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 dateneffizient zu integrieren und ihre Architekturen sowie Hyperparameter optimal auszulegen.

 

Im Rahmen des Forschungsprojekts POV.OS wird 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 strukturierten Methode, die den Entwicklungs- und Trainingsprozess von künstlichen neuronalen Netzen für mobile Arbeitsmaschinen optimiert. Dabei sollen insbesondere Ansätze zur effizienten Erprobung von KI-Modellarchitekturen (z. B. Neural Architecture Search) und zur systematischen Suche nach optimalen Hyperparametern (z. B. durch automatisierte Optimierungsverfahren) untersucht und implementiert werden. Bestehende KI-Modelle aus Vorarbeiten dienen als Ausgangspunkt für die Optimierung.

Aufgabenschwerpunkte:

  • Einarbeitung in den Stand der Technik zu autonomen mobilen Systemen und künstlicher Intelligenz
  • Untersuchung und Evaluierung von bestehende Methoden zur effizienten Architektursuche (z. B. Neural Architecture Search) und Hyperparameter-Optimierung (z. B. Bayesian Optimization, Grid Search, Random Search)
  • Nutzung Tools und Frameworks zur Optimierung von KI-Trainingsprozessen (z. B. PyTorch, TensorFlow, Optuna, Ray Tune)
  • Entwicklung einer Methode für die zielgerichtete Optimierung multimodaler KI-Modelle
  • Durchführung einer exemplarischen Optimierung eines bestehenden KI-Modells unter Berücksichtigung der untersuchten Methoden
  • 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)

Kontakt:

Patrick Ziegler, M.Sc.

Department Maschinenbau (MB)
Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS, Prof. Franke)