Sim-to-Real-Transfer für einen Quadruped-Inspektionsroboter
Übersicht
Worum es bei diesem Projekt geht.
Trainiere eine Lauf-Policy in Isaac Gym, evaluiere sie auf realen Testdaten und erhalte ein verifizierbares Zertifikat.
Das Szenario
Das Startup (rund 18 Mitarbeitende) verkauft den Roboter an Wasserkraft-Betreiber in den Alpen; jeder Sturz auf nassem Beton im Stollen führt zu einem Service-Einsatz mit rund 1.800 Euro Logistik-Kosten.
Das Briefing
Was Du tust und was Du zeigst.
Reduziere die Sim-to-Real-Lücke einer Quadruped-Lauf-Steuerung auf nassem Beton mit Domain-Randomization und belege die Verbesserung an realen Aufzeichnungen.
Earning criteria — what you'll demonstrate
- Reinforcement-Learning-Policies in einem physikalischen Simulator trainieren
- Domain-Randomization zur Reduktion der Sim-to-Real-Lücke einsetzen
- Sim- und Real-Evaluation als zwei separate, fair vergleichbare Suiten aufsetzen
- Verbleibende Lücken systematisch dokumentieren und priorisieren
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Robotics
Master · Applied Ai
Strong alignment
This challenge maps to Robotics at the Master level. It sharpens the same practical skills your coursework expects — but in a real industry context with actual constraints and deliverables.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
- Learning Based Control
Apply learning based control to solve real industry problems and demonstrate production-level capability.
- Reinforcement Learning
Apply reinforcement learning to solve real industry problems and demonstrate production-level capability.
- Simulation
Apply simulation to solve real industry problems and demonstrate production-level capability.
- Pytorch
Apply pytorch to solve real industry problems and demonstrate production-level capability.
- Evaluation
Apply evaluation to solve real industry problems and demonstrate production-level capability.
- Domain Randomization
Apply domain randomization to solve real industry problems and demonstrate production-level capability.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Maschinelles-Lernen-Forscher:in
RL-Policies mit Domain-Randomization zu trainieren und Sim-to-Real systematisch zu analysieren ist die Kernarbeit von ML-Forscher:innen in Robotik-Laboren.
Dieses Projekt schärft
- reinforcement-learning
- domain-randomization
- evaluation
Maschinelles-Lernen-Ingenieur:in
Eine reproduzierbare Trainings-Pipeline mit klarer Auswertung und Versionierung übt die produktionsnahe MLE-Disziplin, die jedes Robotik-Startup braucht.
Dieses Projekt schärft
- pytorch
- simulation
- evaluation
Angewandte:r KI-Wissenschaftler:in
Sim-to-Real-Lücken systematisch zu dokumentieren und zu priorisieren ist die typische Brückenarbeit zwischen Forschung und Feld-Einsatz in jungen Robotik-Firmen.
Dieses Projekt schärft
- domain-randomization
- learning-based-control
- evaluation
Noch eine Sache