Index

Motivation

Mobilitätseinschränkungen haben weitreichende Folgen für den Alltag der Betroffenen und führen neben der körperlichen Einschränkung häufig auch zu psychischen Belastungen. Der Rollstuhl stellt oft die einzige Möglichkeit dar, am täglichen Leben teilzunehmen. Klassische Steuerungskonzepte stoßen jedoch bei komplexen Krankheitsbildern (z.B. hohen Querschnittlähmungen) an ihre Grenzen, da die verbleibenden Muskelaktivitäten oft nicht ausreichen, um einen Joystick präzise zu führen.

Das Projekt EMGRoll adressiert dieses Problem durch ein Sensor-Kit, das Elektromyographie (EMG) zur Steuerung nutzt. Während klassische Ansätze oft auf starren Regeln basieren, bietet die moderne Robotik mit Methoden des Reinforcement Learning (RL) und Imitation Learning neue Möglichkeiten. Ziel ist es, nicht mehr manuell Regeln für jede Situation zu programmieren, sondern ein multimodales KI-Modell zu trainieren. Dieses soll in der Lage sein, die verrauschten und hoch-individuellen EMG-Signale des Nutzers direkt mit den Umgebungsdaten (z.B. Lidar/Kamera) zu fusionieren. So entsteht eine adaptive “Shared Autonomy”, die die Intention des Nutzers versteht und intelligent in sichere Fahrbefehle umsetzt.

Zielstellung

Ziel dieser Arbeit ist die Konzeption, Implementierung und Evaluation eines Deep-Learning-basierten Navigationsansatzes, der EMG-Signale und Sensordaten in einem gemeinsamen neuronalen Netz verarbeitet.

Die Arbeit beinhaltet folgende Schwerpunkte:

• Recherche: Evaluation des aktuellen Stands der Technik im Bereich Deep Reinforcement Learning (DRL) und Learning from Demonstration (LfD) für assistive Robotik.
• Konzeption: Entwurf einer multimodalen Netzwerkarchitektur, die physiologische Signale (EMG) und exterozeptive Sensordaten (Lidar/Kamera) als Input verarbeitet.
• Implementierung: Entwicklung der Trainingsumgebung (z.B. in Simulationen wie Gazebo, Unity oder Isaac Sim) und Umsetzung des Agenten in ROS2.
• Training & Evaluation: Training des Modells mittels RL oder Imitation Learning und Validierung der Performance im Vergleich zu klassischen Ansätzen.
• Transfer: (Optional/Je nach Umfang) Sim-to-Real Transfer auf den realen Rollstuhl-Demonstrator am FAPS.

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

References

• Reinforcement Learning Based User-Specific Shared Control Navigation in Crowds
• Learning from demonstration for locally assistive mobility aids
• Learning Shared Control by Demonstration for Personalized Wheelchair Assistance
• Shared control of a brain-actuated intelligent wheelchair
• Shared control methodology based on head positioning and vector fields for people with quadriplegia

Motivation

Für Menschen mit schweren körperlichen Einschränkungen ist die Bedienung eines konventionellen Joysticks oft unmöglich. Das Projekt EMGRoll entwickelt daher eine Schnittstelle, die Muskelaktivitäten (EMG) in Steuerbefehle übersetzt. Ein kritischer Faktor für den Erfolg dieser Technologie ist das Training der Nutzer: Sie müssen lernen, spezifische Muskelgruppen isoliert anzuspannen, um den Rollstuhl präzise zu lenken.

Aktuell erfolgt dieses Feedback über einfache 2D-Animationen auf einem Bildschirm. Dieser Ansatz ist jedoch abstrakt und bildet die reale Fahraufgabe nur unzureichend ab. Im Rahmen dieser Arbeit soll daher ein Virtual Reality (VR) Trainingsprozedere entwickelt werden. Durch den Einsatz eines “Digitalen Zwillings” in einer simulierten Umgebung (Unity) können KI Modelle trainiert werden und Nutzer gefahrlos üben. Die VR-Umgebung dient dabei nicht nur der Visualisierung, sondern als direkte Stimulanz für die EMG-Datenaufnahme: Statt abstrakter Kurven sieht der Nutzer, wie sich seine Muskelanspannung direkt in die Bewegung des virtuellen Rollstuhls übersetzt. Dies erhöht die Immersion, die Motivation (Gamification) und verbessert potenziell die Klassifikationsgenauigkeit der Algorithmen.

