlichkeit und Flexibilität der Produktionssysteme erheblich. Bin-Picking-Systeme, die zufällig geschüttete Bauteile durch Roboter handhaben, versprechen hier Abhilfe und sind in der Praxis bereits für viele Standardanwendungen etabliert.

Diese Systeme basieren klassischerweise auf 3D-Kamera-Eingangsdaten, deren Qualität und damit Kosten oft proportional zur Komplexität der zu greifenden Teile sind. Insbesondere bei kleinen, reflektierenden oder texturarmen Bauteilen, wie sie in der Elektronikfertigung häufig auftreten, stossen konventionelle Tiefenbildsensoren an ihre Grenzen. Neuere KI-basierte Ansätze, etwa Foundation-Stereo- und Foundation-Pose-Modelle auf Basis von NVIDIA-Technologien, versprechen eine deutliche Verbesserung der Tiefenbildqualität ohne den Einsatz hochpreisiger Spezialkameras.

Zielsetzung:

Ziel dieser Arbeit ist die Evaluierung und Verbesserung der Tiefenbilderfassung für Bin-Picking-Systeme durch den Einsatz innovativer KI-basierter Technologien. Es sollen KI-gestützte Stereovision zur Optimierung der Tiefeneingangsdaten sowie die Nutzung von 2D-Bildern aus mehreren Blickwinkeln (Multi-View-Perzeption) implementiert und untersucht werden. Die verschiedenen Ansätze sind miteinander sowie mit bestehenden Systemen zu vergleichen, um deren Potenzial für den Einsatz in der Elektronikfertigung zu ermitteln und Grenzen und Erweiterungsmöglichkeiten aufzuzeigen.

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)

Ausgangssituation:

Komplexe Manipulationsaufgaben in der industriellen Produktion zählen zu den anspruchsvollsten manuellen Tätigkeiten im Fertigungsumfeld. Die hohe Variabilität von Objekten, Gebinden und Prozessrandbedingungen macht eine vollständige Automatisierung mit klassischen regelbasierten Systemen bislang unwirtschaftlich oder technisch nicht realisierbar. Vision Language Action (VLA)-Modelle versprechen hier einen neuen Ansatz, indem sie visuelle Wahrnehmung mit generalisierter Greif- und Manipulationsfähigkeit verknüpfen.

Gleichzeitig existieren für Teilprozesse wie taktiles Fügen oder das Bin Picking bereits robuste und praxiserprobte Speziallösungen. Vor diesem Hintergrund stellt sich die Frage, in welchen Teilbereichen der industriellen Produktion durch VLA-basierte Systeme eine Steigerung des Automatisierungsgrades oder eine Reduzierung des Integrationsaufwands erreicht werden kann, beziehungsweise wie diese Automatisierungskomponenten zielführend kombiniert werden können.

Zielsetzung:

Ziel dieser Arbeit ist die Durchführung einer strukturierten Machbarkeitsstudie für den Einsatz von VLA-Modellen in Produktion und Logistik. Im Rahmen der Arbeit sollen VLA-basierte Ansätze analysiert, prototypisch implementiert und hinsichtlich ihrer Robustheit, Grenzen und Kombinierbarkeit mit klassischen Automatisierungsansätzen bewertet werden. Ziel ist die Ableitung klarer Handlungsempfehlungen, ab welchem Komplexitätsgrad und unter welchen Randbedingungen der Einsatz von VLA-Systemen gegenüber etablierten Lösungen wirtschaftlich und technisch sinnvoll ist.

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)

Ausgangssituation:

Mobile autonome Systeme übernehmen zunehmend sicherheitskritische Aufgaben, beispielsweise in der Landwirtschaft oder der Bauindustrie. Mit steigenden funktionalen Anforderungen an solche Systeme wachsen auch die Anforderungen an deren funktiona

le Sicherheit. Eine klare Abgrenzung sicherheitskritischer Teilbereiche wird dabei zunehmend schwieriger. Moderne Systeme setzen daher häufig auf multimodale Wahrnehmungskonzepte, bei denen Sensordaten aus verschiedenen Quellen, etwa Kamera, LiDAR und Radar, kombiniert werden, um eine robuste und zuverlässige Umfelderfassung zu ermöglichen.

