Sim-to-Real-Bewertung für ein Berliner Lager-Robotik-Startup
Übersicht
Worum es bei diesem Projekt geht.
Verwende eine trainierte PPO-Policy (Proximal Policy Optimization — ein populärer RL-Algorithmus) für eine Block-Stack-Aufgabe in Isaac Gym oder Isaac Lab. Implementiere drei Sim-to-Real-Strategien: (1) Baseline ohne Anpassung, (2) Domain Randomization über Reibung, Masse und visuelle Texturen, (3) 30-Minuten-Realdaten-Fine-Tuning auf einem Hardware-Surrogat (oder gegen einen sorgfältig kalibrierten zweiten Simulator mit unterschiedlicher Physik-Engine). Vergleiche Transfer-Erfolgsrate, Datenbedarf und Trainings-Kosten. Liefere ein Engineering-Memo, das die Strategie für die nächste Hardware-Phase empfiehlt.
Das Briefing
Was Du tust und was Du zeigst.
Quantifiziere den Reality Gap für eine RL-Greif-Policy und identifiziere die Sim-to-Real-Strategie mit dem besten Verhältnis aus Transfer-Erfolg und Realdaten-Bedarf.
Earning criteria — what you'll demonstrate
- Reinforcement Learning in Simulator-Umgebungen für Robotik anwenden
- Domain Randomization konzeptionell verstehen und sauber konfigurieren
- Den Reality Gap quantitativ messen und auf konkrete Ursachen zurückführen
- Engineering-Trade-offs zwischen Realdaten-Bedarf und Trainings-Compute ehrlich abwägen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenML Researcher
Sim-to-Real-Strategien sauber zu vergleichen und den Reality Gap zu quantifizieren ist genau die Forschungsarbeit, die ML Researcher in Robotik-Startups leisten.
Dieses Projekt schärft
- sim-to-real
- domain-randomization
- policy-evaluation
Applied AI Scientist
RL-Forschung in eine konkrete Hardware-Investitionsentscheidung zu übersetzen ist Kerngebiet angewandter KI-Wissenschaftler in der Robotik.
Dieses Projekt schärft
- reinforcement-learning
- sim-to-real
- policy-evaluation
Machine Learning Engineer
Trainings-Pipelines mit reproduzierbaren Konfigurationen für drei parallele Strategien zu betreiben ist die ML-Engineer-Disziplin in Robotik-Teams.
Dieses Projekt schärft
- pytorch
- robot-simulation
- domain-randomization
Noch eine Sache