Zielstellung

Ziel dieser Arbeit ist die Konzeption und Implementierung einer VR-basierten Trainingsumgebung, die als intuitives Interface zur Aufnahme von EMG-Kalibrierungsdaten und zum Erlernen der Steuerung dient.

Die Arbeit umfasst folgende Schwerpunkte:

• Konzeption: Entwurf eines Trainingsablaufs, der den Nutzer schrittweise an die EMG-Steuerung heranführt (vom einfachen Muskeltest bis zur komplexen Fahrsituation).
• Entwicklung (Unity): Aufbau einer virtuellen Umgebung und Integration eines “Digitalen Zwillings” des Rollstuhls basierend auf Vorarbeiten.
• Schnittstellenanbindung: Kopplung der EMG-Signalverarbeitung (live) mit der VR-Simulation, sodass der virtuelle Rollstuhl in Echtzeit gesteuert werden kann.
• Szenarienerstellung: Design virtueller Alltagsszenarien (z.B. Parcours, Engstellen), die zur Evaluation der Steuergüte dienen.
• Evaluation: Durchführung einer Probandenstudie zur Bewertung der Usability und des Lerneffekts im Vergleich zur bisherigen 2D-Animation.

Bewerbungen bitte per E-Mail mit aktueller Notenübersicht und Lebenslauf.

References

– Reinforcement Learning Based User-Specific Shared Control Navigation in Crowds
– A rule-based assistive control algorithm for safe navigation for a powered wheelchair
– Learning Shared Control by Demonstration for Personalized Wheelchair Assistance
– Shared control methodology based on head positioning and vector fields for people with quadriplegia

Motivation

Die autonome Navigation mobiler Roboter in menschlichen Umgebungen stellt eine große Herausforderung dar. Klassische Navigationsalgorithmen (wie DWA oder A*) behandeln Menschen oft nur als dynamische Hindernisse, was zu „unhöflichem“ oder für den Nutzer unangenehmem Fahrverhalten führt. Ein intelligenter Rollstuhl muss jedoch mehr können, als nur kollisionsfrei von A nach B zu fahren: Er muss soziale Normen verstehen und sich kontextabhängig verhalten (z. B. nicht durch eine Gruppe von Menschen hindurchfahren, Vorfahrt gewähren oder auf dem Gehweg die richtige Seite wählen).

Neueste Ansätze zeigen, dass Large Foundation Models und Vision-Language Models (VLMs) über ein tiefes Verständnis menschlicher Verhaltensweisen verfügen. Diese Modelle können visuelle Szenen interpretieren und „Zero-Shot“-Entscheidungen für eine sozial konforme Navigation treffen, ohne dass dafür aufwendiges Training notwendig ist. Am FAPS wird ein intelligenter Rollstuhl entwickelt, der nun mit diesen Fähigkeiten ausgestattet werden soll. Ziel ist es, Foundation Models zu nutzen, um die Umgebung semantisch zu erfassen und Navigationspfade zu generieren oder zu bewerten, die sozial akzeptabel und für den Patienten komfortabel sind.

Inspiration liefern unter anderem folgende aktuelle Veröffentlichungen:

– VLM-Social-Nav: Socially Aware Robot Navigation Through Scoring Using Vision-Language Models
– CoNVOI: Context-aware Navigation using Vision Language Models in Outdoor and Indoor Environments
– Navigation World Models

Zielsetzung

In dieser Arbeit soll ein Ansatz entwickelt werden, der ein Foundation Model (VLM) in den Navigations-Stack des intelligenten Rollstuhls integriert. Das System soll Kamerabilder auswerten, um soziale Kontexte zu erkennen. Darauf basierend soll der Rollstuhl seine Trajektorie anpassen – entweder durch die Generierung von Wegpunkten oder durch das „Scoring“ (Bewerten) von Pfaden hinsichtlich ihrer sozialen Konformität.

Arbeitsschritte

• Einarbeitung in die bestehende ROS-Navigation des intelligenten Rollstuhls sowie in den Stand der Technik zu Social Navigation und Foundation Models
• .Auswahl und Integration eines geeigneten Modells (z. B. GPT-4o, Gemini, LLaVA oder spezialisierte Modelle wie CoNVOI/NWM)
• Entwicklung eines Moduls zur semantischen Szenenanalyse: Erkennung von sozialen Situationen und Ableitung von Verhaltensregeln
• Implementierung einer Schnittstelle zur Bewegungsplanung: Das VLM soll als „High-Level Planner“ oder „Scorer“ fungieren, um den lokalen Planer (z. B. DWA/MPC) zu beeinflussen
• Evaluation des Systems in Simulation oder Realumgebung: Vergleich des Fahrverhaltens mit klassischen Methoden hinsichtlich Komfort, Sicherheit und Einhaltung sozialer Normen

Bewerbung bitte per E-Mail mit kurzer Notenübersicht und Lebenslauf.