Zur Auswertung dieser komplexen Datenmengen kommen überwiegend tiefe neuronale Netze zum Einsatz. Deren Entscheidungen sind jedoch häufig nur eingeschränkt nachvollziehbar. Zudem können reale Einsatzumgebungen Situationen enthalten, die während des Trainings nicht beobachtet wurden. Um die Zuverlässigkeit solcher Systeme zu erhöhen, werden daher zunehmend Methoden zur Unsicherheitsabschätzung (Out-of-Distribution Detection) sowie Ansätze der erklärbaren Künstlichen Intelligenz ( XAI) eingesetzt.

Ziel dieser Arbeit ist die Entwicklung einer Methodik zur systematischen Evaluation von Verfahren zur Unsicherheitsabschätzung sowie von Methoden der automatisierten erklärbaren KI für KI-basierte Wahrnehmungssysteme. Die entwickelte Methodik soll sowohl bestehende Ansätze aus dem Stand der Technik als auch am Institut entwickelte Verfahren methodisch evaluieren und vergleichbar machen.

• Einarbeitung in den Stand der Technik zu künstlicher Intelligenz, erklärbarer KI und Unsicherheitsabschätzung
• Strukturierte Literaturrecherche zu automatisierten Sicherheitsframeworks
• Entwicklung einer Methodik zur systematischen Evaluation verschiedener Sicherheitsframeworks
• Strukturierte Dokumentation und Präsentation der Ergebnisse

Vorkenntnisse:

• Interesse an autonomen Systemen, neuronalen Netzen und künstlicher Intelligenz
• Grundlegende Programmierkenntnisse in Python und ROS2 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)

Motivation

Sehnengetriebene Aktuationssysteme werden zunehmend in der Robotik eingesetzt, insbesondere bei humanoiden Robotern und biomimetischen Manipulatoren. Durch die Übertragung von Kräften über künstliche Sehnen können Aktuatoren räumlich getrennt von den Gelenken positioniert und bewegte Massen reduziert werden.

Für realistische Simulationen solcher Systeme ist ein geeignetes physikalisches Modell der Sehnen erforderlich. Reale Seile und Sehnen zeigen neben elastischer Dehnung auch Effekte wie Dämpfung, Vorspannung, viskoelastisches Verhalten und zeitabhängige Deformationen wie Kriechen. Eine systematische physikalische Beschreibung dieser Eigenschaften bildet die Grundlage für spätere Simulationen in Umgebungen wie NVIDIA Isaac Sim / Isaac Lab.

Ziel der Arbeit

Ziel dieser Arbeit ist die Untersuchung und Beschreibung des physikalischen Verhaltens von Seilen bzw. künstlichen Sehnen für robotische Anwendungen. Dabei sollen geeignete Material- und Kraftmodelle analysiert und zu einem vereinfachten physikalischen Referenzmodell zusammengeführt werden.

Dieses Modell soll anschließend prototypisch in NVIDIA Isaac Sim bzw. Isaac Lab implementiert werden, um seine Anwendbarkeit für die Simulation sehnengetriebener Robotersysteme zu demonstrieren.

Schwerpunkte

• Grundlagen sehnengetriebener Robotersysteme

• Mechanische Eigenschaften von Seilen und künstlichen Sehnen

• Kraft-Dehnungs-Modelle elastischer Materialien

• viskoelastische Effekte und Kriechen (Creep)

• Dämpfung und Vorspannung

• Betrachtung nichtlinearer Sehnenmodelle

• Ableitung eines physikalischen Referenzmodells als Grundlage für Simulationen in Isaac Sim / Isaac Lab.

