Multimodale Lernarchitekturen
Du konzipierst und entwickelst Systeme, die Kameradaten, Tiefeninformationen, taktile Sensorik, IMU-Daten, Sprachinformationen und Roboterzustände zu ausführbaren Roboteraktionen zusammenführen.
Du definierst, wie diese unterschiedlichen Modalitäten kombiniert werden und in Policies übersetzt werden, die auf unseren hochgeschickten Roboterhänden ausgeführt werden.
Simulationsinfrastruktur & Datenpipelines
Du entwickelst und betreibst GPU-beschleunigte Simulationsumgebungen sowie die dazugehörigen Datenpipelines, um das Training von Policies effizient und skalierbar zu gestalten.
Sim-to-Real Transfer
Du verantwortest die technische Umsetzung, um die Lücke zwischen Simulation und realer Hardware zu schließen.
Dabei entwickelst du robuste Methoden, um trainierte Modelle zuverlässig auf physische Robotersysteme zu übertragen.
Teamführung & Technische Leitung
Du übersetzt Forschungsfragestellungen in konkrete technische Meilensteine.
Du unterstützt und entwickelst Engineers weiter und arbeitest eng mit Teams aus Machine Learning, Robotik und Hardware zusammen, um Lernsysteme erfolgreich auf realen Robotern einzusetzen.
Mindestens 6 Jahre Erfahrung in Informatik oder einem vergleichbaren technischen Bereich, einschließlich relevanter Erfahrung bei der Entwicklung und Implementierung von AI-Systemen auf realer Robotik-Hardware.
Praktische Erfahrung in der Leitung oder Mitgestaltung von multimodalen Manipulationssystemen, die Vision, Sprache, taktile Sensorik und Propriozeption kombinieren.
Nachweisbare Erfahrung im Aufbau von Simulationsinfrastrukturen mit Isaac Lab, Isaac Sim, MuJoCo oder vergleichbaren Frameworks für Reinforcement Learning und Sim-to-Real-Transfer.
Tiefgehende praktische Kenntnisse in:
Imitation Learning (inklusive Diffusion Policies)
Deep Reinforcement Learning
Hybriden Lernverfahren auf realer Robotik-Hardware
Erfahrung mit Datenpipelines für heterogene Hochfrequenz-Sensordaten, beispielsweise:
Teleoperation
Taktile Sensorik
Kameradaten
Tiefendaten
Roboterzustände
Sehr gute Programmierkenntnisse in Python und C++ sowie Erfahrung mit ROS 2 und Embedded- bzw. Echtzeitsystemen.
Fähigkeit, vage oder offene Forschungsfragen in konkrete technische Ziele und umsetzbare Engineering-Meilensteine zu übersetzen.
Erfahrung in der fachlichen Weiterentwicklung und Unterstützung von Junior Engineers.
Von Vorteil
Erfahrung mit hochgradig beweglichen, sehnengetriebenen oder stark taktil ausgestatteten Roboterhänden.
Kenntnisse von Vision-Language-Action (VLA)-Architekturen oder vergleichbaren Vision-Language-Modellen sowie großskaligen Pre-Training-Workflows.
Beiträge zur Robotik- oder AI-Forschungsgemeinschaft, beispielsweise Veröffentlichungen oder aktive Mitarbeit im Umfeld von:
IEEE International Conference on Robotics and Automation
IEEE/RSJ International Conference on Intelligent Robots and Systems
Conference on Robot Learning
Conference on Neural Information Processing Systems