Masterarbeit - Reinforcement Learning für zweibeinigen Outdoor-Roboter auf Rädern mit Isaac Lab

Ausschreibung für die Fachrichtung wie z. B.: Elektrotechnik, Informatik, Kybernetik, Mechatronik, technische Informatik 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 „Navigation mobile Roboter“ 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 Die folgenden Aspekte bilden ein zusammenhängendes Themenfeld und nicht den festen Umfang einer einzelnen Arbeit. Abhängig von Ihrem Hintergrund und Ihren eigenen Interessen definieren wir den Umfang der Arbeit gemeinsam:

Aufarbeitung des Stands der Technik zu Reinforcement Learning für radbasierte, zweibeinige und hybride Fortbewegung Konzeption und Implementierung einer Simulationsumgebung für einen radbasierten, zweibeinigen Roboter in NVIDIA Isaac Lab mit realistischer Physik Entwicklung und Training von RL-Policies sowie Entwurf der Reglerarchitektur für hybride Locomotion-Aufgaben, u. a. Wechsel zwischen den Fortbewegungsmodi und Balancieren auf unebenem Untergrund Einsatz von Sim-to-Real-Techniken wie Domain Randomization und A