Thesis: Überbrückung der Sim2Real-Gap für Sensordaten durch generative Modelle*
Thesis: Überbrückung der Sim2Real-Gap für Sensordaten durch generative Modelle*
Waldkirch (bei Freiburg), DE, 79183
Waldkirch (bei Freiburg), DE, 79183
Wintersemester 2024/25 - begrenzt auf 5-6 Monate
Modelle des maschinellen Lernens (ML) sind zunehmend datenhungrig. In industriellen Kontexten sind qualitativ hochwertige markierte Daten eine knappe und teure Ressource. Synthetische Daten ermöglichen das Training von ML-Modellen, die Bewertung von Algorithmen oder die Entwicklung von Sensoren, ohne dass eine umfassende Datenerfassung erforderlich ist. Die Erzeugung realistischer Daten ist jedoch schwierig, da nicht alle Eigenschaften der Sensoren oder der Umgebung erfasst werden (d. h. Simulations-Realitäts-Lücke). In jüngster Zeit haben sich generative Modelle als vielversprechender Weg erwiesen, um synthetische Daten zu erzeugen, die realen Szenarien sehr nahe kommen.
Ziel dieser Arbeit soll sein, das Potenzial generativer Modelle zur Überbrückung der Kluft zwischen realistischen und synthetischen Sensordaten in einem industriellen Kontext zu bewerten.
IHRE AUFGABEN:
- Sie führen eine Literaturrecherche zur Erzeugung realistischer Sensordaten mittels generativer Modelle durch.
- Sie machen sich mit der Sensorsimulation in Nvidia Omniverse vertraut
- Sie untersuchen die Anwendbarkeit von 1-2 generativen Ansätzen auf einen spezifischen industriellen Anwendungsfall
- Sie evaluieren die Leistungsfähigkeit der betrachteten Ansätze an einer nachgelagerten Aufgabe
IHR PROFIL:
- Sie sind vertraut mit generativen Modellen wie Diffusionsmodellen oder GANs
- Sie bringen Erfahrung in Bereichen des maschinellen Lernens wie Computer Vision, Audioverarbeitung oder NLP mit und verfügen über Expertise im Training, der Evaluation und dem Verständnis dieser Systeme
- Sie haben vielleicht schon eigene Spiele entwickelt oder am industriellen Metaverse herumgebastelt
- Sie erforschen mit Leidenschaft die Anwendbarkeit von generativer KI für einen bestimmten industriellen Anwendungsfall
IHRE BEWERBUNG:
- Wir freuen uns auf Ihre Online-Bewerbung
- Sarah Disch
- Job-ID 35903
- Vertrauliche Behandlung wird zugesichert
*Der Mensch zählt, nicht das Geschlecht.
Wir setzen auf Vielfalt, lehnen Diskriminierung ab und denken nicht in Kategorien wie etwa Geschlecht, ethnische Herkunft, Religion, Behinderung, Alter oder sexuelle Identität.
Stichworte: Student, Studentin, Studierende, Masterstudent, Bachelorstudent, Masterand, Bachelorand, Masterstudentin, Bachelorstudentin, Masterandin, Bachelorandin, Master, Bachelor, studienbegleitend, Studi, Studium, Bachelorstudierende, Masterstudierende, Praktikant, Praktikantin, Pflichtpraktikant, Pflichtpraktikantin, Praktika, Praktikum, Pflichtpraktikum, Internship, Intern, Praxissemester, Pflicht, Prakti, freiwillig, Praxis, Semesterpraktikum, Thesis, Masterarbeit, Bachelorarbeit
Wintersemester 2024/25 - begrenzt auf 5-6 Monate
Modelle des maschinellen Lernens (ML) sind zunehmend datenhungrig. In industriellen Kontexten sind qualitativ hochwertige markierte Daten eine knappe und teure Ressource. Synthetische Daten ermöglichen das Training von ML-Modellen, die Bewertung von Algorithmen oder die Entwicklung von Sensoren, ohne dass eine umfassende Datenerfassung erforderlich ist. Die Erzeugung realistischer Daten ist jedoch schwierig, da nicht alle Eigenschaften der Sensoren oder der Umgebung erfasst werden (d. h. Simulations-Realitäts-Lücke). In jüngster Zeit haben sich generative Modelle als vielversprechender Weg erwiesen, um synthetische Daten zu erzeugen, die realen Szenarien sehr nahe kommen.
Ziel dieser Arbeit soll sein, das Potenzial generativer Modelle zur Überbrückung der Kluft zwischen realistischen und synthetischen Sensordaten in einem industriellen Kontext zu bewerten.
IHRE AUFGABEN:
- Sie führen eine Literaturrecherche zur Erzeugung realistischer Sensordaten mittels generativer Modelle durch.
- Sie machen sich mit der Sensorsimulation in Nvidia Omniverse vertraut
- Sie untersuchen die Anwendbarkeit von 1-2 generativen Ansätzen auf einen spezifischen industriellen Anwendungsfall
- Sie evaluieren die Leistungsfähigkeit der betrachteten Ansätze an einer nachgelagerten Aufgabe
IHR PROFIL:
- Sie sind vertraut mit generativen Modellen wie Diffusionsmodellen oder GANs
- Sie bringen Erfahrung in Bereichen des maschinellen Lernens wie Computer Vision, Audioverarbeitung oder NLP mit und verfügen über Expertise im Training, der Evaluation und dem Verständnis dieser Systeme
- Sie haben vielleicht schon eigene Spiele entwickelt oder am industriellen Metaverse herumgebastelt
- Sie erforschen mit Leidenschaft die Anwendbarkeit von generativer KI für einen bestimmten industriellen Anwendungsfall
IHRE BEWERBUNG:
- Wir freuen uns auf Ihre Online-Bewerbung
- Sarah Disch
- Job-ID 35903
- Vertrauliche Behandlung wird zugesichert
*Der Mensch zählt, nicht das Geschlecht.
Wir setzen auf Vielfalt, lehnen Diskriminierung ab und denken nicht in Kategorien wie etwa Geschlecht, ethnische Herkunft, Religion, Behinderung, Alter oder sexuelle Identität.
Stichworte: Student, Studentin, Studierende, Masterstudent, Bachelorstudent, Masterand, Bachelorand, Masterstudentin, Bachelorstudentin, Masterandin, Bachelorandin, Master, Bachelor, studienbegleitend, Studi, Studium, Bachelorstudierende, Masterstudierende, Praktikant, Praktikantin, Pflichtpraktikant, Pflichtpraktikantin, Praktika, Praktikum, Pflichtpraktikum, Internship, Intern, Praxissemester, Pflicht, Prakti, freiwillig, Praxis, Semesterpraktikum, Thesis, Masterarbeit, Bachelorarbeit