• Test der Modelle in Isaac Sim / Isaac Lab.

Weitere Infos auf Anfrage. Bewerbungen bitte per E-Mail mit aktueller Notenübersicht und Lebenslauf.

Motivation

Sehnengetriebene Aktuationssysteme gewinnen in der Robotik zunehmend an Bedeutung, insbesondere im Bereich humanoider Robotersysteme. Durch die Übertragung von Kräften über Seile bzw. künstliche Sehnen können Aktuatoren flexibel im System platziert und bewegte Massen reduziert werden.

Für die Entwicklung solcher Systeme sind realistische Simulationen entscheidend. Verschiedene Simulationsmethoden bieten unterschiedliche Möglichkeiten, das Verhalten von Sehnenstrukturen abzubilden. Ein Vergleich dieser Ansätze in NVIDIA Isaac Sim / Isaac Lab ist daher notwendig, insbesondere im Hinblick auf ihren Einsatz in Reinforcement-Learning-basierten Robotikanwendungen.

Ziel der Arbeit

Ziel dieser Arbeit ist die Untersuchung und prototypische Implementierung verschiedener Simulationsmethoden für Seil- und Sehnenstrukturen. Dabei soll analysiert werden, wie physikalische Sehnenmodelle mit unterschiedlichen numerischen Ansätzen umgesetzt werden können und wie sich diese Methoden auf Simulation und RL-basierte Experimente in Isaac Lab auswirken.

Schwerpunkte

• Grundlagen sehnengetriebener Robotersysteme
• Überblick über Simulationsmethoden für Seilstrukturen (z. B. Mass-Spring, PBD, FEM, Differentiable Physics)
• Implementierung ausgewählter Ansätze in NVIDIA Isaac Sim / Isaac Lab
• Anwendung auf ein vereinfachtes sehnengetriebenes Robotermodell
• Vergleich der Methoden hinsichtlich Stabilität, Genauigkeit und Rechenaufwand
• RL-Tests in Isaac Lab zur Bewertung der Auswirkungen auf Lernstabilität und Performance.

Weitere Infos auf Anfrage. Bewerbungen bitte per E-Mail mit aktueller Notenübersicht und Lebenslauf.

Ausgangssituation und Beschreibung

Quantum Annealing gilt im Bereich der industriellen Optimierung als eine vielversprechende und innovative Technologie zwischen klassischen und gatterbasierten Quantensystemen. Durch die spezielle Art der heuristischen Suche in Ising-/QUBO-Formulierungen kann es klassische Lösungsverfahren in ausgewählten Anwendungsfällen ergänzen, wie etwa in der Produktionsplanung und -steuerung, in der Ressourcenallokation, im Job-Shop-Scheduling oder in der Logistikoptimierung. Gleichzeitig ist in Industrie und Forschung oft noch unklar, unter welchen Bedingungen Quantum Annealing gegenüber etablierten klassischen Verfahren Vorteile bietet – insbesondere, wenn die Bewertung auf Simulatoren und damit auf klassischer Hardware basiert.

Ziel des geplanten Projekts ist es, im Rahmen einer studentischen Abschlussarbeit (BA/PA) verschiedene etablierte Quantum-Annealing-Simulatoren auf klassischer Hardware zu implementieren, systematisch zu evaluieren und die Ergebnisse hinsichtlich Performance, Skalierbarkeit und Lösungsqualität auszuwerten und die Grenzen der Anwendbarkeit zu erkunden.

