Masterarbeit: Optimierung von IL-Policies durch Reinforcement Learning

Fraunhofer-GesellschaftPaderborn, North Rhine-WestphaliaHybrid, On-siteInternshipListed 3 hours ago

Apply now

About this role

Wie das Engineering der Zukunft aussieht, erforschen wir am Fraunhofer IEM in Paderborn – gemeinsam mit starken Partnern und viel Leidenschaft für Technik. Unsere Teams entwickeln Lösungen, die wirklich in die Anwendung kommen: von smarten Produkten über vernetzte Produktionssysteme bis hin zu digitalen Services und moderner Software. Dabei denken wir Innovation vom ersten Konzept bis zur Umsetzung. Und genau hier kommst Du ins Spiel!

In der Abteilung Industrial Automation untersuchst Du, wie sich durch Imitation Learning erlernte Manipulationsstrategien humanoider Roboter mithilfe von Reinforcement Learning verbessern lassen.

Hier sorgst Du für Veränderung

- Analyse und Auswahl geeigneter RL-Verfahren zur Nachoptimierung von IL-Policies mit dem Ziel, Erfolgsrate und Robustheit zu verbessern.

- Modellierung der Manipulationsaufgabe und Roboterplattform in NVIDIA Isaac Sim/Isaac Lab sowie Evaluation der bestehenden, mit realen Daten trainierten IL-Policy. Bei Bedarf Anpassung oder Training einer Simulationspolicy unter Einbeziehung realer und zusätzlicher simulierter Demonstrationen.

- Implementierung einer modularen RL-Trainingspipeline zur Verbesserung der IL-Ausgangspolicy in der Simulation, einschließlich Definition der Belohnungsfunktion und Erfolgskriterien sowie Dokumentation von Trainingsablauf und Rechenzeit.

- Vergleich der Ausgangspolicy mit der verbesserten Policy in der Simulation anhand von Erfolgsrate, Fehlerbehandlung und Bewegungsqualität. Untersuchung der Übertragbarkeit auf denselben realen Roboter für dieselbe Aufgabe. Ergänzende Realversuche nach Abstimmung mit dem Betreuer, sofern Hardware verfügbar ist und die technischen Voraussetzungen für einen sicheren Betrieb erfüllt sind.

- Vergleich der Ausgangspolicy mit der verbesserten Policy in der Simulation anhand von Erfolgsrate, Fehlerbehandlung und Bewegungsqualität. Untersuchung der Übertragbarkeit auf denselben realen Roboter für dieselbe Aufgabe. Ergänzende Realversuche nach Abstimmung mit dem Betreuer, sofern Hardware verfügbar ist und die technischen Voraussetzungen für einen sicheren Betrieb erfüllt sind.