Ausgangssituation und Beschreibung

Lithographie ist ein zentrales Verfahren der modernen Mikro- und Nanostrukturierung und bildet die Grundlage zahlreicher Anwendungen in Mikroelektronik, Sensorik und photonischen Systemen. Neben etablierten optischen Lithographieverfahren wird zunehmend die Nutzung von Röntgenstrahlung als potenzieller Ansatz wieder interessanter, um hochauflösende Strukturierung zu ermöglichen und neue technologische Entwicklungsrichtungen zu erschließen.

Gleichzeitig ist der aktuelle Stand von Forschung und Technik zur röntgenbasierten Lithographie über verschiedene Disziplinen und Quellen verteilt. Viele Fragestellungen betreffen unter anderem physikalische Wirkmechanismen, Prozessvarianten, technische Voraussetzungen, Einschränkungen sowie potenzielle Anwendungsszenarien. Dadurch besteht Bedarf an einer strukturierten Aufarbeitung und Einordnung der vorhandenen Literatur.

Ziel des geplanten Projekts ist es, im Rahmen einer studentischen Abschlussarbeit (BA/PA) eine systematische Literaturarbeit zur Nutzung von Röntgenstrahlung in lithographischen Verfahren durchzuführen. Die Arbeit soll relevante wissenschaftliche und ggf. industrielle Quellen identifizieren, klassifizieren und gegenüberstellen. Auf dieser Basis sollen der Stand der Technik, zentrale Herausforderungen sowie Potenziale und Grenzen der Technologie herausgearbeitet und diskutiert und anhand eines möglichen Use-Cases ausgearbeitet werden.

Vorkenntnisse und Anforderungen

• sehr gute Deutsch- oder Englischkenntnisse

• selbstständige, strukturierte Arbeitsweise

• Erfahrung mit Literaturrecherche (wissenschaftliche und ggf. industrielle Quellen)

• Interesse an Lithographie, Mikro-/Nanofabrikation

• Fähigkeit zur strukturierten wissenschaftlichen Aufbereitung und Argumentation

Bewerbung

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

Situation und Motivation

Humanoide Roboter haben in den letzten Jahren einen deutlichen Entwicklungsschub erfahren. Erste Systeme mit grundlegenden Funktionen sind bereits kommerziell verfügbar. Für einen zielgerichteten Einsatz in Produktions- und Logistikumgebungen ist jedoch die zuverlässige Ausführung komplexer Fähigkeiten wie Wahrnehmung, Manipulation und koordinierte Fortbewegung erforderlich.

Simulationsumgebungen spielen hierbei eine zentrale Rolle, da sie die Entwicklung und Erprobung von Steuerungs- und Bewegungsstrategien ohne das Risiko für physische Hardware ermöglichen. NVIDIA Isaac Sim bietet hierfür eine leistungsfähige Plattform zur realitätsnahen Simulation. Ergänzend ermöglicht Isaac Lab die effiziente Entwicklung und Validierung von Bewegungsabläufen mittels Reinforcement Learning (RL).

Zielsetzung

Kern der Arbeit ist der Aufbau einer realitätsnahen Simulationsumgebung für den Unitree G1 in NVIDIA Isaac Sim. Dabei soll eine ROS2-Schnittstelle zur Steuerung aufgesetzt und eine Reinforcement-Learning-Pipeline entwickelt werden. Das finale Ziel ist die erfolgreiche Validierung der Umgebung in einem Anwendungsbeispiel.