Vorkenntnisse und Anforderungen

• sehr gute Deutsch- oder Englischkenntnisse
• selbstständige, strukturierte Arbeitsweise
• Erfahrung mit Literaturrecherche (wissenschaftliche und ggf. industrielle Quellen)
• Interesse an Quantentechnologien, insbesondere Quantum-Annealing
• Gute Programmierkenntnisse in Python

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

Beschreibung

Ein Quantensimulator ist ein Softwaresystem, das auf klassischen Computern ausgeführt wird und die Quantenschaltkreisen simuliert. Solche Simulatoren spielen eine zentrale Rolle in der Quanteninformatik, insbesondere bei der Validierung von Quantenalgorithmen und der Rauschanalyse. Mit zunehmender Anzahl von Qubits und steigender Schaltkreistiefe wächst jedoch die Dimension des Quantenzustandsraums exponentiell, wodurch die effiziente Simulation großskaliger Mehr-Qubit-Quantenschaltkreise in Bezug auf Rechenkomplexität und Speicherbedarf zu einer erheblichen Herausforderung wird.

Wir laden motivierte Studierende herzlich ein, sich im Rahmen ihrer studentischen Arbeit an der Entwicklung eines Quantensimulators zu beteiligen. Diese Arbeit konzentriert sich auf die Konzeption und Implementierung von Simulationsalgorithmen für großskalige Mehr-Qubit-Quantenschaltkreise auf klassischen Rechenplattformen. Der im Rahmen dieser Arbeit entwickelte Quantensimulator ermöglicht die Analyse der Wahrscheinlichkeitsverteilungen von Messergebnissen und unterstützt darüber hinaus die Untersuchung der Auswirkungen von Rauschen und Störeinflüssen auf die Quantenzustände.

Die Studierenden werden sowohl in die algorithmische Entwicklung als auch in die softwareseitige Implementierung skalierbarer Simulationsmethoden für Quantenschaltkreise eingebunden. Die erzielten Forschungsergebnisse, einschließlich des entwickelten Simulators und dessen experimenteller Evaluierung, bilden den zentralen Bestandteil der Abschlussarbeit und werden unter akademischer Betreuung durchgeführt.

Hauptaufgaben

• Analyse und Bewertung von Simulationsmethoden für Quantenschaltkreise (z. B. Schrödinger-Feynman-Algorithmus, Tensor-Network-Ansätze).

• Implementierung eines Mehr-Qubit-Quantenschaltkreis-Simulationsframeworks auf einer Workstation-Plattform.

• Durchführung von Leistungsanalysen und Optimierungen des Simulators, insbesondere in Bezug auf Speicherverbrauch, Rechenkomplexität und Parallelisierungsstrategien.

• Leistungsbewertung anhand repräsentativer Quantenschaltkreise, beispielsweise des Quantum Approximate Optimization Algorithm (QAOA), von Quantum-Kernel-Methoden sowie der Quantum Fourier Transformation (QFT).

• Erstellung und Fertigstellung der studentischen Arbeit, einschließlich der Darstellung experimenteller Ergebnisse und methodischer Analysen.

Was Sie gewinnen werden

• Praktische Erfahrung in der Implementierung eines Quantensimulators auf einer Workstation-Plattform, mit besonderem Fokus auf die praktischen und leistungsbezogenen Aspekte von Mehr-Qubit-Quantenschaltkreisen.

• Umfassende Möglichkeiten für vertiefte technische Diskussionen und akademische Betreuung während des gesamten Forschungsprozesses.

• Die Möglichkeit, die erzielten Forschungsergebnisse für eine Veröffentlichung in einschlägigen wissenschaftlichen Zeitschriften oder Konferenzen aufzubereiten und einzureichen.

Fachliche Kompetenz

Erforderlich:

• Fachlicher Hintergrund in Informatik, Physik, Elektrotechnik oder verwandten Disziplinen

• Gute Kenntnisse in mindestens einer Programmiersprache, z. B. Python oder Julia

• Ausgeprägte Selbstlernkompetenz sowie solide Fähigkeiten in der Softwareentwicklung und -implementierung

Bevorzugt (aber nicht erforderlich):

• Grundkenntnisse der Quanteninformatik, insbesondere zu Quantenzuständen, Quantengattern und Quantenschaltkreisen

• Erfahrung mit Parallelrechnung, numerischer Simulation oder High-Performance Computing