DEIN TEAM

Für den Fachbereich Vehicle, Energy, Motion & Body (VEMB) suchen wir eine:n Student:in (Praktikum oder Masterarbeit) zur Unterstützung an einem Forschungsthema im Bereich Reinforcement Learning und Simulation‑to‑Real-Transfer. Unser Fachbereich entwickelt fortschrittliche Softwarelösungen für VEMB-Systeme.

Innerhalb von VEMB fokussiert sich unser Vorentwicklungsteam auf lernbasierte Methoden für Regelung und Entscheidungsfindung, mit dem Ziel, eine schnellere, skalierbare und kosteneffizientere Entwicklung von Onboard‑Funktionen zu ermöglichen. Eine zentrale Herausforderung in diesem Kontext ist der zuverlässige Transfer von in der Simulation trainierten Reinforcement Learning Agenten auf reale Systeme. Dafür sind systematische Ansätze erforderlich, um Modellunsicherheiten und reale Variabilität robust zu beherrschen.

DEINE AUFGABEN

• Zusammenarbeit mit einer/einem Doktorand/in im Bereich Reinforcement Learning und Sim‑to‑Real-Transfer
• Analyse des aktuellen Stands der Technik in den Bereichen Domain Randomization, adaptives Reinforcement Learning und Policy Transfer
• Untersuchung fortgeschrittener Techniken der Domain Randomization zur Verbesserung der Robustheit und der realen Leistungsfähigkeit von in Simulation trainierten Reinforcement-Learning-Policies
• Verwendung realer Messdaten, um die Lücke zwischen Simulation und Realität zu verringern, indem Simulationsmodelle angepasst, getunt oder eingeschränkt werden
• Entwurf und Durchführung von Experimenten zur systematischen Bewertung der Auswirkungen verschiedener Randomisierungs- und Anpassungsstrategien
• Unterstützung bei der Implementierung von Prototyp-Lernpipelines und Validierung der entwickelten Methoden in Simulationen und ausgewählten realen Experimenten
• Zusammenarbeit mit Teams in der Vorentwicklung und Serienentwicklung

DAS BRINGST DU MIT

• Laufendes Studium in einem relevanten Fachbereich wie Informatik, Robotik, Elektrotechnik oder Mechatronik, mit starkem Fokus auf maschinelles Lernen
• Solide Grundlagen im maschinellen Lernen und Reinforcement Learning, einschließlich eines guten Verständnisses moderner Lernalgorithmen und Trainingsparadigmen
• Fundierte Programmierkenntnisse in Python und praktische Erfahrung mit modernen ML-Frameworks (vorzugsweise JAX)
• Erfahrung im Entwerfen, Trainieren und Evaluieren von lernbasierten Modellen in Simulationsumgebungen
• Grundkenntnisse in Regelungstechnik, Simulation oder physikalischer Modellierung sind von Vorteil
• Strukturierte und selbstständige Arbeitsweise mit ausgeprägten analytischen und problemlösenden Fähigkeiten
• Fließende Englisch- und Deutschkenntnisse sowie gute Kommunikationsfähigkeiten

NICE TO KNOW