Index

We are looking for a highly motivated and skilled master’s student to join an exciting hands-on research project on the further development of an expressive humanoid head for social robotics and human-robot interaction. This thesis offers the opportunity to build upon an existing robotic platform and contribute directly to the improvement of its expressiveness, realism, and overall interaction quality.

Project Overview:

This master’s thesis focuses on the continued development of an expressive humanoid head currently under construction in our lab. The goal of the project is to improve the naturalness and overall behavior of the system, making its appearance and movements more believable and suitable for social interaction.

Possible research directions include:

• Improvement of the robotic eye system for more natural gaze behavior
• Further development of the neck mechanism and head movement
• Optimization of facial and block movements to enhance expressiveness
• Mechanical, electronic, and software-based improvements for smoother and more natural behavior
• Integration and testing of new components or control strategies
• Evaluation of the system’s perceived realism, naturalness, and expressiveness

The thesis will contribute to the development of an expressive humanoid platform that can be used in future research on social robotics, affective interaction, and human-robot communication.

Key Responsibilities:

• Continue and further develop the current humanoid head platform
• Analyze the current system and identify areas for mechanical and structural improvement
• Design, implement, and test enhancements in hardware, mechanics, electronics, or control
• Support the construction, integration, and refinement of physical components
• Evaluate the effects of these improvements on the system’s behavior and perceived naturalness
• Document the development process and discuss the results in the context of social robotics

Who We’re Looking For:

• Strong interest in humanoid robots, social robotics, or human-robot interaction
• Background in robotics, mechatronics, mechanical engineering, electrical engineering, biomedical engineering, or a related field
• Very strong practical experience in physical construction and prototyping
• Very good CAD skills
• Very good experience with 3D printing and the use of 3D printers
• Experience with hardware integration, robot assembly, and mechanical design
• Independent, structured, and solution-oriented way of working
• Fluency in English

How to Apply:

If you are excited about building expressive humanoid robots and would like to contribute to the development of a real robotic platform, we invite you to apply exclusively via email, including your CV and complete transcript of records (GPA min. 2.5).

Subject: S2.2_Expressive Humanoid Head

We are looking for curious and motivated master’s students to join an exciting research project on the detection of human microexpressions for applications in humanoid robotics and human-robot interaction. This thesis combines computer vision, affective computing, and social robotics, contributing to the development of more perceptive and socially intelligent robotic systems.

Project Overview:

This master’s thesis focuses on the automatic detection and analysis of microexpressions in humans. Microexpressions are subtle and brief facial movements that can provide valuable information about human affective states and social signals. The project will explore methods for capturing, analyzing, and interpreting these facial cues using computational approaches.

Possible research directions include:

• Detection of subtle facial movements using video-based analysis
• Investigation of facial action units and temporal facial dynamics
• Comparison of classical computer vision and machine learning methods
• Exploration of implementation strategies for robust microexpression recognition

The thesis aims to provide a structured foundation for future applications in socially aware robots that can better perceive and respond to human emotional cues.

Key Responsibilities:

• Conduct a structured review of scientific literature on microexpression detection, facial expression analysis, and affective computing
• Investigate and compare methods for detecting subtle facial changes in video data
• Implement and evaluate selected approaches for microexpression recognition
• Analyze results and discuss their relevance for humanoid robotics and HRI

Who We’re Looking For:

• Strong interest in social robotics, affective computing, computer vision, or human-robot interaction
• Background in robotics, biomedical engineering, computer science, AI, or a related field
• Interest in scientific programming and algorithm development
• Independent, structured, and critical way of working
• Fluency in English

How to Apply:

If you are excited about socially intelligent robotics and would like to contribute to research on human facial behavior, we invite you to apply exclusively via email, including your CV and complete transcript of records (GPA min. 2.5).

