Ausgangssituation:
Für die Transformation der Logistik hin zu Industrie 4.0 müssen sämtliche Materialflüsse digital abgebildet werden. Um dies zu bewerkstelligen, gibt es verschiedenste Automatische Identifikationssysteme (Auto-ID). Aktuelle Systeme sind zum Beispiel Barcodes oder RFID. Diese besitzen jedoch das Problem, dass künstliche Merkmale, wie der Barcode an die Güter angebracht werden müssen und dies zusätzliche Prozessschritte erfordern. Um diese Probleme zu lösen, arbeiten wir am fml an komplett neuen Methoden zur Identifikation von Gütern in Materialflüssen auf Basis von Kamerasystemen und KI. Ziel ist es, die Identifikation nur mit den natürlichen Merkmalen der Güter an sich zu ermöglichen.
Da der Einsatz von KI viele Daten voraussetzt und die Erzeugung sehr zeit- und kostenintensiv ist, entwickeln wir neue Möglichkeiten, diese Daten synthetisch auf Basis von Render-Engines, wie Blender und Unity, zu produzieren und den Aufwand bei der Datenerzeugung massiv zu reduzieren.
Tätigkeitsbereich:
- Erarbeitung und Implementierung einer Pipeline zur automatischen Generierung von synthetischen Daten
- Training von neuronalen Netzen mit den synthetischen Daten und Überprüfung der Ergebnisse
- Evaluation der neuronalen Netze mit echten Leergutbehältern, die wir am Lehrstuhl bereitstellen
- Ableiten und Umsetzen von Verbesserungen in der Pipeline auf Basis der Testergebnisse
Was kannst Du während der Arbeit lernen?
Im Rahmen der Arbeit kannst Du ein breites Spektrum an Fachwissen im Einsatzbereich des Maschinellen Lernens sammeln. Von dem aktuell sehr zukunftsträchtigen Thema der synthetischen Datenerzeugung, über das Training und Optimierungsmethoden von Neuronalen Netzen bis hin zur Aufarbeitung der Ergebnisse. Perfekte Grundlagen, wenn Du einen Berufseinstieg in diesem Bereich planst, da du danach bei jedem Fachbereich mitreden kannst.
Geplant ist vorerst eine Anstellung auf 8h/Woche, diese soll aber wenn möglich im Laufe der Tätigkeit auf 16 h/Woche angehoben werden. Optimal also, falls du dich tiefer in diese spannende Thematik einarbeiten möchtest – und das auch noch bezahlt!
Um den Einstieg zu erleichtern, fängst du nicht bei Null an, sondern kannst auf bereits am Lehrstuhl zu diesem Thema umgesetzte Arbeiten aufbauen. Abschlussarbeiten und der dazugehörigen Code stehen bereit.
Voraussetzungen:
Analytisches Denken
Selbstständiges Arbeiten
Spaß an Tüfteleien und Ausprobieren von verschiedenen Lösungen
Vorkenntnisse wünschenswert in
Deep Learning Frameworks (Pytorch)
Python
Render-Engines (Blender, Unity)
Bei Interesse sende gerne eine unverbindliche Bewerbung mit Lebenslauf, Leistungsnachweis und kurzer Berschreibung zu Ihrer Person (Motivation, Vorkenntnisse, Startzeitpunkt...) per E-Mail an:
dimitrij-marian.holm@tum.de