Mögliche Aufgabenpakete

• Einarbeitung in ROS2, Isaac Sim, Isaac Lab
• Auswahl, Import und Anpassung eines geeigneten humanoiden Robotermodells in Isaac Sim
• Implementierung einer ROS2-Schnittstelle
• Aufsetzen einer Pipeline für RL
• Testen bekannter RL-Ansätze bei z. B. Manipulationsaufgaben
• Demonstration einer Beispielaufgabe in der Simulation

Was wir bieten

• Praxisnahe Forschung im Bereich humanoider Robotik
• Möglichkeit zur aktiven Mitgestaltung zukünftiger Einsatzszenarien humanoider Roboter in Unternehmen
• Zusammenarbeit in einem interdisziplinären Team am FAPS
• Fachlicher Austausch mit anderen Studierenden und wissenschaftlichen Mitarbeitenden
• Flexible Zeiteinteilung und individuelle Betreuung
• Erwerb relevanter Kompetenzen für den Berufseinstieg in Forschung und Industrie

Anforderungen und Bewerbung

Voraussetzungen:

• Grundlegende Programmierkenntnisse (z. B. Python, C++)
• Interesse an Robotik, Simulation und autonomen Systemen
• Grundlegende Kenntnisse im Bereich Machine Learning
• Kenntnisse in mindestens einem der drei Systeme (ROS2, Isaac Lab, Isaac Sim)
• Selbstständige und strukturierte Arbeitsweise

Wünschenswert, aber nicht zwingend erforderlich:

• Vorkenntnisse in ROS2
• Erste Erfahrungen mit Reinforcement Learning (gegebenenfalls in Isaac Lab)
• Erste Erfahrungen mit NVIDIA Isaac Sim oder vergleichbaren Simulationsumgebungen

Der Startzeitpunkt ist flexibel.

Bewerbung bitte per E-Mail mit aktuellem Lebenslauf und Notenübersicht an mich.
Weitere Informationen gerne auf Anfrage oder im persönlichen Gespräch.

 

Situation und Motivation

Humanoide Roboter haben in den letzten Jahren einen deutlichen Entwicklungsschub erfahren. Erste humanoide Robotersysteme mit grundlegenden Funktionen sind bereits kommerziell verfügbar.
Für einen zielgerichteten Einsatz humanoider Roboter in Produktions- und Logistikumgebungen ist jedoch die zuverlässige Ausführung grundlegender Fähigkeiten, wie Wahrnehmung, Manipulation und koordinierter Bewegungen, erforderlich.

Insbesondere die Pfadplanung muss passend zur Umgebung passieren. Weiterhin erfordern komplexe Umgebungen hohe Positionierungsgenauigkeiten.

Zielsetzung

In dieser Arbeit soll ein Konzept zur Pfadplanung für humanoide Roboter am Beispiel des G1 von Unitree entwickelt werden. Mithilfe von NAV2 sollen Kartenerstellung und Pfadplanung innerhalb komplexer Umgebungen ermöglicht werden. Das Konzept soll an einem Beispielfall getestet werden und Informationen über die Positionierungsgenauigkeit ermöglichen.

Mögliche Aufgabenpakete

• Einarbeitung in ROS2 und NAV2
• Integration des humanoiden Roboters in NAV2
• Integration und Testen der Pfadplanung in einer Simulation
• Pfadplanung für ein Beispiel aus der Produktion
• Messen der Positionierungsgenauigkeit
• Exploration von Parametern zur Verbesserung der Genauigkeit
• Auswerten des Pfadplanungskonzepts

Was wir bieten

• Praxisnahe Forschung im Bereich humanoider Robotik
• Möglichkeit zur aktiven Mitgestaltung zukünftiger Einsatzszenarien humanoider Roboter in Unternehmen
• Zusammenarbeit in einem interdisziplinären Team am FAPS
• Fachlicher Austausch mit anderen Studierenden und wissenschaftlichen Mitarbeitenden
• Flexible Zeiteinteilung und individuelle Betreuung
• Erwerb relevanter Kompetenzen für den Berufseinstieg in Forschung und Industrie

Anforderungen und Bewerbung

Voraussetzungen:

• Grundlegende Programmierkenntnisse (z. B. Python, C++)
• Interesse an Robotik, Simulation und autonomen Systemen
• Kenntnisse in mindestens einem der zwei Systeme (ROS2, NAV2)
• Selbstständige und strukturierte Arbeitsweise

Wünschenswert, aber nicht zwingend erforderlich:

• Vorkenntnisse in ROS2
• Vorkenntnisse in NAV2
• Erste Erfahrungen mit NVIDIA Isaac Sim oder vergleichbaren Simulationsumgebungen

Der Startzeitpunkt ist flexibel.

Bewerbung bitte per E-Mail mit aktuellem Lebenslauf und Notenübersicht an mich.
Weitere Informationen gerne auf Anfrage oder im persönlichen Gespräch.

 

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

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
• Flugsteuerung und Planung von Test-Trajektorien zur Erfassung der Systemdynamik
• 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