Wir freuen uns sehr über die Zusammenarbeit mit den Studenten und wir möchten euch kurz vorstellen, in welchen Themengebieten wir uns besonders über eure Unterstützung freuen würden. Kommt gerne mit euren Ideen und Vorstellungen vorbei und wir suchen gemeinsam nach Möglichkeiten, wie ihr eure Abschlussarbeiten, Seminararbeiten, Forschungs- und Projektmodule bei uns erledigen könnt. Für Fragen stehen wir euch jederzeit zur Verfügung.
Differenzierbarkeit von Nachbarschaftssuche und der Earth Mover’s Distance
Im Kontext von Deep Learning und Neuronalen Netzen ist für den Trainingsprozess unerlässlich, dass der Code vollständig differenzierbar ist, um die Gradienten für die Trainingsupdates berechnen zu können. Bei zwei Teilen ist dies aktuell noch nicht so.
In vorhergegangen studentischen Arbeiten wurde eine GPU-fähige Nachbarschaftssuche und eine Lossfunktion basierend auf der Earth Mover’s Distance implementiert. Diese sind in der aktuellen Form nicht differenzierbar.
Das Ziel der Arbeit ist die Untersuchung, ob einerseits eine differenzierbare Implementierung anhand der bestehenden Modul möglich ist, oder ob andererseits in der Literatur passendere Algorithmen verfügbar sind, die es dann zu implementieren gilt.
Vorgehen:
- Einarbeitung in die Nachbarsschaftssuche und Earth Mover’s Distance
- Überprüfung der Anwendbarkeit von AD und Literaturrecherche
- Implementierung und Testung
Vorraussetzungen:
- Vorkenntnisse in Julia sind wünschenswert
- Erfahrungen mit NeuralODE und AD sind von großem Vorteil
Weiterentwicklung der Methodik von Graph Neural Networks
Graph Neural Networks (GNNs) eignen sich hervorragend als Surrogatmodelle für graphbasierte Simulationen, denen komplexe physikalische Phänomene zugrunde liegen. Durch das Lernen lokaler Zusammenhänge können sie auch bei sich ändernden Geometrien oder Topologien des Graphen weiterverwendet werden, ohne dass ein erneutes Training erforderlich ist. In dieser Arbeit soll die Methodik des in unserem Softwarepaket bestehenden GNN-Ansatzes weiterentwickelt werden, um ein schnelleres Training und eine höhere Vorhersagegenauigkeit zu ermöglichen.
Mögliche Schwerpunkte sind die Evaluation der Modellperformance bei variierenden Geometrien, die Untersuchung verschiedener Trainingsstrategien sowie die Integration zusätzlichen physikalischen Wissens.
Die Arbeit richtet sich an Studierende mit Interesse an maschinellem Lernen, der Programmiersprache Julia (oder Python, da viele Parallelen existieren) und aktueller Forschung im Bereich Scientific Machine Learning (SciML).
Klassifikation von Griffvariaten für Roboterhände
Am Lehrstuhl für Mechatronik untersuchen wir Mensch-Roboter Interaktion in verschiedenen Anwendungsfällen. Dabei werden Roboterbewegungen per Learning from Demonstration (d.h. durch Nachahmung des Menschen durch den Roboter) angelernt. Einen zunehmend wichtigen Faktor spielen dabei für den Menschen ausgelegte Prozesse, sei es das Schraubeneindrehen in der Arbeitswelt oder Lebensmittel einräumen im Haushalt. Entsprechend gewinnen roboterhände zunehmend an Relevanz.
In dieser Arbeit sollen menschliche Bewegungen per markerless Tracking wahrgenommen werden (dazu existieren Vorarbeiten) und basierend auf dem Skelett der Hand, die vorliegenden Griffvarianten klassifiziert werden. Unsere Roboterhand (Prensilia Mia Hand) verfügt über vordefinierte Griffvarianten (z.B. Pinzetten- oder Umfassungsgriffe). Diese sollen anschließend auf die menschliche Bewegung gematched werden. Das ergebnis der Arbeit dient dann als Eingang in unsere Ansätz für das Learning from Demonstration.
Deine Aufgaben
- Erstellen eines kleinen Datensatzes verschiedener Griffvarianten mit unserem Prüfstand
- Vergleich und Auswahl von geeigneten Machine Learning Verfahren für die Klassifikation
- Validierung der Klassifikation auf dem erstellten Datensatz
Du bietest
- Studium der Ingenieursinformatik, Informatik, Medizininformatik, Mathematik oder ähnliche Studiengänge
- Interesse an Mensch-Roboter Interaktion und Roboterhänden
- (wünschenswert) Vorerfahrungen mit Machine Learning in Python
Vergleich von Optimal-Control-Toolchains in Julia
Am Lehrstuhl für Mechatronik beschäftigen wir uns regelmäßig mit Optimal-Control-Problemen, insbesondere im Kontext modellprädiktiver Regelung (MPC). Für die Umsetzung solcher Algorithmen ist die Programmiersprache Julia besonders interessant. Es existieren bereits mehrere Pakete und Workflows zur Lösung von Optimal-Control-Problemen, z. B.:
Ziel der Arbeit ist es, einen systematischen Überblick über bestehende Julia-Toolchains zur Lösung von Optimal-Control- und MPC-Problemen zu gewinnen. Dazu sollen relevante Pakete identifiziert, in ihrer Funktionsweise analysiert und hinsichtlich ausgewählter Kriterien verglichen werden.
Mögliche Fragestellungen sind u. a.:
- Entwicklungsstand und Community-Aktivität
- Funktionsumfang und unterstützte Features
- Eignung für echtzeitfähige Anwendungen
- Kompatibilität mit DGL-Lösern (DifferentialEquations.jl)
- Anbindung an Optimierungs-Backends wie Optim.jl, Optimisers.jl
- Unterstützung verschiedener Modellarten (z. B. neuronale Netze, FMUs, ModelingToolkit.jl,…)
- Differenzierbarkeit mit verschiedenen AD-Backends (ForwardDiff.jl, Zygote.jl, Enzyme.jl,…)
- Vergleich mit MPC-Toolboxen anderer Sprachen, z. B. do-mpc, MATLABs Model Predictive Control Toolbox
- Umsetzung von MPC-Strategien mit FMUs über FMI.jl
Der Umfang der Arbeit kann flexibel gestaltet werden und richtet sich nach dem gewählten Format. Einzelne Teilaspekte wie MPC mit FMUs oder Differenzierbarkeit von OC-Formulierungen lassen sich auch im Rahmen einer vertieften Abschlussarbeit gesondert bearbeiten.
Weiterentwicklung unserer Softwarepakete für Graph Neural Networks
Die Programmiersprache Julia wächst aktuell stark in ihrer Anwendung sowohl in der Forschung als auch in der Industrie bei großen Unternehmen wie beispielsweise ASML und Bosch. Dabei arbeitet unser Lehrstuhl aktiv an der (Weiter-)entwicklung unser aktuellen Softwarepakete für Julia, besonders im Bereich Graph Neural Networks. Dabei gibt es immer aktuelle Themen die in Angriff genommen werden können um das Paket und die Sprache voranzutreiben.
Dies beinhaltet:
- Entwicklung neuer Funktionen der Pakete
- Mitwirken an Core-Paketen von Julia
- Instandhaltung der aktuellen Software