Motivation

Technologien der mobilen Robotik ermöglichen innovative Assistenzsysteme zur Unterstützung der Mobilität und Orientierung. Am FAPS wurden bereits zwei zentrale Systeme entwickelt: ein Assistenzsystem für blinde Personen sowie ein intelligenter Rollstuhl zur Unterstützung mobilitätseingeschränkter Nutzerinnen und Nutzer.

Reinforcement Learning (RL) bietet hierbei eine spannende Alternative zu klassischen, modellbasierten Pfadplanern. RL-basierte Systeme können durch Simulationen und reale Experimente lernen, eigenständig geeignete Navigationsstrategien zu entwickeln – auch ohne exakte mathematische Modelle. Besonders im Kontext der sozialen Navigation eröffnet RL neue Möglichkeiten: Das Verhalten gegenüber anderen Personen kann gezielt trainiert und hinsichtlich sozialer Akzeptanz optimiert werden. Darüber hinaus gewinnt der Komfort der mitfahrenden Personen zunehmend an Bedeutung – ein Aspekt, der in der bisherigen Forschung oft zu kurz kommt und im Rahmen dieser Arbeit vertieft untersucht werden soll.

Die Arbeit führt ein bestehendes Forschungsthema am FAPS fort und bietet Raum für kreative Weiterentwicklung. Inspiration liefern unter anderem folgende Veröffentlichungen:

Human Comfort Factors in People Navigation: Literature Review, Taxonomy and Framework
Learning Local Planners for Human-aware Navigation in Indoor Environments
Crowd-Aware Robot Navigation for Pedestrians with Multiple Collision Avoidance Strategies via Map-based Deep Reinforcement Learning
DRL-VO: Learning to Navigate Through Crowded Dynamic Scenes Using Velocity Obstacles
HuNavSim 2.0
Arena-rosnav

Am FAPS wurde bereits ein funktionierendes Framework zur RL-basierten Navigation für den intelligenten Rollstuhl entwickelt. Dieses bildet die Grundlage der Arbeit. Der Fokus liegt nun auf der Identifikation bestehender Schwächen, der Evaluation kritischer Navigationsszenarien und der gezielten Weiterentwicklung des Systems.

Ein möglicher Schwerpunkt der Arbeit liegt in der Untersuchung und Optimierung der Netzwerkarchitektur für Deep-Reinforcement-Learning-basierte Navigationsaufgaben. Ein weiterer Fokus kann auf der Erweiterung und Verbesserung der Simulationsumgebung mit NVIDIA Isaac Sim liegen, um realitätsnahe Trainingsbedingungen für soziale Navigation und Komfortbewertung zu schaffen.

Dabei können sowohl der soziale Aspekt der Navigation (z. B. Verhalten gegenüber Fußgängern) als auch der Komfort der Passagier:innen (z. B. Vermeidung ruckartiger Bewegungen) gezielt adressiert werden.
### Zielsetzung und Arbeitsschritte
– Einarbeitung in das Robot Operating System (ROS)
– Literaturrecherche zu RL-basierten Navigationsansätzen
– Einarbeitung in das bestehende Trainingsframework
– Implementierung eines eigenen Lösungsansatzes auf Basis von RL
– Validierung im Rahmen einer Simulationsumgebung und realer Tests

### Was wir bieten
– Praxisnahe Forschung im Bereich Robotik und Medizintechnik
– Möglichkeit zur Mitgestaltung eines realen Prototyps
– Zusammenarbeit mit einem interdisziplinären Team am FAPS
– Fachlicher Austausch mit anderen Studierenden
– Flexible Zeiteinteilung und individuelle Betreuung
– Relevante Erfahrungen für den Berufseinstieg in Forschung und Industrie
### Anforderungen & Bewerbung
– Vorkenntnisse in ROS sind vorteilhaft, aber nicht zwingend erforderlich
– Interesse an Robotik, KI und Mensch-Roboter-Interaktion
– Selbstständige, strukturierte Arbeitsweise
– Startzeitpunkt flexibel

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

Kategorien:

Forschungsbereich:

Robotik

Art der Arbeit:

Masterarbeit, Projektarbeit

Studiengang:

Informatik, Maschinenbau, Mechatronik, Medizintechnik

Technologiefeld:

Medizintechnik

Kontakt:

Matthias Kalenberg, M.Sc.

Koordinator Technologiefeld Autonome Mobile Systeme

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