Bei IAS entwickeln und verbessern wir kontinuierlich interaktive Anwendungen für unsere Demonstratoren, wie Franka Emika Manipulatoren, HoloLenses, AGVs, eine Mini-Fabrik und verschiedene Mikrocontroller-Experimente. In diesem Zusammenhang bieten wir verschiedene Bachelor- und Forschungsmöglichkeiten an, die es den Studierenden ermöglichen, praktische Erfahrungen und Einblicke zu gewinnen.
Die Entwicklung des Demonstrators könnte Folgendes umfassen:
- Konzeption
- Design
- Umsetzung (Hardware und Software)
- Visualisierung
- Simulation
Die Beschreibung der einzelnen Aufgaben wird persönlich besprochen. Bitte kontaktieren Sie berit.schuerrle@ias.uni-stuttgart.de oder Joachim.grimstad@ias.uni-stuttgart.de für weitere Informationen.
Interesse an Elektrotechnik, erste Programmiererfahrung, Kreativität, Englischkenntnisse, Fähigkeit zur selbstständigen Arbeit.
Berit Schuerrle
♦
Diese Abschlussarbeit befasst sich mit der Anwendung von adversarialer Multi-Agent-Verstärkungslernens in der modellbasierten Systemtechnik für die Entwicklung fehlertoleranter Designs. Das Ziel der Forschung ist es, die Vor- und Nachteile dieser Ansätze und verschiedener Eingangsmodelle zu untersuchen. Die Arbeit umfasst sowohl Literaturrecherche als auch Implementierung in Python. Die Abschlussarbeit eignet sich für Studierende, die versiert in Python sind und die Anwendbarkeit künstlicher Intelligenz im Engineering-Prozess untersuchen möchten.
Die genauen Aufgaben sind Gegenstand der Diskussion und hängen vom Umfang der Abschlussarbeit ab, aber die meisten Abschlussarbeiten sollten einige Programmieraufgaben in Python beinhalten. Hier sind einige Beispiele für Aufgaben:
Aufgabe 1: Auswahl von Eingangsmodellen
- Identifizieren Sie ein oder mehrere Eingangsmodelle, die verwendet werden sollen.
Aufgabe 2: Parsen und Erstellen von System- und Spielobjekten
- Erstellen Sie einen Parser, um relevante Parameter aus den Eingangsmodellen zu extrahieren.
- Entwickeln Sie Spielobjekte, die in Verbindung mit der PettingZoo-Trainingsumgebung verwendet werden können.
- Automatisieren Sie das Spieldesign, um die Erstellung neuer Umgebungen und Spielobjekte zu optimieren.
Aufgabe 3: Auswahl und Implementierung eines Trainingsalgorithmus
- Wählen Sie einen Verstärkungslernalgorithmus, der für die Aufgabe geeignet ist.
- Implementieren Sie den Algorithmus.
- Trainieren Sie den Algorithmus mithilfe der erstellten Umgebungen.
Aufgabe 4: Bewertung der Ergebnisse
- Bewertung der Leistung der trainierten Modelle.
- Analysieren Sie die Ergebnisse, um die Effektivität zu bestimmen.
Aufgabe 5: Spezialisierung
- Wählen Sie eine Spezialisierung aus, die näher untersucht werden soll.
Aufgabe 6: Literaturrecherche
- Führen Sie eine umfassende Literaturrecherche zu Verstärkungslernen, Spielumgebungen und allen relevanten Themen durch.
Python, objektorientierte Programmierung.
Solide mathematische Grundlagen.
Erfahrung mit Systemmodellierung bevorzugt.
Versiert in Englisch.
Joachim Grimstad
♦
Der Franka Emika Roboter ist ein Roboter, der in der Wissenschaft viel verwendet wird. Der Roboter wird mithilfe des Robot Operating Systems (ROS) angesteuert und ist innerhalb der Simulationsumgebung Gazebo auf dem Computer dargestellt. Dabei bietet die Schnittstelle über ROS eine einfache Erweiterungs- und Datenerfassungsmöglichkeit. Mit der ROS Version „Noetic“ hat ROS seine letzte Version vorgestellt, welche bis 2025 unterstützt wird. Nach 2025 wird ausschließlich das neue System ROS2 unterstützt. ROS2 bietet nicht nur neue Funktionalitäten, sondern zusätzlich auch neue Plattformen, auf denen ROS2 betrieben werden kann. Während ROS ausschließlich auf Linux Ubuntu funktioniert, kann ROS2 zusätzlich auf Windows und MacOS installiert werden. Dies bietet viele Vorteile, da somit zusätzlich zu einem Windows/Mac Computer nicht noch zusätzlich ein Linux Computer vorhanden sein muss. Allerdings, nur weil ROS2 auf Windows oder MacOS funktioniert, bedeutet das nicht, dass andere Software-Pakete, wie Gazebo und die Software für den Franka Emika Roboter, ebenfalls auf neue Plattformen wie Windows migriert werden können.
- Implementierung von ROS2 auf Windows (Nativ, WSL, Virtual Box, …)
- Implementierung der Simulationsumgebung Gazebo, welche mit ROS2 interagiert
- Implementierung des Franka-Emika-Roboter-Model
- Ansteuerung des Roboters
- Visualisierung innerhalb der Simulation
- Selbstständiges Arbeiten
- Englisch-Kentnisse
- Python- und Linux-Kenntnisse sind von Vorteil
Sebastian Baum
♦
Deep learning performs remarkably well on many time series analysis tasks recently. The superior performance of deep neural networks relies heavily on a large number of training data to avoid overfitting. However, the labeled data of real-world time series applications may be limited, especially anomaly detection. As an effective way to enhance the size and quality of the training data, data augmentation is crucial to the successful application of deep learning models on time series data. In this thesis, the student will systematically review different data augmentation methods for time series anomaly detection.
The student will implement data augmentation on different CPS anomaly detection datasets and evaluate the results.
1) Literature research of existing anomaly detection datasets in Cyber-Physical Systems.
2) Literature research of state-of-the-art data augmentation method.
3) Categorization of the datasets according to the application field and characteristics.
4) Extract normal and abnormal patterns from real-world data.
5) Transform the extracted patterns into synthetic data.
6) Evaluation of the augmented dataset.
python
Sheng Ding
♦