Algorithmen des „Sampling-based motion planning“ für die Roboter-Bahnplanung, wie Rapidly-exploring Random Trees (RRT) und Probabilistic Roadmaps (PRM), haben sich als effektiv erwiesen und können mit komplexen, realen Umgebungen umgehen. Diese Ansätze können jedoch unter dem „curse of dimensionality“ leiden, bei dem die Anzahl der zur Abdeckung des Konfigurationsraums erforderlichen Stichproben exponentiell mit der Anzahl der Dimensionen wächst.

Wir suchen eine/n motivierte/n und talentierte/n Student/in, der/die unser Forschungsteam als Masterthesis-Praktikant/in im Bereich der Bahnplanung von Robotern unterstützt: Entwicklung von Machine Learning Algorithmen für die Analyse der Umgebung, um die Effizienz der Bahnplanung zu steigern.

Ihre Aufgaben:

• Durchführung von Forschungsarbeiten auf dem Gebiet des „Sampling-based motion planning“ mit Schwerpunkt auf der Entwicklung und Umsetzung neuer Algorithmen, um frühere Erfahrungen zur Steigerung der Effizienz zu nutzen
• Entwurf und Durchführung von Experimenten zur Bewertung der Leistung des entwickelten Algorithmus
• Verfassen und Vorlage einer umfassenden Masterarbeit über die Forschungsarbeit