Wissenschaftliche*r Mitarbeiter*in Kognitive Robotik -Reinforcement Learning und Low-Level Regelung

Wissenschaftliche
* r Mitarbeiter
* in Kognitive Robotik
-Reinforcement Learning und Low-Level Regelung

Die Fraunhofer-Gesellschaft ist eine der weltweit führenden Organisationen für anwendungsorientierte Forschung. 75 Institute entwickeln wegweisende Technologien für unsere Wirtschaft und Gesellschaft – genauer: 32 000 Menschen aus Technik, Wissenschaft, Verwaltung und IT. Die neu gegründete Gruppe Kognitive Robotik erforscht lernbasierte Verfahren zur Bewegungssteuerung mobiler Robotersysteme. In enger Kooperation mit der Gruppe Navigation mobile Roboter verfolgen wir das Ziel, Navigationsplanung und Lokomotionsregelung in einer gemeinsamen Steuerungsarchitektur zu integrieren, sodass Laufroboter ihr Gangverhalten direkt an Untergründe und spezifische Umgebungsbedingungen anpassen können.

Einsatzumgebungen stellen unstrukturierte Bereiche wie der Bausektor oder Inspektion im Außenbereich dar. Als erste Anwendungsplattform dient ein am Institut entwickelter radbasierter Laufroboter mit hybridem Antriebskonzept.

Die Stelle umfasst den Aufbau einer physikbasierten Simulationsumgebung in NVIDIA Isaac Lab, das Training von RL-Locomotion-Policies sowie deren Sim-to-Real-Transfer über Domain Randomization, System Identifikation und geeignete Low-Level-Regler auf Gelenk- und Momentenebene. Gleichzeitig beinhaltet die Rolle die mechatronische Weiterentwicklung der physischen Plattform, von der Anpassung der Kinematik und Aktorik über die Konstruktion bis hin zur Inbetriebnahme der neuen Iterationen. Die Position und das Team verbindet damit Reinforcement Learning, klassische Regelungstechnik und physische Systementwicklung ganzheitlich.

Was Sie bei uns tun:

• Aufbau einer Simulationsumgebung in NVIDIA Isaac Lab, einschließlich Import und Anpassung von CAD Modellen, sowie Modellierung von Kontaktdynamik und Aktorverhalten
• Entwurf, Training und Evaluation von RL-Policies für Lokomotion über verschiedene Untergründe und Gangarten
• Entwicklung von Low-Level-Reglern als Schnittstelle zwischen gelernten Policies und realer Aktorik
• Sim-to-Real-Transfer (Domain Randomization, System Identifikation und iteratives Feintuning auf der Hardware)
• Mechatronische Weiterentwicklung der Roboterplattform, inkl. Anpassung von Kinematik, Aktorik und der Konstruktion
• Konstruktion, Aufbau und Inbetriebnahme neuer Hardwareiterationen team- und domänenübergreifend
• Wissenschaftliche Veröffentlichung der Ergebnisse

Was Sie mitbringen:

• Abgeschlossenes Hochschulstudium in den Fachrichtungen Robotik, Mechatronik, Maschinenbau, Regelungstechnik, Elektrotechnik, Informatik oder vergleichbare Qualifikation.
• Gutes Verständnis der Regelungstechnik (Gelenkraumregelung, PID/Impedanzregelung, modellbasierte Verfahren wie LQR, MPC) kombiniert mit hoher Eigeninitiative, Problemlösungskompetenz und Fähigkeit zur eigenständigen Einarbeitung in neue technische Domänen.
• Fundierte Kenntnisse im Reinforcement Learning, idealerweise Erfahrung mit Frameworks wie Stable Baselines3; gutes Verständnis von KI-gestützter Optimierung (z.
  
  B. genetische Algorithmen).
• Erste Erfahrungen mit CAD-Tools (z.
  
  B. Solid Works), Aufbereitung von Robotermodellen für Simulationen; sicherer Umgang mit Python und PyTorch;
  Erfahrung mit Simulationsplattformen wie Isaac Gym; mechanische Konstruktion und Prototypenbau; ROS/ROS 2 sowie Inbetriebnahme von Software auf realer Roboterhardware.
• Hohe Eigeninitiative, Lernbereitschaft sowie strategische und analytische Fähigkeiten.
• Sehr gute Deutsch- und Englischkenntnisse.

Was Sie erwarten können:

• Integration in ein interdisziplinäres Team aus Expertinnen und Experten für Lokomotion und autonome Navigation; direkte Zusammenarbeit an relevanten Schnittstellen.
• Frühzeitige Übernahme technischer Verantwortung für Regelungsarchitektur, Trainingssetup und Hardwaredesign;
  Gestaltungsspielraum für eigenverantwortliche Beiträge.
• Zugriff auf eine vielseitige Robotikflotte, einschließlich Laufrobotern, radbasierter Outdoor-Plattformen und weiterer mobiler Systeme.
• Leistungsfähige Infrastruktur für Reinforcement-Learning-Training, eine gut ausgestattete Robotikwerkstatt und ein E-Labor.
• Möglichkeiten für regelmäßige Messe- und Konferenzteilnahmen, Promotion…