Subject: S1_Microexpressions Detection

We are looking for curious and motivated master’s students to join an innovative research project on the simulation of microexpressions in virtual human faces for humanoid robotics and human-robot interaction. This thesis combines social robotics, facial expression modeling, computer animation, and user-centered evaluation, contributing to the development of more expressive and socially intelligent virtual agents.

Project Overview:

This master’s thesis focuses on the simulation and evaluation of human microexpressions in virtual faces and computer-based environments. Microexpressions are subtle and short facial movements that play an important role in social communication. The aim of this thesis is to investigate how such expressions can be modeled, implemented, and perceived in virtual humans or simulated humanoid agents.

Possible research directions include:

• Study of the physiological and expressive basis of human microexpressions
• Investigation of methods for modeling subtle facial expressions in virtual agents
• Simulation of microexpressions using animation and facial modeling tools such as Blender, Unity, Unreal Engine / MetaHuman, or related frameworks
• Exploration of facial action units, blendshapes, or similar techniques for implementing subtle facial movements
• Evaluation of user preferences and perception regarding realism, naturalness, and social acceptability

The thesis will help establish a foundation for future emotionally expressive virtual humans and humanoid robots by identifying suitable design approaches and perception-related challenges.

Key Responsibilities:

• Conduct a structured review of literature on microexpressions, facial expression modeling, and human-robot interaction
• Investigate existing methods and tools for simulating subtle facial expressions in virtual environments
• Implement or prototype selected microexpression simulation approaches in a computer-based setting
• Design and analyze a user study to evaluate perceived realism, preference, and social impact

Who We’re Looking For:

• Strong interest in social robotics, virtual humans, humanoid robots, human expression, or human-robot interaction
• Background in robotics, biomedical engineering, computer science, HRI, computer graphics, animation, or a related field
• Interest in simulation, experimental design, and user-centered evaluation
• Independent, structured, and critical way of working
• Fluency in English

How to Apply:

If you are excited about expressive virtual humans and would like to contribute to research on artificial facial behavior, we invite you to apply exclusively via email, including your CV and complete transcript of records (GPA min. 2.5).

Subject: S2.1_Virtual Microexpressions

Motivation
Sehnengetriebene Aktuationssysteme sind ein zentraler Ansatz moderner Robotik, insbesondere für humanoide und leichte, energieeffiziente Systeme. Durch die Entkopplung von Aktuator und bewegter Struktur lassen sich Massen reduzieren und komplexe Bewegungen realisieren. Für Entwicklung, Auslegung und spätere Steuerung solcher Systeme sind realitätsnahe Simulationen essenziell.
Unterschiedliche physikalische Modellierungsansätze für Seil- und Sehnenstrukturen (z. B. vereinfachte oder kontinuierliche Modelle) unterscheiden sich jedoch stark hinsichtlich Genauigkeit, Stabilität und Rechenaufwand. Diese Unterschiede wirken sich direkt auf die Nutzbarkeit in simulationsbasierten Entwicklungsprozessen und insbesondere auf Reinforcement-Learning-Anwendungen in NVIDIA Isaac Sim / Isaac Lab aus.

Ziel der Arbeit
Ziel der Arbeit ist die systematische Untersuchung und prototypische Implementierung ausgewählter Simulationsmethoden für Seil- und Sehnenstrukturen. Im Fokus steht die Frage, wie unterschiedliche physikalische Modellierungen praktisch umgesetzt werden können und welchen Einfluss sie auf das Verhalten der Simulation sowie auf die Trainingsstabilität und Performance von RL-Algorithmen haben.
Die Ergebnisse sollen vergleichbar aufbereitet und hinsichtlich ihrer Eignung für robotische Anwendungen bewertet werden.

Schwerpunkte

• Simulationsmethoden & Implementierung in Isaac Sim / Isaac Lab
• Vergleich & RL-basierte Bewertung

Weitere Informationen
Infos auf Anfrage. Bewerbung per E-Mail mit Lebenslauf und Notenübersicht.

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)