Die meisten Fahrzeuge in der Intralogistik werden manuell gefahren, da menschliche Fahrer den automatisierten Systemen aus heutiger Sicht in vielerlei Hinsicht überlegen sind. Um die menschlichen Fähigkeiten für automatisierte Systeme nutzbar zu machen, soll das menschliche Fahrverhalten in einer Logistikumgebung simuliert und zur Generierung synthetischer Datensätze genutzt werden. Darauf aufbauend soll ein FFZ über Imitation Learning befähigt werden, Fahrbewegungen auf Basis des impliziten Wissens erfahrener Fahrer autonom auszuführen.

Deine Aufgaben

Ziel der Arbeit ist die Entwicklung und Evaluation einer Pipeline zur Vorverarbeitung von 3D-Punktwolken mit dem Ziel, Ladungsträger (Paletten, Gitterboxen) und Kollisionsobjekte zuverlässig zu extrahieren. Die Ladungsträger sollen außerdem durch ein geeignetes Referenzmodell in der 3D-Punktwolke standardisiert werden. Im Fokus der Arbeit steht das Entwickeln einer robusten Vorverarbeitungs-Pipeline unter Zuhilfenahme verschiedenster Filtermethoden wie bspw. RANSC, Region Growing oder Statistical Outlier Removal. Anschließend soll die Pipeline hinsichtlich ihrer Leistungsfähigkeit evaluiert werden.

Diese Arbeitspakete sind Bestandteil der Arbeit:

• Literaturrecherche zu bestehenden Filtermethoden von 3D-Punktwolken
• Entwicklung eines Ansatzes für ein geeignetes Referenzmodell
• Entwicklung der Vorverarbeitungs-Pipeline
• Evaluation der Leistungsfähigkeit anhand eines Bewertungsmaßstabes

Dein Profil

Das bringst du mit:

• Studium im Bereich Maschinenbau, Informatik oder ähnliches
• Gute Deutsch- und Englischkenntnisse in Wort und Schrift
• Selbstständige Arbeitsweise und analytisches Denken
• Grundkenntnisse in 3D‑Datenverarbeitung und Algorithmen
• Programmiererfahrung in Python. Erfahrung mit PCL oder Open3D ist von Vorteil
• Grundkenntnisse in ROS2 sind wünschenswert

Du hast Interesse an Künstlicher Intelligenz, Robotik und Sensorik? Und Dir macht es Spaß, sich eigenständig in neue Themen einzuarbeiten? Dann bewirb Dich gern!

Wir bieten

• eigenverantwortliches Arbeiten
• gut ausgestattete Arbeitsplätze
• ggf. langfristige Zusammenarbeit

Bitte sende deine aussagekräftige Bewerbung in einer einzigen PDF-Datei an jobs@iph-hannover.de.
Die Bewerbung muss Anschreiben, Lebenslauf sowie Prüfungsleistungen des Studiums / Zeugnisse enthalten.