About this role
Ausschreibung für die Fachrichtung wie z. B.: Automatisierungstechnik, Kybernetik, Mechatronik, Regelungstechnik oder vergleichbare.
Radbasierte, zweibeinige Roboter (wheeled bipedal robots) verbinden die Vorteile beinbasierter Systeme mit der Effizienz radgetriebener Fortbewegung. Ihre Regelung in realen Umgebungen ist anspruchsvoll: hochdimensionale Dynamik, nichtlineare Kontaktvorgänge und stark wechselnde Untergründe. Reinforcement Learning (RL) ist ein vielversprechender Weg zu adaptiven und robusten Regelstrategien. Ein Training auf der realen Hardware ist jedoch meist unpraktikabel und nicht sicher. Realistische Simulationsumgebungen sind daher essenziell. Wie gut sich eine gelernte Policy auf den echten Roboter übertragen lässt, hängt davon ab, wie genau die Simulation Kontakt, Aktuierung und Sensorik abbildet.
In der Forschungsgruppe „Kognitive Robotik“ entwickeln wir autonome Outdoor-Roboter auf rad-, ketten- und hybridbasierten Plattformen, darunter unsere Kettenplattform CURTtrac und unseren zweibeinigen Roboter auf Rädern BiBiRob. Unsere Arbeit reicht von der ersten Konzeptidee über die Konstruktion bis zum Aufbau und Test von Prototypen in realen Einsatzumgebungen.
Hier sorgen Sie für Veränderung
Je nach Ihrem Hintergrund und Ihren Interessen stimmen wir Ihre Aufgaben gemeinsam ab. Mögliche Tätigkeiten sind:
- Unterstützung beim Aufbau und der Pflege von Simulationsumgebungen für einen radbasierten, zweibeinigen Roboter in NVIDIA Isaac Lab
- Mitarbeit bei Implementierung, Training und Auswertung von RL-Policies für hybride Lokomotionsaufgaben (z. B. Moduswechsel, Balancieren auf unebenem Untergrund)
- Durchführung von Trainingsläufen auf unseren GPU-Ressourcen, Logging, Visualisierung und Aufbereitung der Ergebnisse
- Unterstützung bei Sim-to-Real-Experimenten (z. B. Domain Randomization, Aktuatormodellierung) sowie bei Tests und Messungen mit unserem Roboter BiBiRob
- Literaturrecherche zum Stand der Technik sowie Dokumentation von Code und Ergebnissen